基于注意力机制的GRU神经网络安全态势预测方法

传统的网络安全态势预测方法依赖于历史态势值的准确性,并且各种网络安全因素之间存在相关性和重要程度差异性。针对以上问题,提出一种基于注意力机制的循环门控单元(recurrent gate unit, GRU)编码预测方法,该方法利用GRU神经网络挖掘网络安全态势数据之间的时间相关性;引入注意力机制计算安全指标的分配权重并将其编码为网络安全态势值;利用改进的粒子群优化(particle swarm optimization, PSO)算法进行超参数寻优,以加速GRU神经网络的训练。仿真分析表明,所提方法具有更快的收敛速度和较低的复杂度,并且在不同的预测时长下具有较小的均方误差和平均绝对误差。     

知识经济时代图书馆在网络环境下的发展

在知识经济时代，网络发展正迅速地向全国、乃至全球覆盖。网络化提供的庞大的信息资源和方便快捷的服务方式，给传统的图书馆工作方式带来了强烈的冲击和严峻的挑战，同时也赋予了图书馆的历史机遇。面对挑战与机遇，图书馆采取怎样的对策，直接关系到知识经济时代图书馆的生存与发展。     

一种基于Voronoi图和朴素贝叶斯的室内定位无线地图构建方法

先用投影算子将线性互补的Signorini边界转换为等价的不动点方程，然后将Signorini问题转化为边界积分方程，用无网格边界点方法求解该问题，提出一种无网格边界积分方程方法。丰富了无网格边界积分方程方法，继承了无网格方法的优点和强显式投影迭代格式的特点，最后通过数值算例说明该方法收敛有效。
     

基于复杂样本的安全态势要素分类架构

针对网络安全态势要素获取中大规模复杂攻击样本分类困难的问题，提出一种基于条件变分自编码网络的安全态势要素分类架构。该架构分为编码网络和生成网络两部分，均采用深度神经网络作为其基础框架。编码网络用于对高维数据进行降维，提取其隐含特征;生成网络用于对降维后的样本进行重构，生成新的样本。在生成网络中引入混合密度模型优化其特征提取能力，提高重构数据的准确性。采用训练数据对该架构进行训练，训练后的编码网络作为分类器，识别样本类型;生成网络生成指定类别的样本数据，以平衡复杂样本中各类攻击样本的数量，提高分类精度。仿真结果表明，与其他对比模型相比，所提分类架构具有较好的降维效果和较高的态势要素分类精度。