【摘 要】
：
针对BGP异常数据的检测问题,依托互联网公开的真实BGP更新报文数据,重点结合网络的拓扑特征及时序变化特点,提出一种新的基于图嵌入特征和LSTM自动编码器的BGP异常检测方法.首先利用BGP数据中AS_PATH属性信息,构建基于时间序列的网络拓扑图的动态嵌入特征数据集,然后使用LSTM自动编码器模型对数据进行检测,发现异常数据.在实际的异常事件数据中,该方法成功检测到了异常数据,并且相比传统的检测方法有较高的准确率.
【机 构】
：
国防科技大学 计算机学院, 长沙 410073
论文部分内容阅读
针对BGP异常数据的检测问题,依托互联网公开的真实BGP更新报文数据,重点结合网络的拓扑特征及时序变化特点,提出一种新的基于图嵌入特征和LSTM自动编码器的BGP异常检测方法.首先利用BGP数据中AS_PATH属性信息,构建基于时间序列的网络拓扑图的动态嵌入特征数据集,然后使用LSTM自动编码器模型对数据进行检测,发现异常数据.在实际的异常事件数据中,该方法成功检测到了异常数据,并且相比传统的检测方法有较高的准确率.
其他文献
加工特征识别是实现CAD/CAPP/CAM系统集成的关键技术.针对传统基于符号推理加工特征识别模式存在鲁棒性问题,提出一种基于加工面点云数据深度学习的加工特征自动识别方法;基于PointNet点云识别框架,构建了一个面向加工面点云数据的加工特征自动识别卷积神经网络;通过收集CAD模型中的加工特征面集和采样点云,构建了适合该网络学习的三维点云数据样本库.通过样本训练获得加工特征识别器,实现了24类机械加工特征的自动识别,识别准确率达到99％以上,该方法简洁、高效,对有噪音和缺陷的点云数据不敏感,并且对由于特
随着人们生活水平的提高,空调成为家居工作必不可少的一部分.传统空调PID控制技术仍被广泛应用,但其存在参数控制不精确、突变性、滞后性等问题,如何精确地控制空调参数,提高空调控制系统的性能成为空调控制领域研究的热点.针对这些问题,本文基于模糊推理提出了一种空调智能控制机制,通过对参数模糊化、规则库构建、模糊推理等步骤实现空调的模糊控制.实验证明了本方法的可行性,并进一步验证了在处理非精确问题方面与PID相比具有较大优势.系统实现部分给出了空调智能控制的具体交互过程.
大屏数据可视化是对数据分析结果的表达,是数据赋能决策的重要环节.针对大屏数据可视化软件开发周期较长、成本较高等问题,本文基于Vue前端框架及Echarts可视化组件,研制开发了一个大屏数据可视化易用工具C317DataUI,通过对可视化组件拖拽式操作进行界面布局,使用组件的数据连接面板进行数据配置管理,并提供了部分场景模板,可以快速实现大屏数据可视化的应用表达,满足行业用户进行数据可视化表达时低成本,高效率的需求.
本文将深度强化学习应用于二维不规则多边形的排样问题中,使用质心到轮廓距离将多边形的形状特征映射到一维向量当中,对于在随机产生的多边形中实现了1％以内的压缩损失.给定多边形零件序列,本文使用多任务的深度强化学习模型对不规则排样件的顺序以及旋转角度进行预测,得到优于标准启发式算法5％-10％的排样效果,并在足够次数的采样后得到优于优化后的遗传算法的结果,能够在最短时间内得到一个较优的初始解,具有一定的泛化能力.
旅行商问题(TSP)是经典的NP难问题,对该问题的研究从未停止,也得到了很多的近似求解算法,但每一种算法都各有特色,正因如此,对旅行商问题总有新的算法在提出.麻雀算法是新近提出的算法,本文对麻雀搜索算法(SSA)的原理、搜索策略以及算法的基本流程进行研究分析,针对SSA搜索接近全局最优时,种群的多样性减少,容易陷入局部最优等问题提出一种改进的麻雀搜索算法(ISSA).使用6个标准测试函数与基本SSA以及其他群体智能算法进行仿真实验,测试ISSA的性能.最后应用ISSA对旅行商问题进行求解.实验表明,改进的
针对目前基于批量归一化的ResNet肺炎辅助诊断方法对于批量大小具有较高依赖性、网络通道特征利用率较低,并针对采用深度神经网络的肺炎诊断方法都忽略了医疗数据隐私和孤岛的问题,提出一种融合联邦学习框架、压缩激励网络和改进ResNet的辅助诊断方法(FL-SE-ResNet-GN),运用联邦学习保护数据隐私的同时结合压缩激励网络和组归一化方式充分关注通道特征.通过Chest X-Ray Images数据集的实验结果表明,该方法的准确率、精度和召回率分别达到0.952、0.933和0.974.与其它现有方法相比
本文提出一种新的智能小车主动及被动控制手段,采用STC89C51RC与K66双芯片实现对智能小车的控制.运用蓝牙通信技术实现通过手机端APP控制小车进行基本动作,同时利用超声波测距技术实现小车自动避障.此外,还加入了红外探测传感器以实现小车的自动循迹,结合低功耗的MT9V032摄像头,利用图像识别技术实现了信标灯寻的.实验测试结果表明该移动小车在光照条件适当的情况下具备良好的循迹性能,在小车速度为20 cm/s时避障准确率达到99％,能够以3.1 m/s的稳定速度识别到直径为7.85 m辐射范围内的信标灯
针对现有的深度学习去雾算法参数多,训练时间长,无法应用到实时计算机视觉系统等问题,本文提出了一种基于明暗通道的循环GAN网络(bright and dark channel CycleGAN network,BDCCN).BDCCN以CycleGAN为基础,采用固定参数和训练参数相结合方式,基于明暗通道先验理论,改进循环感知损失,实现图像去雾.实验结果表明,本文算法计算量小,收敛快,在合成数据集和真实数据集上均表现优异.
针对低渗油田储层粒度预测问题,本文提出利用机器学习中的极致剃度提升树(extreme gradient boosting,XGBoost)来对低渗油田储层粒度进行预测的方案.首先,根据问题构建合适的XGBoost模型,然后根据已有的岩心储层粒度特征值与其余测井信息的关系,选取适用于粒度预测的测井曲线建立样本库,最后利用样本库数据对建立的XGBoost模型进行训练,训练后的模型即可预测研究区域未知的储层粒度特征.结果表明,本文所设计的XGBoost模型对低渗油田的储层粒度预测方案在计算效率、预测准确率等方面
为了避免人们边行走边使用手机发生危险,本文提出了实时性强的轻量级模型(Mobile-YOLOv3)来检测路面障碍.我们在广州各地拍摄路障图片并标注了一个路障数据集,使用了一个轻量级的MobileNetv1网络来替换YOLOv3的骨干网络实现轻量化,并且应用了4个方法用于提高检测精度和模型的鲁棒型.4个方法分别为:边框回归损失函数CIOU、分类损失函数Focal、预测框筛选算法Soft-NMS、负样本训练.实验结果证明,该模型获得了98.84％ 的MAP.与YOLOv3对比,该模型的规模缩减了2.5倍,检测