基于联邦迁移学习的应用系统日志异常检测研究

迄今为止，基于日志的异常检测研究已经取得了很多进展，然而，在现实条件下仍旧存在两个挑战：（1） 是日志数据通常以“数据孤岛”形式储存在不同的服务器上，单一公司或组织的日志数据中异常样本量不足，且异常模式较为固定，很难通过这些数据训练出一个准确率高的检测模型. 为了解决这个问题，将不同来源的日志数据整合成更大的数据集可以提高模型训练的效果但可能会在数据传输过程中产生日志数据泄露问题；（2） 是不同应用系统类型的日志数据通常在结构和语法上存在差异，简单地整合并用于训练模型效果不佳. 基于以上原因，本文提出一种基于联邦迁移学习的日志异常检测模型训练框架LogFTL，该框架利用基于匹配平均的联邦学习算法，在保证客户端数据隐私安全的前提下于服务器聚合客户端的模型参数形成全局模型，再将全局模型分发给客户端并基于客户端的本地数据进行迁移学习，优化客户端本地模型针对自身常见异常行为的检测能力. 经过实验表明，本文提出的LogFTL框架在联邦学习场景下效果超过了传统的日志异常检测方法，同时也证明了该框架中迁移学习的效果.     

基于Lyapunov优化的联邦学习客户端选择方法

联邦学习是一种可用于解决数据孤岛问题的分布式机器学习框架。在联邦学习过程中，客户端选择方案会对收敛速度和全局模型的精度产生重要影响。然而，现有的多数方案通常忽略客户端之间的资源异构和随时间不断变化的信道条件，使联邦学习算法最终性能较低。针对该问题，提出了一种基于Lyapunov优化的联邦学习客户端选择算法(Federated learning client selection based on Lyapunov optimization, FedLcs)。算法设计了一种基于客户端信道条件、资源状态和对全局模型的贡献度的选择权重方法，并将客户端选择过程建模为一个Lyapunov优化问题，在不延长运行时间的同时，优化联邦学习全局模型精度。仿真实验表明，与其他2种客户端选择算法相比，所提算法能够适应不断变化的网络环境，显著提高模型准确率，加快收敛速度并使收敛过程更稳定。     

一种改进的可解释SAR图像识别网络

SAR-BagNet模型是一种应用于合成孔径雷达(SAR)图像识别的可解释深度学习模型。为了使SAR-BagNet模型在具有可解释性的同时具有较高的识别精度，以SAR-BagNet模型为基础，在模型框架中加入了空间注意力和坐标注意力机制，并在MSTAR实测数据集上进行了实验。实验结果表明，空间注意力和坐标注意力机制增强了SAR-BagNet模型的全局信息获取能力，能够在不降低其可解释性的基础上，有效提高模型的识别精度和决策合理性。     

基于对比学习的半监督肝脏血管分割方法

针对肝脏血管分割方法通常依赖高质量有标签数据训练模型及现存对比学习方法过度关注局部信息而忽略全局信息的问题,提出一种基于全局和局部对比学习的半监督肝脏血管分割方法．本方法首先以Mean Teacher模型作为框架,对编码器输出高维特征进行全局对比,捕捉特征全局一致性,获取更丰富全局上下文信息;然后对解码器输出进行局部对比,获取语义分割中的局部像素级特征;最后引入分布差异最小化方法,通过使用判别器进行对抗训练,减少有标签和无标签数据之间的分布差异,提升模型的泛化性能．实验结果表明：本方法在肝脏血管分割任务上取得了显著的效果,在3Dircadb数据集上的Dice系数、Jaccard系数、平均表面距离(ASD)和95%豪斯多夫距离(95HD)分别为74.36%,59.73%,2.65 mm和13.57 mm,优于其他半监督方法．     

基于对比学习的暴力检测算法研究

针对现有暴力检测模型实际部署中存在数据标注成本高,提出基于对比学习的半监督模型训练框架,利用对比学习训练模型的表征能力,对比样本采用基于速度和基于全局和局部对比生成方式,对比框架在大量正负样本对比基础上增加正例样本间对比数量,同时利用伪标注对模型进行微调。实验结果显示,对比学习能够帮助模型在RWF2000和RVLS 5%训练数据下提升了3.9%,2.55%准确率,微调阶段能在RWF2000 25%训练数据下帮助模型进一步提升约3%准确率。     

基于模型共享的分布式无监督异常检测

提出一种具有通用性的分布式异常检测框架.首先,利用本地的无监督异常检测算法,建立多个本地检测模型;然后,将各个本地无监督检测模型转换成统一的共享模型;最后,采用集成学习的方法,综合考虑各模型差异性和准确性,实现全局异常检测.实验结果表明,基于模型共享的分布式异常检测不仅能有效地保护数据隐私,减少通信开销,同时能获得和集中式检测相当甚至在某些情况下更好的效果.     

面向企业的全局产品结构模型

产品信息模型的建立是企业应用产品数据管理(PDM)系统的关键.提出一种PDM系统中全局产品信息模型构建方法--面向企业的全局产品结构模型(EOGPSM).根据产品开发的特点和要求,提出从资源模型、功能模型、原理模型、结构模型、制造模型等5个方面对EOGPSM的信息需求框架进行描述.在此基础上,给出EOGPSM相应的信息集成框架,并对其信息集成原理与相关算法进行了研究.结果表明,该模型的构建方法可用于企业PDM系统.     

无约束优化问题的锥模型回溯过滤信赖域算法

基于锥模型信赖域框架,结合多维滤子集技巧,提出一个求解无约束优化问题的回溯过滤信赖域算法,锥模型比二次模型更一般,其信赖域模型是它的一个特例.而且对比于一般的二次模型,更多地利用了每一个迭代点的信息.本文在通常的假设条件下,分析了算法的全局收敛性.     

一种细粒度数据权限控制框架

SaaS作为一种热点服务模式，其服务框架的权限控制方面存在数据粒度粗及配置灵活度不足等问题。为此，在RBAC模型的理论基础之上，结合SaaS的特点提出了一种细粒度数据权限控制模型（fine-grained data permission control,FDPC）。该模型首先将数据对象与企业组织结构映射成不同粒度的数据权限；其次依据企业授权业务需求，采用将功能权限集合和数据权限集合中的对象两两组合的方式，形成组合权限对象，并将其分配给不同角色，从而达到灵活授权和细粒度数据控制的目的；最后选用Spring Security和MyBatis框架，依据AOP切片原理，采用结构化查询语句拼接方式，对FDPC模型进行实现，构建权限控制框架。通过在实际业务系统中应用，结果表明该框架合理可行，有效地提高了权限控制的灵活性。     

岩石弹塑性损伤耦合本构模型

在不可逆热力学框架内，推导了岩石材料弹塑性损伤耦合的本构模型，该模型的参数均可由通常应力－应变关系曲线确定     

基于企业整体模型的企业营销数据管理建模

分析了企业整体模型的概念,采用以数据为中心、产品为导向的模型构建方法,建立企业数据资源和数据资源处理方法的全局规范,解决"信息孤岛"、数据冗余和数据处理方法优化的问题,通过对营销业务和营销数据的分析,基于企业整体模型,采用语义数据模型化技术,构建了营销数据模型,同时,按照企业整体模型的要求,采用静态数据处理等全局方法构建了营销数据处理方法模型。     

基于实例迁移的磨煤机过程监测建模

当工业生产过程数据匮乏时，很难利用基于数据统计的方法建立其过程监测模型，这给过程监测的准确性和及时性带来很大影响，迁移学习为解决上述问题提供了有效的途径.针对目标域磨煤机过程数据较少的情况，在源域磨煤机数据的基础上，建立基于实例迁移高斯混合模型(Gaussian mixture model，GMM)的目标域磨煤机过程监测模型.利用实例迁移对源域生产过程和目标域过程数据进行权重分配，通过改进的高斯混合模型算法得到最佳高斯组分数目和对应的模型参数，应用过程监测的全局概率指标实现磨煤机过程的跨域监测.磨煤机过程的研究结果验证了所提出方法的可行性和有效性.     

基于全局和局部信息融合的显著性检测

为提高低对比度、复杂自然图像显著性检测的准确率和泛化性能,提出一种贝叶斯框架下的全局和局部信息融合的显著性检测模型.首先,构建深度卷积自编码网络,采用对称编解码结构,监督学习图像全局特征,得到全局显著图;然后,根据全局显著图产生前景和背景码本,利用局部约束线性编码算法进行编码,采用稀疏编码描述局部特征,产生局部显著图;最后,提出采用贝叶斯框架,将全局和局部信息融合,生成最终显著图.实验结果表明,所提模型在ECSSD,DUT-OMRON和PASCAL数据集上F-measure值分别为76.53%、59.45%和72.52%,MAE值分别为0.143 28、0.137 87和0.181 05,且能够有效对低对比度、复杂真实自然图像进行显著性检测.     

基于反应数据的贝叶斯概率方法在恢复力模型选择中的应用

考虑模型选择过程中的不确定性,建立基于反应数据的模型选择的贝叶斯概率方法计算框架,用于选择一系列结构模型中的最有可能模型。该方法通过基于贝叶斯理论的模型参数识别方法得到模型参数的最有可能值及Hessian矩阵,对于全局可识别情况再结合渐近估计解法得到各模型的证据,进而通过贝叶斯定理得到选择各模型的概率,可以自动对过于复杂的模型进行限制。最后,将基于贝叶斯理论的模型选择方法用于采用实测滞回曲线数据的密肋复合墙试件的恢复力模型选择中,基于反应数据对选择2种恢复力模型的概率进行计算。研究结果表明:贝叶斯理论在系统识别中的应用不仅可以识别得到模型参数的最有可能值,还可以识别得到最有可能的模型,并且考虑了模型及模型参数的不确定性。     

Fea2Lab:基于多标记学习的特征到标签生成模型

传统多标记学习方法通常只考虑和示例相关联的单个特征向量以及无差别地预测全体标签,从而忽视了与示例相似的其他示例及隐含的标签属性,造成输入空间特征信息较少、标签属性被忽略和对大标记空间预测效果差等问题.为解决以上问题,文章转化传统多标记学习任务为多标记学习的序列到序列任务,并由此提出新的多标记学习标签生成神经网络模型(Fea2Lab模型):通过交错的顺序排列示例和相似示例形成链式特征向量序列,来增加输入空间特征信息;通过挖掘标签属性来有差别地预测标签;通过在解码流程中使用全局标签信息,来缓解预测过程中出现的错误标签级联问题.在多个数据集上的实验结果和消融实验表明转化任务和Fea2Lab模型的合理性、可行性及有效性.     

基于小波和非线性含输入自回归模型的系统辨识算法

提出了一种结合小波理论和非线性含输入自回归(NARX)模型的系统辨识新算法．该算法利用小波函数有效的逼近能力避免了应用NARX模型系统辨识时确定模型结构的复杂过程，消除了通常小波网络辨识算法由于输入变量之间可能存在巨大差别而引入的严重失真，构成了一个通用、有效、不依赖于系统先验信息的非线性辨识框架．两则数据仿真表明，对于高度非线性系统，该算法可使系统估计的均方误差减少60％以上．     

基于大数据的SPOC学习评价系统的开发分析

基于大数据的小规模限制性在线课程（Small Private Online Course,SPOC）学习评价系统是基于大数据的思维,使用Python+Django框架进行的开发,主要实现线上、线下学习数据的采集,通过数据抽取、数据清洗、数据转换、特征提取、数据加载等一系列的数据预处理手段对数据进行处理,使用Django的“模型-模板-视图”（Model Templates View,MTV）模型进行数据库存取与交互,对学生学习数据进行分析与建模,从而形成包括学习态度、学习方法、学习能力等多维度的学习评价。文章是对学习评价系统的开发分析,包括开发环境和开发技术的分析,从而阐明学习评价系统的开发思路及系统设计成果。     

一种基于概念模型的数据集成框架研究

提出了一种基于概念模型的数据集成方法,对总体的数据集成系统框架进行了构建,对概念模型的描述方法、模型间关系、以及系统中不同层次间的映射进行了介绍。最后对基于概念模型的集成策略进行了设计。通过这一系统可以支持对全局概念和各个数据源的建模,并通过有效的推理机制完成对多数据源的集成。     

基于神经耦合模型的异构词法数据转化和融合

为了扩大人工标注数据的规模, 从而提高模型性能, 尝试充分利用已有的异构人工标注数据训练模型参数。将Li等2015年提出的耦合序列标注方法扩展到基于BiLSTM的深度学习框架, 直接在两个异构训练数据上训练参数, 测试阶段则同时预测两个标签序列。在词性标注、分词词性联合标注两个任务上进行大量实验, 结果表明, 与多任务学习方法和传统耦合模型相比, 神经耦合模型在利用词法异构数据方面更优越,在异构数据转化和融合两个场景上都取得更高的性能。     

遗传算法在非经性地下水经济管理模型中的应用

通常采用基于梯度的数学规划方法求解地下水管理模型,如线性规划和非线性规划。但对于高度非线性、非凸的优化问题,尤其是涉及到经济或环境的地下水管理模型,传统方法难以有效地寻找全局最优解。本文介绍了一种求解非线性地下水资源管理模型的遗传算法,并以山东羊庄盆地分布参数地下水系统非线性管理模型为例,给出了用遗传算法在求解这类问题的一般步骤。结果表明该方法能快速有效地找到全局最优解。