基于孪生神经网络的小样本目标检测综述

目标检测是计算机视觉的基础任务之一，其主要任务是对图像中的目标进行分类和定位。小样本目标检测的目的就是利用极少数的训练样本实现对目标的检测，从而减少繁杂的标注工作，并实现在只有少量样本场景下的应用。现有的小样本目标检测方法主要包括基于孪生神经网络的方法和基于微调的方法，这些方法通过利用现有的包含大量样本的基类数据集和包含少量样本的小样本数据集的训练，使模型实现对小样本类别的分类和定位。重点调研了基于孪生神经网络的双分支小样本目标检测方法，简要介绍了基于微调的小样本目标检测方案，分析了这些方案的优缺点，指出现有的小样本目标检测方案虽不成熟，模型精度有待提升，性能评估方案也有待完善，但却有着十分广阔的应用前景，未来若能通过深入研究解决小样本目标检测的现有问题，其精度必将赶超传统目标检测。     

浅析入侵检测技术

从数据分析方法的角度介绍了入侵检测系统采用的不同数据分析方法，从数据来源的角度分析了基于网络的IDS和基于主机的IDS的原理，比较了不同数据分析方法和不同数据来源的入侵检测的不同和优劣，并分析了入侵检测技术(IDS)的发展方向。     

分布式微入侵检测系统结构研究

针对分布式计算和集群服务器的架构提出一种分布式微入侵检测系统结构。该结构将M－IDS（Micro-Intrusion Detection System)分布在受保护子网内所有节点机上,各个节点的M－IDS不仅可以独立检测直接入侵,而且可以和中心处理节点合作检测协同入侵。为了使入侵检测系统在具有误用检测优点的同时具有一定的自适应性,引入了基于神经网络的误用检测技术。     

基于agent的入侵检测系统研究

回顾了近年来基于agnet的入侵检测系统IDS的发展，讨论所采用的agent组织结构、检测分析的处理方式以及agnet的协同等问题。随着网络应用的发展，这类IDS系统是今后IDS发展的重要方向。     

数据归约技术及其在IDS中的应用研究

目前，数据挖掘技术已被广泛用于入侵检测系统（IDS）中以提高入侵检测系统的检测效率。文中以提高IDS中的数据挖掘效率为目标来研究数据归约技术，从特征归约、样本归约和特征值归约3个方面对数据归约技术进行了探讨，并对数据归约技术在入侵检测系统中的应用进行了实验．对实验结果进行了分析。     

基于分层抽样的入侵检测方法

将分层抽样理论应用于网络入侵检测。通过统计网络数据包负载字段中的字节分布规律，得到数据包异常的度量，将此度量作为分层特征参数，用以从总体中抽取出有价值的样本。建立了基于Mahalanobis距离的异常检测模型对样本进行检测。实验结果表明，采用DARPA 1999年IDS评测数据集，在选定的97个待检测的攻击实例中，当保证误报率低于19／6时，本方法可以达到50%以上的检测准确率。     

基于近红外光谱特性分析的花生含水率检测

以花生检测国家标准GB/T 5497为基础，采用近红外光谱检测技术对花生含水率是否达标进行检测. 实验配制了30个不同含水率的花生样本，其中18个样本含水率达到国家标准，12个未达标，将样本分为训练集和测试集，通过近红外实验获取不同含水率的花生对不同波长光的吸收情况，将采集的数据作为BP神经网络的输入参数，在训练集对神经网络进行学习和训练，然后采用该模型，对测试集花生含水率是否达标进行测试. 实验表明，基于近红外光谱技术和神经网络的识别方法可全部正确识别测试集样本.     

浅析入侵检测技术

从数据分析方法的角度介绍了入侵检测系统采用的不同数据分析方法,从数据来源的角度分析了基于网络的IDS和基于主机的IDS的原理,比较了不同数据分析方法和不同数据来源的入侵检测的不同和优劣,并分析了入侵检测技术(IDS)的发展方向。     

基于模糊神经网络的电动汽车变速器故障检测研究

针对电动汽车变速器故障呈现不确定性特征，影响检测性能的问题，设计了基于模糊神经网络的电动汽车变速器故障检测方法。从电动汽车变速器故障状态的工况数据中，提取电动汽车变速器的故障征兆参数；模糊化处理电动汽车变速器的故障征兆参数，依据电动汽车变速器故障征兆参数的隶属度，构建模糊规则库；利用BP神经网络学习模糊规则库的故障检测模糊规则，通过正向传播、反向传播和权值修正完成BP神经网络训练。将电动汽车变速器测试样本输入完成训练的BP神经网络，BP神经网络依据测试样本的模糊隶属度向量，输出故障检测结果。实验结果表明，该方法可以有效检测电动汽车变速器的齿轮断齿等不确定性故障，实用性强。     

基于小波神经网络的入侵检测系统

利用小波变换在信号处理方面的时频分析能力和神经网络对任意非线性函数的逼近能力，提出了一种基于小波神经网络的入侵检测方法．用小波变换代替普通神经网络的激励函数，能有效地提高网络样本训练的效率和速度，在仿真结果中体现出有很好的收敛速度和学习能力，比较适合用于入侵检测系统中．     

基于主动网络的入侵检测系统的研究

基于主动网络的入侵检测系统,结合了基于主机的和基于网络的入侵检测系统的思想.由于主动网络的可编程特性使得各检测节点能协调工作完成对入侵行为的检测工作,并能快速地对网络中的入侵行为进行处理,系统具有灵活性、可扩展性和效率等方面的优点.     

决策树与神经网络结合的入侵检测系统模型研究

入侵检测系统是保证网络信息安全的有力手段,文中提出一种结合决策树和神经网络的入侵检测系统框架。决策树分类方法把数据集划分为正常数据和入侵数据,并作为训练集分别用神经网络进行训练,改善了系统的检测精度并提高了对未知数据的检测能力。离线训练后的系统可以实现网络数据的实时检测,通过实验证明了此系统很好的检测效果和自适应能力。     

基于防火墙的网络入侵检测系统

提出了一个基于防火墙的网络入侵检测系统模型,克服了传统入侵检测系统不能实现主动控制的缺陷,并对设计与实现中的关键技术做了详细的描述·该系统在数据链路层截取实时的数据包,对其进行基于安全策略的访问控制分析;同时利用事件发生器从截获的IP包中提取出概述性事件信息并传送给入侵检测模块进行安全分析·入侵检测模块采用基于统计的入侵检测技术,并采用了NaiveBayes算法·基于该模型设计实现的系统在实际测试中表明对于具有统计特性的网络入侵具有较好的检测与控制能力·     

入侵检测分析技术的现状及IDS发展趋势探析

入侵检测是一种基于主动策略的网络安全防护技术，本文介绍了入侵检测技术的核心——入侵分析技术的发展现状，讨论和分析了各种分析技术的基本原理及其特点，并对其发展趋势进行了探讨。     

基于模糊积分的多神经网络融合在入侵检测中的应用

神经网络应用在入侵检测领域中,可以处理不完整输入信息,同时能够识别新的入侵行为,并行计算和存储特性能够在更短时间内发现入侵行为.为了进一步提高单个神经网络在入侵检测系统中的检测性能,提出了基于模糊积分的多神经网络融合模型MNNF模型.采用KDD99作为实验数据,实验结果表明,MNNF模型具有较好的入侵检测性能.     

基于入侵检测的数据挖掘应用研究

为解决网络安全检测中防火墙技术的不足、变被动检测为主动防御等问题，在对入侵检测和数据挖掘技术分析的基础上，提出了一个基于数据挖掘的入侵检测系统，介绍了入侵检测系统的实施过程，并着重对入侵检测系统进行了实例分析。实验证明，该系统可以有效地检测新的攻击类型，实现知识库的自动更新，从而提高了入侵检测的效率和准确率，增强了网络系统的安全。     

一种基于RBF神经网络优化算法在入侵检测中的应用

入侵检测系统是当前信息安全领域的研究热点,在保障信息安全方面起着重要的作用．笔者对原有的基于RBF神经网络的入侵检测模型进行改进并给出了设计思想．该模型能将入侵检测系统的两种检测技术——误用检测和异常检测有效地结合起来,使用两层RBF神经网络训练模块,三层训练机制,在训练时间方面有较大的优势,并能实时地检测到新型攻击．     

IIDS的行为特征提取方法研究

针对目前的入侵检测系统存在先验知识较少的情况下推广能力差的问题，基于免疫原理，将肽链定义为在操作系统中由特权进程执行的系统调用及参数段序列；基于广义后缀树、粗集和神经网络理论，提出一种新的免疫入侵检测模型的行为特征提取方法，有效解决了行为特征的获取和知识库的构建。该方法设计有独立而完整的特征数据库，提高检测系统的强壮性和可伸缩性；对高频度行为模式优先分析和处理，提高检测的速度。该方法不仅去除了降低检测效率的规则，而且生成了更强的规则子集。实验结果表明，该方法的有效性和检测的高效性。     

模式匹配技术在Snort中的应用和改进

目前有常用的几种模式匹配技术。在 snort 模式匹配方法中还有一定的局限性,协议匹配、字符串匹配也存在一些弊端。为了有效的提高入侵检测系统的可靠性,可以综合利用各种匹配技术并对匹配算法加以改进。采用协议分析大大减少模式匹配的计算量,提高匹配的精确度,减少误报率;对 BMH 算法的改进可以更进一步的提高匹配效率。从而开发出更高效的基于 Snort 的入侵检测系统。