基于改进演化博弈模型的网络防御决策方法

针对网络防御决策的误差干扰和实时响应问题,该文提出一种改进演化博弈模型(IEGM)和网络防御决策方法。首先,借鉴经典伺服系统模型,用微分假设量化表示防御方对攻击策略的短期预测效应,加快模型收敛速度,提升防御决策效率。其次,分析攻防博弈中的误差产生机理,量化定义网络防御中的观测误差,提出改进复制动力学方程,加强模型对信息偏差的容忍度。在此基础上,建立改进演化博弈模型,证明了模型能够收敛至纳什均衡解的微小ε-邻域,给出了相应的稳定性分析,并设计了一种网络防御决策方法。理论分析和仿真结果表明,所提模型能够克服观测误差影响,给出偏差数量级在0.01%的最优防御纯策略,且在强干扰环境下,防御决策的响应速度相较于其他3种经典决策模型最高可以提升64.06%。改进模型和防御决策方法能够有效提升防御决策的响应时效性和对观测误差的适应性。

基于互信息的通信网络节点重要性度量方法

信息化条件下的复杂网络对节点的蓄意攻击非常脆弱,因此准确发掘出网络中的核心节点并进行重点保护对提高网络抗毁性至关重要.在分析特殊条件下通信网络特征属性的基础上,借鉴通信系统中关于"信息量"的定义方法,提出了改进的适用于有向加权网络的节点重要性评估方法.在小规模混合加权网络中对该方法和已有方法进行了对比分析,验证了本文方法的有效性和优势性.构建了一种基于BBV(Barrat-Barthelemy-Vespignani)的混合加权网络演化模型,并对生成的大规模通信网络进行了节点重要性评估仿真,实验结果表明:与现有评估方法相比,本文方法能够更加简单、有效地评估网络节点的重要性.

离散Hopfield神经网络的稳定性研究

离散Hopfield神经网络的稳定性是网络应用的基础 .文中主要研究非对称离散Hopfield神经网络的异步、同步、部分同步演化方式的稳定性 ,并给出了一些新的稳定性条件 ,所获结果推广了一些已有的结论 .

图的最大权团的DNA计算

给定顶点赋权的无向图 ,图的最大权团问题是寻找每个顶点都相邻的顶点子集 (团 )具有最大权 .这个问题是寻找无权图的最大团问题的推广 .图的最大团和最大权团都是著名的NP 完全问题 ,没有非常有效的算法 .1994年Adleman博士首先提出用DNA计算解决NP 完全问题 ,使得NP 完全问题的求解可能得到解决 .本文给出了基于质粒技术的无向图的最大权团问题的DNA算法 ,依据HeadT等的实验手段 ,本文提出的算法是有效并且可行的 .

基于抗毁性测度的赋权网络抗毁性评估方法

为了研究赋权网络的抗毁性评估问题,首先给出了赋权网络的定义,提出了赋权网络的抗毁性测度———粘聚度、连通度、平均粘聚度、平均连通度;然后研究了一种基于平均粘聚度和平均连通度这两项抗毁性测度的赋权网络抗毁性评估方法,并通过实例对该方法进行验证,结果表明,该方法能有效评估赋权网络的抗毁性。

面向隔离区异构平台的动态防御主动迁移策略

针对隔离区网络防御在遭受持续攻击威胁时存在的问题,利用动态目标防御理论和技术,设计了面向隔离区异构平台的动态防御主动迁移策略。从分析隔离区平台动态防御原理入手,结合网络攻防特点,考虑平台暴露时间和随机迁移次序等因素,提出了面向隔离区的3类平台动态防御主动迁移策略,包括固定时间间隔-顺序平台选择策略、固定时间间隔-随机平台选择策略以及基于平台安全等级的可调时间间隔-随机平台选择策略,设计了策略评估指标和系统效能计算方法。仿真结果表明,主动迁移策略具有优异的安全防御性能,通过增加迁移次序的随机性和根据安全等级设置可调时间间隔,可以实现防御成本和收益的优化。

延迟离散Hopfield网络的稳定性条件

主要利用状态转移方程和定义能量函数的方法对具有时延的离散Hopfield神经网络的动力学行为进行了研究 ,并且获得了若干稳定性结果 .给出了延迟离散Hopfield神经网络收敛于周期为 4的极限环的一个充分条件 ,获得了延迟网络有稳定状态的条件 ,并且得到了延迟网络既没有稳定状态也没有周期为 2的极限环的条件 .同时 ,这些结果用两个例子进行了验证 .这些结果推广了一些已有的离散Hopfield神经网络的稳定性结果 .

不同演化模式的离散Hopfield网络的稳定性研究

神经网络的稳定性被认为是神经网络应用的基础。研究了非对称离散Hopfield神经网络的异步、同步、部分同步演化方式的稳定性 ,证明得到对于已知稳定的网络 ,如果经其连接权矩阵一定的增量 ,得到一个新的连接权矩阵 ,则在一定条件下可保证所得新的网络仍是稳定的。所获结果不仅推广了已有的结论 ,而且为离散Hopfield神经网络稳定性的稳健性能分析和应用提供了理论基础。

延迟离散Hopfield型网络的异步收敛性

延迟离散Hopfield型网络是离散Hopfield网络的一种推广 ,研究了非对称的延迟离散Hopfield型神经网络的异步收敛性 ,并给出了相应的收敛性定理 。

关于图的(g,f)-因子分解

设G是一个图，g和f是定义在图G的顶点集V（G）上的两个非负整数值函数且g＜f．图G的一个（g，f）-因子是G的一个支撑子图F，使对所有的x∈V（G）有g（x）≤dF（x）≤f（x）．若G本身是一个（g，f）-因子，则称G是一个（g，f）-图．若G的边能分解成一些边不交的（g，f）-因子，则称G是（g，f）-因子可分解的．本文给出图G是(g，f)-因子可分解的一个充分条件．

基于PBL教学法的线性代数教学实践研究

在我国目前线性代数教学中,传统讲授法仍为主要教学模式,这种模式有其明显的优势但也有不足之处。PBL教学是以构建主义和认知主义为理论基础,以“学生为中心”的教学理念,能够弥补传统教学模式的不足。本文以线性代数课堂为例,让学生设计加密矩阵,探索PBL教学法的实践应用。将PBL教学法与传统教学模式相结合,提高教师的跨学科科研能力,尊重学生的发言权和选择权,对提高线性代数教学质量具有积极意义。

离散时间细胞神经网络的收敛性条件

神经网络的收敛性是网络各种应用的基础。主要研究了离散细胞神经网络的收敛性 ,并给出了几个新的网络收敛性条件。如果细胞网络的模板不是互补的 ,则给出一个网络在细胞格子非相互作用演化方式下的收敛性结果 ,所获结果推广了已有的结论。如果模板是互补的 ,且是行占优的 ,则网络按细胞格子行方式进行演化是收敛的。如果模板是互补的 ,且是列占优的 ,则网络按细胞格子列方式进行演化是收敛的。

链路赋权的通信网络抗毁性评价方法

为了全面和客观地评估通信网络抗毁性,引入了赋权网络的定义,提出了链路赋权的通信网络抗毁性测度。对基于多抗毁性度量值的评价模型进行改进并给出其实现步骤。通过采取节点失效后改变边权的方法避免了节点失效造成网络不连通的情况,通过加入路径上边权倒数和的最小值的平均值这一新的指标,使原模型的应用范围扩展到链路赋权网络。最后通过算例验证了方法和模型的正确性和应用性。结果表明改进的模型能对不同赋权网络的抗毁性进行评价,也能对同一赋权网络中节点重要性进行比较。

延迟离散Hopfield网络的动态特征分析

神经网络的稳定性被认为是神经网络各种应用的基础 主要利用网络的状态转移方程和能量函数来研究带有延迟项的离散Hopfield神经网络动力学行为 给出了延迟离散Hopfield神经网络收敛于周期小于等于 2的极限环的一些充分条件 给出了延迟网络收敛于周期为 2和 4的特殊极限环的一些充分条件 同时 ,得到了网络不存在任何稳定点的一些必要条件 所获结果不仅推广了一些已有的结论 。

离散Hopfield网络的渐近行为

离散Hopfield神经网络是一类特殊的反馈网络,可广泛应用于联想记忆设计、组合优化计算等方面.反馈神经网络的稳定性不仅被认为是神经网络最基本的问题之一,同时也是神经网络各种应用的基础.为此,利用状态转移方程和定义能量函数的方法,研究离散Hopfield神经网络在部分并行演化模式下的渐近行为,并举例说明了一个已有结论是错误的,同时给出了一些新的网络收敛于稳定状态的充分条件.所获结果进一步推广了一些已有的结论.

二分图的与星正交的(g,f)-因子分解

设ｇ和ｆ是定义在二分图Ｇ的顶点集Ｖ（Ｇ）上的两个整数值函数且对每个ｘ∈Ｖ（Ｇ）有ｇ（ｘ）≤ｆ（ｘ）．证明了若Ｈ是二分图Ｇ的任一ｍ－星，则Ｇ有一个（ｇ，ｆ）－因子分解与Ｈ正交的充要条件是Ｇ为一个（ｍｇ，ｍｆ）－图．

延迟离散Hopfield神经网络的动态行为

主要研究带有延迟项的离散Hopfield神经网络动态演化行为.给出了延迟网络并行收敛于周期小于等于2的极限环的一些条件.同时,得到了延迟网络收敛于周期为2的极限环的条件.而且对所获结果通过例子进行了验证.这些结果为延迟离散Hopfield神经网络的进一步分析和应用提供了一定的理论基础.

链路赋权军事通信网的抗毁性评估

为了研究链路赋权军事通信网抗毁性评估问题,引入了链路赋权网络的定义;系统地分析了军事通信网链路抗毁性评估指标体系、指标的评估标准、指标的权重系数计算方法,并给出了链路权重的确定方法;然后,从链路赋权网络的抗毁性测度出发,提出基于平均粘聚度的网络抗毁性评估方法;最后,通过实例对评估过程进行了说明。通过研究以期为推进军事通信网的规划和建设提供具有现实意义和实用价值的理论依据。

离散Hopfield网络的稳定性

神经网络的稳定性是神经网络应用的基础。主要研究离散 Hopfield神经网络的稳定性 ,所获结果推广了已有的结论 。

与任意图正交的[0,ki]1^m—因子分解

设G是一个图 ,k1,… ,km 是正整数· 若图G的边能分解成m个边不交的 [0 ,k1]_因子F1,… ,[0 ,km]_因子Fm,则称 F =F1,… ,Fm 是G的一个 [0 ,ki]m1_因子分解· 如果H是G的一个有m条边的子图且对任意的 1≤i≤m有｜E(H) ∩E(Fi) ｜=1,则称 F与H正交· 证明了若G是一个 [0 ,k1+… +km-m+1]_图 ,H是G的一个有m条边的子图 ,则图G有一个 [0 。