基于进程执行时间的多级反馈队列调度算法

针对多级反馈队列(MLFQ)调度算法在时间片大小选取上对系统性能的关键影响,提出了一种基于进程执行时间的多级反馈队列调度算法.算法结合动态时间量子思想,通过进程的执行时间动态确定队列以及时间片来完成调度.同时为了减少队列进程的切换次数,利用中位数的方法来决定时间片的大小.实验结果表明,与传统的多级反馈队列调度算法相比,改进的算法不仅缩短了进程的平均周转时间和平均等待时间,也减少了进程切换次数,为操作系统领域处理机调度智能化提供了有效的参考价值.     

基于半监督优化分类的入侵检测方法研究

为解决入侵检测训练集（通常包含大量无标记样本和少量已标记样本）,在传统半监督支持向量机(S3VM)上确定最优分类决策面,提出一种优化的多分类决策S3VM方法（MLL_S3VM）。该方法结合启发式搜索和聚类方法筛选出差异性较大的分类决策面,采用距离向量法对未标记样本进行标记。实验结果表明,在入侵检测中,该算法明显提高了模型预测精确度。     

基于灰关联熵的网络安全态势kalman预测算法

在评估当前网络安全态势的基础上,掌握未来一段时间的网络安全态势,能够为网络管理者做出安全防护的决策提供有效的信息。利用网络安全态势值具有非线性时间序列的特点,提出一种基于灰关联熵的网络安全态势卡尔曼预测算法。首先应用灰关联熵分析方法对网络安全态势的各种影响因素做关联度分析,由此选出关键影响因素,接着根据这些影响因素建立相应的过程方程和预测方程。最后应用卡尔曼滤波递推地进行网络安全态势预测。实验结果表明该算法的预测精度优于传统的GM(1,1)算法和普通卡尔曼算法,算法适应性和实时性优于RBF算法。