基于蚁群算法的一卡通数据精准挖掘方法

为了提高一卡通数据精准挖掘能力,提出基于蚁群算法的一卡通数据精准挖掘方法。构建一卡通数据的模糊信息检测模型,采用关联特征提取方法进行一卡通数据的模糊相关性分析,构建一卡通数据的输出自相关特征匹配模型,结合模糊特征聚类分析方法进行一卡通数据的统计分析,建立一卡通数据的回归分析模型,提取一卡通数据的统计特征量,根据一卡通数据的特征提取结果采用模糊C均值聚类方法进行信息处理,采用蚁群算法进行一卡通数据挖掘过程中的自适应寻优,实现一卡通数据的优化挖掘。仿真结果表明,采用该方法进行一卡通数据挖掘的精度较高,特征分辨能力较好,提高了一卡通数据的挖掘和检测能力。     

基于蚁群优化的分类规则挖掘方法

蚁群优化是人工智能领域中群体智能分支之一,已成功地应用于复杂优化问题的求解,但其在知识发现领域的应用还是一个新的研究课题。在此提出一种新的基于蚁群优化的分类规则挖掘方法,先利用蚁群算法通过对属性约简简化数据集,再使用蚁群算法进行分类规则的挖掘,并用新的规则剪枝方法,提高了分类算法的效率和准确率。实验表明该方法是有效的。     

网管测试平台中流量数据的生成算法

针对网络管理测试系统对模拟真实可信的网络流量数据的需求,提出一种数据生成算法。在分析当前网络流量特点的基础上,明确网络流量的自相似性,再根据实际采集的网络流量的调制特征,采用源叠加ON/OFF模型生成模拟数据,以流量数据的多重分形特征为标准,对模拟结果和真实数据的相似性进行了评估。结果表明,采用该算法生成的数据可作为网络管理测试平台中的流量驱动数据。     

基于ELM的网络流量分类及可视化研究

精准的网络流量分类是网路流量监测和网络流量数据分析的重要基础。机器学习方法利用统计网络流量的各种特征,不依赖于协议端口和协议内容对网络流量数据进行分析。采用超限学习机(ELM)和改进算法分层超限学习机(H-ELM)作为机器学习的算法,识别客户端与服务器。对链路层、网络层和应用层数据进行分析,实现对多层次网络流量数据的可视化,对H-ELM和ELM算法的实验结果进行对比。实验结果表明,ELM算法能有效地应用于网络流量分类,基于ELM分类模型的网络流量识别训练速度快。H-ELM通过紧凑的特征去除冗余原始输入,改进了总体学习表现。     

改进贝叶斯分类算法在DDoS攻击检测系统中的研究

本文在朴素贝叶斯分类算法的基础上,提出了一种利用未标记数据提高贝叶斯分类器性能的方法。该方法从被监控网络采集的数据中提取网络流量特征设计检测系统,较好的解决了网络流量分析中数值属性特征的分类问题。实验表明,该方法能够提高攻击检测系统准确率和效率。     

基于灰狼算法优化深度学习网络的网络流量预测

针对深度学习网络在网络流量预测建模过程中的参数优化难题, 以改善网络流量预测结果为目标, 提出一种基于改进灰狼算法优化深度学习网络的网络流量预测模型. 首先, 收集网络流量历史数据, 并对数据进行相空间重构、 归一化等预处理; 其次, 引入灰狼算法快速搜索到全局最优深度学习网络的相关参数, 并根据最优参数对预处理后的网络流量历史数据进行学习, 建立能挖掘网络流量历史数据变化规律的预测模型; 最后, 与其他算法优化深度学习网络的网络流量预测模型进行对比分析. 实验结果表明, 基于改进灰狼算法优化深度学习网络的网络流量预测精度超过90%, 远高于其他对比模型, 且预测建模过程的建模时间少于对比模型, 可满足网络流量管理的高精度和实时性要求.     

基于决策树的DDoS攻击检测方法研究

采用决策树中的ID3算法,提出一种基于数据挖掘技术的DDoS攻击检测方法.该方法从被监控网络采集的数据中提取网络流量特征设计检测系统,较好地解决了网络流量分析中数值属性特征的分类问题.实验结果表明该系统能有效检测网络中发生的DDoS攻击行为.     

网管测试平台中流量数据的生成算法研究

为了给网络管理测试系统提供模拟真实可信的网络流量数据，提出了一种数据生成算法，解决了网络管理测试平台中对高度仿真数据的需要数据。回顾了当前网络流量的特点，明确了当前网络流量的自相似性；根据实际采集的网络流量的调制特征，采用源叠加ON／OFF模型生成模拟数据；     

基于带宽受限模糊权重的蚁群优化算法及其应用

针对基于流量控制的优化路径很难得到最优解和计算复杂度过大等问题,该文提出带宽受限条件下基于随机网络拓扑的模糊蚁群优化动态流量分配方案.该方案根据网络流量的模糊控制划分路径权重,将路径权重融入信息素中;采用蚁群全局搜索和信息素控制在多条路径中动态选择最优路径.仿真结果证明了该算法的有效性,该法显著加快了传统路由算法网络流量的探索收敛速度.     

一种不均衡数据的改进蚁群分类算法

针对蚁群挖掘算法(ant colony mining algorithm,ACMA)中的规则评价函数和规则修剪方法,提出一种改进的蚁群挖掘算法(improved ant colony mining algorithm,IACMA),并将其应用于不均衡数据分类.数值实验采用基准数据库中3种典型的不均衡数据,结果表明,改进...     

RealMon: 处理低质量SNMP数据流的实时监测系统

提出了一个新颖的数据流监测系统RealMon的设计和实现。该系统能够在大量的网络流量数据中通过分析不同数据流之间的关联关系及时地检测出数据异常。通过应用数据流挖掘算法，该系统能够对电信骨干网络的SNMP流量数据进行监测。同时为了解决所采集SNMP数据中存在着的大量数据质量问题，该系统集成了数据流清洗算法，该算法能够实时处理SNMP数据来提高所采集数据的质量。在模拟环境中的测试表明，该系统能够在SNMP数据流上同时对数千条链路进行有效监测。     

基于节点加权的网络流量测量点选择算法

为了解决现有算法无法根据不同节点对网络流量传输具有不同重要性选择流量测量点的问题,提出了一种基于节点加权的网络流量测量点选择算法。该算法首先通过节点关键度对节点进行权重分配,之后使用节点加权的关联矩阵近似算法计算初始解,最后通过对基本蚁群算法中的信息素初始化以及期望启发信息值计算进行改进形成基于节点加权的蚁群算法,并以此计算问题最终解。实验结果表明,基于节点加权的网络流量测量点选择算法能够在保证链路覆盖率的前提下,优先选择关键度更高的节点。     

矿用粉尘检测系统的算法研究

矿井中对粉尘浓度进行大范围内的检测,运用了无线传感器网络,针对网络耗能大、寿命有限及精度低等问题,对经典蚁群算法进行改进,使用其对反向传播(BP)神经网络进行优化,然后应用在无线传感器网络中进行数据融合。由于系统采集到的电压信号波动较大,采用滑动平均滤波算法进行处理,实验结果表明该算法能去除冗余数据,进而减少网络数据通信量,提高系统实时性,降低能耗,延长寿命,提高了系统精确度。     

蚁群算法优化RBF神经网络的网络流量预测

传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低。采用蚁群算法优化RBF神经网络参数来进行网络流量预测。利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力。实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,模型预测准确度更高,能够很好地描述网络流的变化规律。具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

基于决策树的网络流量分类方法

针对传统流量分类方法(基于端口和有效载荷)分类不可靠的问题,提出基于C4.5决策树算法,根据训练集中属性的信息增益比率构建分类模型,按属性对测试数据集进行预测,通过查找分类模型实现对网络流量的分类。在公开数据集和自己采集的数据集上进行实验,结果表明,采用C4.5决策树算法对网络流量分类,平均分类精度为93%,单类别分类精度均在90%以上,能有效地实现对网络流量应用类型的识别。     

基于模糊关联迭代分区的挖掘优化方法研究

由于数据库存在数据量大、多维性的特点,传统挖掘方法在对数据进行处理时,无法构建精准的数学模型,容易出现部分信息丢失、分区过硬的问题。提出一种基于模糊关联迭代分区的挖掘优化方法,通过模糊C均值聚类算法对原始数据集进行预处理,过滤冗余数据,获取原始数据集的模糊分区;利用模糊关联挖掘算法获取感兴趣规则,实现数据的优化挖掘。实验结果表明,针对不同的数据集,改进的方法均具有很好的分区性能,且时间复杂性低,挖掘精度高。     

蚁群算法求解稳态传热反问题

针对热传导反问题的不适定性和非线性,为了改进热传导反问题的求解方法,考虑了材料非均质的影响,建立了稳态热传导有限元正演模型。根据测量温度信息,将热物性参数和边界条件的单一和组合识别问题归结为一个优化问题,进而利用基于网格划分策略的蚁群算法进行求解。探讨了参数取值范围和数据噪音对识别结果的影响,数值验证取得了令人满意的结果。     

挖掘关联规则的蚁群算法

基于蚂蚁的进化算法已经被广泛地应用于各种组合优化问题。首次结合蚁群算法提出了关联规则的蚁群挖掘算法(RA3)。利用数据集中属性和属性值对应超顶点和子顶点而构成无向图。蚂蚁对在无向图中不断地分别搜索挖掘频繁项集合,从而构成双规则前件、后件,并根据规则质量对双规则加以取舍。提出的算法可以在标准测试集中有效地实现关联规则的提取。与经典的Apriori和FP-growth算法比较,模拟实验证明,本文算法可以较快的挖掘出关联规则,具有较好的规则质量。     

基于改进蚁群算法的无线传感器网络路由

为了降低节点能量消耗,延长网络生存的时间,提出了一种改进蚁群算法的无线传感器网络路由机制.首先将无线传感器网络服务质量分为3类,然后利用蚁群算法可以自适应网络状况动态性的优势,构建传感器节点转移函数、信息素更新规则和自适应构建数据路由.最后采用仿真模拟实验对算法性能进行检验.实验结果表明,相对于现有无线传感器路由算法,通过引入蚁群优化机理挖掘传感器节点之间的关联性,数据传输延迟、可靠性和能量开销上具有更好的性能,使整个网络性能保持最优.     

基于改进蚁群算法的水产品运输车路径优化策略

根据水产品"耐藏性"差的特点,在VRP问题数学模型中加入了水产品保鲜时间窗以及路况条件的不确定性作为约束条件,建立针对水产品运输车辆配送路径的优化模型。针对蚁群算法的缺点,改进了信息素更新策略,在状态转移规则中加入了等待因素,对信息素范围进行了限制,有效的解决了蚁群算法的缺点。最后以舟山市部分地图为基础,运用MATLAB软件对改进蚁群算法求解路径规划问题的性能进行仿真,并与基本蚁群算法相对比。结果表明,改进蚁群算法可以更加有效地优化水产品运输配送线路。