基于自适应免疫算法的欺骗信号检测方法

针对常见的转发式欺骗干扰, 提出了一种基于自适应免疫算法的欺骗信号检测方法。在载波相位双差检测的基础上, 构造正常信号和欺骗信号两种检测模式; 然后利用免疫算法获取待检测数据与监测器的亲和度指数, 筛选出符合阈值要求的监测器, 从而解算出待检测数据隶属于各检测模式的概率。为进一步解决在实际检测过程中出现的虚警问题, 引入自适应算法对交叉概率和变异概率进行非线性自适应调节, 提高了检测结果的准确性。实验结果表明, 所提方法对于欺骗信号检测准确率能够达到98.8%, 有效地实现了欺骗干扰信号检测。     

基于贝塔分布的最优置信区间研究

基于贝塔分布的概率特征性质,该文研究了一类特殊的贝塔分布的最优区间估计; 进而,将得到的区间估计与等尾置信区间进行了比较.结果表明:使用最短置信区间作为未知参数的区间估计,估计的精度得到显著提高.最后,利用数值模拟的方法给出了贝塔分布的最短区间估计用表.     

基于并行特征提取和改进BiGRU的网络安全态势评估

针对目前网络安全态势评估方法在特征提取、高效性等方面存在的不足，该文提出了一种基于并行特征提取和改进双向门控循环单元(BiGRU)的网络安全态势评估方法，设计了一个由并行特征提取网络(PFEN)和基于注意力机制改进的BiGRU组成的深度学习模型(PFEN-ABiGRU)。PFEN模块由并行的稀疏编码器组成，用于差异化地提取不同网络威胁的关键信息并将提取的特征与原始信息融合；ABiGRU模块通过注意力机制对关键特征进行加权以提高模型的准确性。将训练好的PFEN-ABiGRU模型用于网络威胁检测，根据威胁检测结果，结合提出的网络安全态势量化指标，计算网络安全态势值。实验结果表明，PFEN-ABiGRU在精确率和召回率上均优于对比的其他模型。