基于流时间影响域的网络流量异常检测

针对如何提高网络流量异常行为检测准确率的问题,提出基于网络流时间影响域(TID)的网络流量检测模型.通过分析正常和异常情况下流量网络模型平均度的变化,构建了基于复杂网络平均度指标的网络流量异常检测算法.实验结果表明,基于网络流时间影响域的流量网络模型能合理地描述网络流量间的依赖关系,具有良好的检测性能,同时该网络模型仅需时间戳、源IP、目的IP三维网络特征即可实现,检测方法适用于绝大多数网络类型,检测效率优于其他网络流量异常检测方法,具有较高的普适性.     

图论在斐波那契数列和鲁卡斯数列中的简单应用

设G是一个简单图,f(G)表示G的Fibonacci数.本文给出了斐波那契数列及鲁卡斯数列的几个公式的图论证法.     

图论在斐波那契数列和鲁卡斯数列中的简单应用

设G是一个简单图,f(G)表示G的Fibonacci数.本文给出了斐波那契数列及鲁卡斯数列的几个公式的图论证法.     

图论在斐波那契数列和鲁卡斯数列中的简单应用

设G是一个简单图,f(G)表示G的Fibonacci数.本文给出了斐波那契数列及鲁卡斯数列的几个公式的图论证法.     

关于斐波那契数列倒数的有限和(英文)

通过初等方法和解析方法研究了斐波那契数列倒数的有限项和,并给出了一个包含斐波那契数列的等式.     

图论在斐波那契数列和鲁卡斯数列中的简单应用

设G是一个简单图,f(G)表示G的Fibonacci数。本文给出了斐波那契数列及鲁卡斯数列的几个公式的图论证法。     

三种不同机制无标度网络的对比研究

采用数值模拟的方法对三种由不同机制生成的无标度网络:BA(择优机制),衰减机制网络和等级机制网络进行了拓扑和流行病动力学方面的研究.在三种网络保持幂率指数γ=3的情况下,模拟结果发现BA网络和等级网络在拓扑和流行病传播方面具有很大的相似性:大小几乎接近的集聚系数C,最短路径L,关联指数r,相同的传播阈值λc=0.06,在SIR传播过程中,几乎完全接近的三种状态(S,I,R)的人群密度随时间的演化曲线;然而衰减网络却表现出与两者截然不同的拓扑特征和传播动力学过程:大的集聚系数和最短路径,强的度关联,同时传播阈值(λc=0.1)也大于BA网络和等级网络,同时SIR的动力学过程也与前两者有明显差异.     

基于频率排序的判别子图筛选及在精神分裂症分类中的应用

【目的】从脑网络中提取准确的判别性特征作为分类特征，可以提高SCZ的分类准确率，避免依靠量表的主观诊断造成缺陷。传统的脑网络特征如介数、聚类系数等丢失了拓扑信息，最小生成树丢失了部分脑区连接，子图虽然保留了拓扑信息，但传统的判别子图的筛选会产生部分冗余信息，进而影响分类准确率。【方法】提出一种基于频率排序的判别子图的筛选方法(frequently scoring screen, FSS),使用FSS筛选判别子图，在不损失原有判别信息的情况下，消除冗余信息。使用OpenfMRI的公开数据，对比了使用不同特征和不同分类算法的分类性能。【结果】FSS特征的分类性能优于其他传统脑网络特征，且该特征不受分类算法影响，分类准确率优于已有SCZ分类文献。     

利用斐波那契数列构造QC-LDPC码的方法

利用斐波那契数列的特点,提出了一种准循环低密度奇偶校验码(QC-LDPC)码的编码器设计方法.该编码器设计利用了斐波那契数列的一种顺序排列方法,构造的校验矩阵H不含四线循环,具有准循环结构,节省了校验矩阵存储空间,对码长和码率参数的设计具有较好的灵活性.该编码器算法复杂度与码长成线性关系,易于编码.仿真结果表明,在加性高斯白噪声信道条件下,该编码方案具有优于阵列LDPC码的性能.     

一种基于通道域自注意力的特征图剪枝方法

同时保证网络剪枝方法的准确率和稳定性，提出一种基于通道域自注意力的特征图剪枝方法。该方法采用主成分分析（principle component analysis, PCA）算法降低噪声干扰，引入通道域注意力为特征图自动分配不同权重，移除低权重通道的滤波器，并对网络进行重训练和精调，以减少网络精度损失。在公开数据集上对VGG 16网络模型展开的实验表明，当剪枝率为60%时，达到视觉几何组模型Top 5的准确率为8923%；当剪枝率逐渐增加到80%时，仍保持73%准确率。相较于同类方法，本文提出的方法更能保证剪枝时模型的准确率和稳定性。     

基于分形理论的网络流量异常检测技术

传统网络流量异常检测技术不能适应网络流量的复杂性,异常检测精度低,不能保证实时性,为此,提出一种新的基于分形理论的网络流量异常检测技术。通过FIR滤波方法对流量的时间序列进行预处理。采用Schwarz信息准则对网络流量异常检测问题进行处理,估测网络流量异常点数量与位置。采用R/S分析法求出自相似指数Hurst值,依据Hurst值对网络流量时间序列的分形特征进行分析。引入滑动窗口完成多网络流量异常点的检测,在检测异常点处对流量进行分形处理,依据自相似指数计算过程获取异常点间的流量自相似指数值,保存异常点之后的流量,为下一个流量异常点的检测提供依据。实验结果表明,所提技术实现过程简单,网络流量异常检测精度高,保证了实时性。     

计及路网权值时变特性的全局最优路径规划

由于静态路径规划（static path planning,SPP）和滚动路径规划（rolling path planning,RPP）思想无法求解全局最优路径,提出了一种计及路网权值时变特性的全局最优路径规划方法（global optimal path planning,GOPP）。利用Vissim软件对重庆大学城某区域路网进行建模与仿真,采用改进的前向关联边数据结构存储路网拓扑关键要素及行程时间仿真数据,以此作为路径规划数据库。在此基础上,推导跨时段路段的实际权值,提出一种基于Dijkstra算法的GOPP方法。最后基于路径规划数据库,在证明经典Dijkstra算法相比智能启发式算法具有全局最优求解能力的基础上,分别采用SPP、RPP和GOPP方法在MATLAB环境下仿真得到3条规划路径,结果表明GOPP累计行程时间为1 158.7 s,相比SPP和RPP分别减少了212.7 s和57.6 s,有效验证了GOPP在缩短交通出行时间的优越性,对今后智能交通系统的发展具有一定的理论指导意义。     

基于语义分割注意力与可见区域预测的行人检测方法

为改善图像中遮挡和小尺寸行人的检测精度，提出一种基于语义分割注意力和可见区域预测的行人检测方法.具体地，在SSD(single shot multi-box detector)目标检测网络的基础上，首先优化SSD的超参数设置，使其更适于行人检测;然后在主干网络中引入基于语义分割的注意力分支来增强行人检测特征的表达能力;最后提出一种检测预测模块，它不仅能同时预测行人整体和可见区域，还能利用可见区域预测分支所学的特征去引导整体检测特征的学习，提升检测效果.在Caltech行人检测数据集上进行了实验，所提方法的对数平均缺失率为5.5%，与已有方法相比具有一定的优势.     

一种优化FCN的视频异常行为检测定位方法

在视频异常行为检测过程中,为了提取出可分辨性更好的特征,同时兼顾运行速度,提出一种基于优化的全卷积网络(full convolution network,FCN)的异常行为检测与定位方法.对FCN进行优化,使用卷积神经网络(convolution neural network,CNN)的数个初始卷积层和一个额外卷积层,...     

一种动态社交网络上的传播源点定位方法

在线社交网络的拓扑会随时间而发生改变,使得确定潜在的传播源点非常困难.为此,提出一种考虑网络动态变化的传播源点定位方法,通过对网络演化建模,推断传播拓扑,从而准确定位信息源点.首先采用基于双曲几何学的链接分析方法,推断网络在传播过程中的拓扑变化,然后基于传播拓扑进行源点定位.在实际网络及合成网络上进行了大规模的实验,结果证明了算法的可行性.     

网络切片中物理节点的分布式在线异常检测方法

网络切片中的异常检测问题是实现网络切片自动化管理的重要研究内容,针对网络切片中物理节点的异常检测问题,提出了基于支持向量数据描述的分布式在线物理节点异常检测方法.基于支持向量数据描述建立了一种分布式的物理节点异常检测模型;通过引入随机近似函数,解决了数据分布式存储场景下的核函数计算问题,从而实现观测数据的切片内处理;基于随机梯度下降法,提出了一种在线的物理节点异常检测算法,保证了模型动态更新并减轻了异常数据导致的模型性能下降.在不同条件下进行了仿真分析,仿真结果表明,该方法可在避免切片间观测数据传输的同时,有效利用网络切片中虚拟网络功能的无标签观测信息检测物理节点异常.     

基于时间序列分析的网络流量异常检测

针对传统模型无法对网络流量异常进行准确识别和检测的问题,提出一种基于时间序列分析的网络流量异常检测模型.首先提取网络流量的原始数据,并对原始数据进行小波阈值去噪处理,消除干扰因素的影响;然后采用时间序列分析法挖掘网络流量数据之间的变化关系,建立网络流量异常检测模型;最后通过仿真实验验证检测模型的有效性和优越性.实验结果表明,时间序列分析法可以准确、及时地检测网络流量的异常行为,且结果优于目前其他网络流量异常检测模型.     

基于神经网络的程序异常监测

针对传统入侵检测系统的不足,研究了基于反向传播神经网络的程序异常检测方法,提出了一个改进的利用多层前馈网络的预测功能和异常区域判定方法检测系统异常的算法.详细讨论了算法的基本原理、数学基础、设计和实现方法.通过实验,分析算法的优缺点,验证了算法的可行性和有效性.     

林木虫害大数据的网络科学分析方法

择取国家森防总站2009—2013年辽宁省林木虫害大数据,根据林木虫害时空复杂性,提出一种基于时空影响域的虫害关系网络构造方法.以昆虫生活习性确定时间影响范围,以虫害危害等级确定空间影响范围,并将松毛虫作为研究对象.结果表明,松毛虫虫害关系网络为无标度网络,服从幂律分布;松毛虫传播扩散快;虫害易聚集发生;网络拓扑具有鲁棒性.该建网方法能够反映真实世界,是解读林木虫害大数据的有效方法.期待通过本文对松毛虫虫害关系网络的复杂网络理论分析,能对实际林木虫害防治工作中防治策略的制定及防控力度的估计提供理论指导.