基于混合采样和自编码器的信用卡欺诈检测应用

针对信用卡欺诈检测数据集存在不平衡、特征空间维度较高等问题,提出一种基于混合采样和自编码器结合的信用卡欺诈检测方法.用混合采样对数据集平衡化处理;应用自编码器对训练数据集进行降维,使用随机森林作为分类器检测欺诈行为,在ULB信用卡数据集上进行验证并与其他方法对比.结果表明本方法在信用卡欺诈检测方面表现良好.     

数字货币交易所洗钱行为检测

数字货币交易中的洗钱行为区别于传统金融犯罪形态，传统反洗钱技术手段难以直接适用. 针对数字货币交易所面对的洗钱行为检测需求和检测难点，通过定义交易行为，构建了一个层次化加权的交易行为特征描述体系，提出了一个结合孤立点检测和小类簇检测的数字货币交易行为异常检测方法，实现从交易行为到交易用户的洗钱可疑程度的量化度量. 在真实数字货币交易所数据集上进行评估实验，结果显示，异常交易行为、可疑洗钱用户、显著性异常交易行为和隐蔽性异常交易行为的检测准确率分别为96.02%、95.05%、95.83%和95.81%，均优于基准算法. 同时，本文算法的特征体系能对检测结果做出有效解释，帮助数字货币交易所安全员快速开展后续调查和取证工作.     

基于贝叶斯模型组合的随机森林预测方法

为了能够精准可靠地估计太阳能辐照度,本文提出一种基于贝叶斯模型组合的随机森林算法用于太阳能辐照度预测.首先,引入K-means聚类和K折交叉验证将气象数据训练集生成多个训练子集,以增加训练子集的多样性并保证均匀采样.其次,将随机森林作为基学习器建立集成学习预测模型,导入训练子集并训练各个随机森林.之后,依据各个随机森林在验证集上的预测性能,采用贝叶斯模型组合算法制定组合策略.个体随机森林在测试集上的预测值经过模型组合策略得到最终输出.最后,基于气象实测数据建立仿真实验,并引入其他四种预测方法进行对比仿真研究,通过实验结果验证了文中所提出预测方法在太阳能辐照度预测问题中的准确性和可靠性.     

基于随机森林的认知网络主用户信号调制类型识别算法

针对低信噪比情况下主用户信号调制类型识别率低的问题,提出了一种使用信号循环谱中特征参数作为样本参数的基于随机森林的认知网络信号类型识别算法,通过使用训练完成的随机森林对主用户信号类型识别,有效抑制了采用ANN和SVM进行识别所造成的误差影响,提高了低信噪比下信号识别的精确度,实现了不同调制类型信号的有效检测与识别.实验结果表明:所提出的算法有较高的主用户信号调制类型识别精度,进而验证了算法的有效性.     

基于支持向量机的信用卡信誉检测

介绍了数据挖掘中的支持向量机方法,建立了基于支持向量机的信用卡信誉检测模型,并用该模型进行了信用卡信誉检测实验. 结果表明,基于支持向量机的信誉检测方法可帮助银行检测信用卡信誉和控制风险.     

基于随机森林的车载CAN总线异常检测方法

针对目前车载网络的信息安全问题, 在控制器局域网(CAN)总线异常检测方法的基础上, 提出一种基于随机森林模型的CAN总线报文异常检测方法. 首先用采集的大量正常和异常报文数据构造随机森林模型, 并进行一系列的参数调整; 然后将待检测的CAN总线报文输入到对应ID的随机森林模型中; 最后通过模型完成报文正常或异常的分类. 仿真实验结果表明, 该模型能有效检测出总线上的异常数据, 提升了汽车运行的安全性.     

基于随机森林的大迎角非线性非定常气动建模方法

提出了一种新的大迎角非线性非定常气动力和气动力矩建模方法.传统的依据物理机理分析、实验观测等来建立飞机气动系数与飞行状态之间的建模方法在大迎角非线性非定常气动力和气动力矩建模中存在着局限性,导致模型精度不高,针对这个问题,提出了随机森林建模方法.根据风洞中飞机大迎角俯仰机动的特点,结合随机森林模型的原理,确定了与大迎角随机森林模型相关的输入特征,通过误差分析实验确定了随机森林模型中决策树个数和内部节点随机选择属性个数等关键参数的取值,利用F-18缩比模型在低速风洞中实验数据进行实验,结果表明,与经典的多项式模型相比所建立的随机森林模型得到的预测结果与真实数据之间的误差更小.      

基于遗传算法的随机森林算法优化研究

本文提出了一种新的基于遗传算法的随机森林的子森林选择方法,选择高质量的决策树加入初始种群生成子森林,以减小随机森林的规模并提高分类精度.在UCI数据集上进行的实验验证了该方法的有效性.     

基于深度森林算法的分布式WSN入侵检测模型

针对现有的特征选择算法和分类算法在无线传感器网络(WSN)入侵检测系统中检测性能表现不佳、检测实时性差、模型复杂度高等问题,提出一种基于随机森林和深度森林算法的分布式WSN入侵检测模型.该模型首先对传感器节点流量数据进行预处理;然后将轻量级随机森林分类器部署到传感器节点和簇头节点,传感器节点和簇头节点合作对流量数据进行处理,并在基站上采用深度森林算法从大量流量数据中发现攻击行为;最后对WSN中的入侵行为进行实时分类入侵检测.使用无线传感器数据集WSN-DS和NSL-KDD数据集来评估所提出的模型性能.实验结果表明,该模型与现有的入侵检测模型相比,具有良好的检测性能,实时性较高,可避免模型过度拟合.     

基于组合分类器的信用卡信誉检测

给出了支持向量机的信用卡信誉检测模型和基于决策树的信用卡信誉检测模型的建立方法,并在这两种单一分类器的基础上,归纳总结支持向量机方法和决策树方法对信用卡信誉检测的偏好特性,提出了一种基于偏好特性进行组合的组合分类器模型建立方法.     

基于启发式有向圈查询的可疑交易识别研究

可疑交易监测分析是反洗钱研究的一个重要分支.图中存在一种非常重要的结构—有向圈.金融交易数据可以用有向图表示,称为金融交易图,金融交易图中的有向圈是一种可疑交易结构.提出了一种启发式有向圈查询算法,其基本思想是首先求得图中的强连通分量,然后针对每个强连通分量,进行启发式的深度优先搜索,与一般的深度优先搜索不同,该算法利用两个启发式信息来控制深度优先搜索的方向以及要访问的节点.还对节点数至少为3的强连通分量中一定存在有向圈做出了证明.并且对该算法的时间复杂度作了相关分析.该算法降低了论域的规模,从另一个侧面提高了算法性能.实验证明了算法的有效性,及使用启发式信息的必要性.该算法可检测出金融交易图中的有向圈这一可疑交易结构,为反洗钱研究提供技术支持.     

基于故障森林的组合测试故障定位研究

组合测试作为一种对参数组合空间抽样的系统方法,适用于待测系统中存在由特定参数组合所引发的软件失效.依据组合测试结果,定位出最小失效诱因模式(minimal failure-causing schema,MFS)有助于程序员进行故障源检测与修复.然而,组合测试可能存在mask effect,使得测试用例中即使包含MFS也未必一定触发软件失效.因此,在存在mask effect的系统中精确定位最小失效诱因模式尤为困难.为此提出了一种基于故障森林的组合测试故障定位方法.给定一个t-路组合测试集(t≥2)及其附加测试集,该方法首先学习由多个深度为t的基本故障分类树所组成的故障森林,然后从故障森林中提取基本故障组合模式,最后将可疑MFS进行排序,并提交给程序员进行进一步诊断.仿真实验结果表明,该方法能有效定位系统中存在的组合故障模式.特别地,对于存在mask effect的待测系统,故障定位结果健壮.     

信用卡预授权交易下的持卡人抗辩切断解析

信用卡预授权交易制度是一种新型的信用卡交易制度,其特殊的交易安排使得持卡人处于不利的地位。本文通过一起典型的信用卡预授权交易案件,在分析持卡人、发卡行和特约商户的法律关系之后,提出我国应该对持卡人抗辩切断进行一定限制的建议。     

基于分阶段离群点检测的电力市场异常辨识

为了监管电力市场中存在的各类违规行为,保证市场的公平竞争,提出了一种基于分阶段离群点检测算法的电力市场异常行为辨识方法.梳理不同交易阶段异常行为的特征,提取相应的特征指标,采用主成分分析法对其进行降维,分阶段地进行异常行为的检测.同时利用平均距离改进局部离群因子算法,显著地提升了算法的检测效果.通过某地区电力市场提供的交易数据进行实验分析,实验结果表明,该方法能有效识别市场中的异常行为,为市场监管人员利用海量数据进行有效监管提供了新思路.     

基于最长频繁序列挖掘的恶意代码检测

基于动态API序列挖掘的恶意代码检测方法未考虑不同类别恶意代码之间的行为差别,导致代表恶意行为的恶意序列挖掘效果不佳,其恶意代码检测效率较低.本文引入面向目标的关联挖掘技术,提出一种最长频繁序列挖掘算法,挖掘最长频繁序列作为特征用于恶意代码检测.首先,该方法提取样本文件的动态API序列并进行预处理;然后,使用最长频繁序列挖掘算法挖掘多个类别的最长频繁序列集合;最后,使用挖掘的最长频繁序列集合构造词袋模型,根据该词袋模型将样本文件的动态API序列转化为向量,使用随机森林算法构造分类器检测恶意代码.本文采用阿里云提供的数据集进行实验,恶意代码检测的准确率和AUC(Area Under Curve)值分别达到了95.6%和0.99,结果表明,本文所提出的方法能有效地检测恶意代码.     

基于特征选择的信用卡欺诈行为检测

针对某电商旅行社平台信用卡相关历史交易数据,基于数据挖掘技术,采用多特征字段融合,在信用卡交易记录中挖掘其隐藏的、潜在的异常交易模式,从而给相关管理部门提供必要的风控预警,提取有关142个特征字段构成数据集,其中正负样本共计10110条,对原始特征映射后进行二进制非对称编码,特征维数达到801个,采用特征权重计算来抽取主要特征,对数据存在的大量冗余无关特征进行降维压缩处理,特征维数降至25个,减少了数据在预处理和模型训练过程中的内存压力,使用K-means和SVM对其进行分类学习,在真实数据集上对比实验分类结果,表明整个处理过程所采用的方法是有效的。     

基于随机森林特征选择的视频烟雾检测

利用随机森林算法,提出了一种基于随机森林特征选择的视频烟雾检测方法.首先,提取四种表征烟雾的特征:RGB颜色特征,小波变换高频子图,多尺度局部最大饱和度,多尺度暗通道;其次,根据烟雾图像信息模型利用无烟图片合成烟雾图片并分块得到随机森林训练样本;第三,训练随机森林进行特征选择并通过训练支持向量机得到识别烟雾块和非烟雾块的分类器,并由此得到视频图像帧的疑似烟雾区域;最后通过视频烟雾区域的凸形度和增长率分析,得到烟雾检测的结果。实验结果表明,该方法能够及时的预警烟雾同时降低火灾预警的误报率.     

基于特征多样化的恶意域名检测

恶意域名是威胁当前网络安全的重要因素之一,对恶意域名进行快速检测是维护网络环境安全的一个重要手段.针对现有检测方法存在开销大、检查时间较长、检测类型单一的问题,提出了一种基于特征多样化的检测方法,首先从域名词汇、域名访问量的角度提取多元特征,随后使用基于随机森林的分类检测模型来区分域名.实验结果表明:该方法在达到95％...     

基于结构森林边缘检测和Hough变换的海天线检测

海天线是海面环境图像所具有的重要特征之一,海天线的检测对划分海空、海界区域以及目标检测有重要作用.提出了一种结合结构森林快速边缘检测和概率Hough变换的海天线检测方法.首先通过高斯低通滤波来减小海面浪纹、光照反射等局部纹理影响,然后使用已完成训练的结构化随机森林为每个像素贴上边缘标签——二值化,最后通过Hough变换原理拟合海天线.实验结果表明,该方法可以较好地忽略局部干扰边缘,强化边界提取,对复杂海天背景下的海天线检测具备鲁棒性和高准确性.     

基于t-SNE的随机森林可视化

随机森林是一种优秀的组合分类器,但缺少较好的解释性。为了使随机森林模型更具理解性和解释性,本文提出一种基于t-SNE的可视化随机森林相似性矩阵的方法:首先运用随机森林学习出样本间的相似性度量矩阵,然后采用t-SNE方法降维,最后可视化。实验证明,该方法比MDS更有效。