基于旗标相似性的物联网设备识别

精准识别物联网设备是风险评估、威胁感知、漏洞防护等安全活动的基础,对提高物联网的安全级别有着重要的意义。现有的物联网设备识别方法主要通过人工构建设备指纹,并与设备协议数据包的内容匹配,从而识别设备属性,但该方法存在效率低、人工成本高的问题。针对这个问题,提出一种基于旗标相似性的物联网设备识别方法,该方法首先选取响应报文首部字段的特征,构建设备特征集合空间,设计相似性度量规则,将目标设备与设备特征进行匹配,从而识别物联网设备产商和类型。与随机森林算法相比,该方法对物联网设备的品牌和类型的识别准确率提高了2.88%。

大学生的择业心理倾向性误区及其应对策略

高校毕业生的就业问题现已成为家庭、学校和社会关注的焦点。通过分析当前大学生的一些常见的择业心理倾向性误区,从大学生自身和外在的辅助这两个方面提出了合理的调适和优化的办法。

人际沟通在急危重症患者院前急救护理中的应用效果

目的探讨人际沟通在急危重症患者院前急救护理中的应用效果。方法选取2015年3月-2016年5月经郑州市某医院院前急救的急危重症患者86例为研究对象,随机分为对照组与观察组,每组43例。对照组患者实施常规院前急救护理,观察组患者在此基础上加强对护理人员人际沟通的培训,强化医患沟通的内容与方式。对比2组患者的护理满意度、投诉率、急救总时间、接诊到确诊时间、确诊到专科治疗时间。结果观察组患者护理满意度高于对照组,投诉率低于对照组,差异有统计学意义(P<0.05)。观察组患者急救总时间、接诊到确诊时间和确诊到专科治疗时间等均短于对照组,差异有统计学意义(P<0.05)。结论加强人际沟通对院前急救工作具有极其重要的应用价值,有助于提高患者的护理满意度,同时也降低了患者的投诉率。

中医辅助治疗与护理对宫颈癌术后尿潴留及患者满意度评价分析

目的探究对于宫颈癌术后尿潴留的患者采用中医手法辅助治疗和护理对患者临床疗效的相关影响。方法 2016年05月～2017年12月时间段内总计选择48例宫颈癌术后尿潴留患者为研究对象,根据患者就诊的时间顺序将其随机分为对照组和观察组,前者给予导尿术和常规护理,后者辅助以中医的治疗和护理,比较组间患者的临床疗效差异和满意度评价。结果整体临床疗效比较分析结果显示观察组患者中基本治愈24例,有效22例,无效2例,整体有效率为95.8%,对照组内基本治愈13例,有效28例,无效7例,整体有效率为85.4%(P=0.035);满意度评价对照组和观察组平均分数分别为87.8±2.4 vs96.5±1.8(P=0.009)。结论采用中医手法治疗和护理能够显著改善宫颈癌术后尿潴留患者的临床疗效,提高患者的诊疗满意度,值得借鉴和推广。

基于FCM聚类算法的马田系统研究

马田系统是一种多元系统定量模式识别方法,是数据分类的有效方法,在很多领域都得到广泛应用。构建正常样本数据的基准空间、筛选出有效的项目、确定阈值等是经典马田系统的重要步骤。文章改进马田系统中筛选有效项目的方法,经典马田系统将正交表和信噪比结合起来筛选有效项目;基于FCM聚类算法的马田系统尝试用FCM聚类算法选择有效项目,正交表的每一行作为一个实验方案,对于每种方案,都利用FCM进行聚类,得到样品分类的正确率。把正确率的信噪比作为筛选有效项目的指标,信噪比越大则选择的有效项目越可信。得到有效的检测项目之后,可以优化马田系统的基准空间,提高样品分类的正确率。

基于BFO聚类算法的T-S模糊模型辨识

针对非线性系统的辨识问题,本文提出一种基于BFO聚类算法的T-S模糊模型辨识方法。首先通过BFO聚类算法自动地从已知的输入输出数据中确定模糊模型的结构和前件参数,然后用BFO算法估计模糊模型的后件参数。仿真结果表明,该方法辨识精度高,得到的模糊模型简单、模糊规则少,很好地解决了现有算法复杂、输入空间难以划分或者带来的高维问题等,因而具有很好的实用性和有效性。

基于SFLA聚类算法的T-S模糊模型辨识

针对非线性系统的辨识问题,本文提出一种基于SFLA聚类算法的T-S模糊模型辨识方法。首先通过SFLA聚类算法自动地从已知的输入输出数据中确定模糊模型的结构和前件参数,然后用SFLA算法估计模糊模型的后件参数。仿真结果表明,该方法辨识精度高,得到的模糊模型简单、模糊规则少,具有很好的实用性和有效性。

基于多重检验特征选择的物联网设备识别

准确识别连接到组织网络的物联网设备是保护组织网络安全的有效方法。目前基于简单特征的识别任务效果难以保证,且较少有针对设备识别任务中特征选择问题的系统性研究。针对物联网设备识别任务中的特征选择问题,提出了一种物联网设备特征选择方法。该方法利用Kruskal-Wallis检验先选出总体分布存在差异的特征,然后使用组间差异检验方法量化特征出现频率和组间差异,最后利用特征重要性从多维特征中筛选出存在组间偏差的最优特征子集。在公开数据集上进行实验,比较该最优特征子集在常见机器学习方法与特征选择方法中的实验结果,验证了物联网设备特征选择方法的可行性与有效性。

基于堆叠卷积注意力的网络流量异常检测模型

入侵检测系统(IDS)在发现网络异常和攻击方面发挥着重要作用,但传统IDS误报率较高,不能准确分析和识别异常流量。目前,深度学习技术被广泛应用于网络流量异常检测,但仅仅采用简单的深度神经网络(DNN)模型难以有效提取流量数据中的重要特征。针对上述问题,提出一种基于堆叠卷积注意力的DNN网络流量异常检测模型。通过堆叠多个以残差模块连接的注意力模块增加网络模型深度,同时在注意力模块中引入卷积神经网络、池化层、批归一化层和激活函数层,防止模型过拟合并提升模型性能,最后在DNN模型中得到输出向量。基于NSL-KDD数据集对模型性能进行评估,将数据集预处理生成二进制特征,采用多分类、二分类方式验证网络流量异常检测效果。实验结果表明,该模型性能优于KNN、SVM等机器学习模型和ANN、AlertNet等深度学习模型,其在多分类任务中识别准确率为0.807 6,较对比模型提高0.034 0~0.097 5,在二分类任务中准确率和F1分数为0.860 0和0.863 8,较对比模型提高0.013 0~0.098 8和0.030 6~0.112 8。

初中生社会支持与即时通讯使用的关系探讨

网络的普及深刻地影响了初中生的学习和生活。即时通讯工具的使用成为一种全新的沟通方式,他们正以这种方式形成网上的社会支持。本文基于初中生的网络使用,初步探讨了初中生社会支持与网络中即时通讯使用的关系。

融合发文时序特征的用户属性预测方法

现有的用户属性预测方法通常基于用户发文的语义特征,忽略了能够体现发文之间依赖关系的时序特征。针对此问题,提出一种融合发文时序特征的用户属性预测方法。该方法基于用户发文流,利用Word2Vec生成具有语义特征的发文向量,然后通过双向长短期记忆(Bidirectional Long Short Memory, Bi-LSTM)神经网络提取时序特征,最后输入全连接层和Softmax实现属性预测。实验结果表明,与未使用时序特征的属性预测方法相比,该方法具有较好的精确率和召回率。