多语言信息服务系统的UML建模研究

多语言信息服务系统的构建既是一个理论问题，也是一个实践问题。本文结合当前多语言服务发展的实际情况，提出使用UML用例图、组件图及类图三种方法来构建系统模型，把系统的组成分成若干个模块，并给出了系统的框架图、应用拓扑图及总体用例图，对信息辅助翻译、数据交换平台、信息加工协作平台三个子系统及综合信息资源库进行了建模分析。     

深度词汇网络学习的文本聚类研究

为改进已有中文文本聚类中数据非结构化导致的算法准确度不高及特征向量高维稀疏导致算法复杂度过高的现状,提出一种基于深度词汇网络学习的中文文本聚类算法,解决了优化数据非结构化带来的聚类结果准确性低及特征向量高维度带来的高复杂度问题。首先建立词汇网络用以抽取关键义原,以词语义原代替单词作为网络节点,不仅避免了语义消歧,同时考虑到词语间语义相似性与词汇相关性,使所提取的特征向量更能表现出文章的主旨,提高聚类效果;另一方面,训练深度学习网络对特征向量降维处理,在降维的同时保留尽可能多的信息,大大减低算法的执行时间。聚类质量检测方法(F-measure)的结果表明,本文算法比k-means算法在中文文本聚类中有更好的表现。     

基于意群的计算机证据倾向性研究

计算机证据具有数量繁多、复杂多样等特点,因此如何快速地定位可疑文件是目前亟需解决的问题。利用意群概念和朴素贝叶斯算法对计算机证据的倾向性进行了分析研究。通过训练产生以意群为单位存储的倾向性词库。利用朴素贝叶斯算法,对待测文档中筛选出的一定数目的关键词的概率进行计算,从而得出待测文档内容的倾向性。实验表明基于意群的计算机证据倾向性研究方法在获取可疑文件方面有很好的应用效果。     

原创科技复杂网络的反演模型研究

为减少先进科技跟踪成本,研究了原创科技复杂网络的反演模型,将传统的科技信息直接获取变为间接推理。 该模型首先以约束反演方法来提取复杂网络中各个节点的社会属性和技术属性,并对其进行量化;然后研究属性间关联关系的计算方法,形成统一的分值矩阵模型,并量化复杂网络模型的各个节点间的权值;最后对模型进行分析形成多种优化目标的计算方法,并采用约束反演推理策略进行复杂网络最优路径求解,其中引入变量事件分类以加快反演速度。 实验结果表明,该模型能够快速反演出先进科技的来源,并具有良好的可信度。     

基于光栅效应的信息隐藏技术研究

为将印刷防伪中的莫尔效应应用于信息隐藏领域,本文提出一种新的信息隐藏框架,解决了将原有技术直接引入信息隐藏领域所产生的诸多问题。首先,直接引入可以隐藏信息并产生莫尔效应的周期性光栅,摆脱原有技术依附于印刷过程中的加网操作的限制;其次将已处理为轮廓矩阵的指定隐藏信息按照一定方法隐藏于母版图片中,实现周期直线光栅信息隐藏功能;同时增加光栅参数,引入曲线光栅,增加隐藏信息破解成本,提高信息安全性。     

一种微小视频变化的移动检测方法

提出了一种用于数字视频监控系统中运动物体检测和报警的优化背景差法。针对该算法本文进行了详细的分析,并设计了算法流程。用此算法重建背景图像以及用图像差分算法计算像素改变比例,能监测慢速、微量变化的运动物体。最后与相邻帧差法进行了实验比对,实验结果表明该方法有明显的优势。优化背景差法实现简单、快速、有效,适用于对重点区域进行微小移动监测的监控系统。     

Web应用服务器OnceAs的实现与测试

OnceAs是网驰（ONCE）软件基础平台的一个核心部分，基于J2EE1.3规范进行设计和开发，实现J2EE规范中约定的接口和服务，目前OnceAs提供标准版和集群版两个版本，可运行于多个异构操作系统，支持多种数据库管理系统。OnceAs已通过SUN JPS的所有功能测试，并在高端的PC机或低端的服务器上就可以达到J2EE应用服务器性能测试基准ECperf所要求的各项性能指标。本文介绍OnceAs的系统结构，各主要功能模块、服务和工具的实现方式，并通过Ecperf测试描述了OnceAs的各项主要性能。     

多语言信息服务系统的UML建模研究

多语言信息服务系统的构建既是一个理论问题，也是一个实践问题。本文结合当前多语言服务发展的实际情况，提出使用UML用例图、组件图及类图三种方法来构建系统模型，把系统的组成分成若干个模块，并给出了系统的框架图、应用拓扑图及总体用例图，对信息辅助翻译、数据交换平台、信息加工协作平台三个子系统及综合信息资源库进行了建模分析。     

一种基于网络行为分析的HTTP木马检测模型

基于HTTP协议进行网络通信的木马能够躲避部分网络安全监控系统的检测,是互联网安全的一个重大威胁。通过对该类木马样本和普通程序样本网络行为的对比分析,得到该类木马的6个网络行为特征,综合利用层级聚类、Davies-Bouldin指数和k-means聚类方法提出了一种木马检测模型,实现了HTTP木马检测。结果表明,该HTTP木马检测模型准确率较高,误报率较低。