目标轨迹更新的点到点鲁棒迭代学习控制

为了获得更快的算法收敛速度,提出易于操作的插值法来更新目标轨迹.该方法易于选择参数,有更好的泛化性能并为控制算法的设计提供灵活性.采用有更广泛收敛域、能够更好地抵消噪声影响的P型闭环迭代学习控制.对于有初始状态扰动的情况,新算法结合了P型闭环迭代学习控制与插值法轨迹更新,收敛性和鲁棒性得到理论证明.数值仿真验证了新算法比固定目标轨迹算法和P型开环迭代学习控制更有优势.

ATWebshell:基于对抗学习和长短语义感知的Webshell检测方法

【目的】Webshell是一类基于网页脚本的Web攻击程序。黑客攻击者可以通过Webshell获取服务器相关权限来窃取有价值的信息和篡改网页内容等。Webshell种类繁多,现有的检测技术手段无法应对复杂灵活的Webshell,导致Webshell检测效果差,泛化能力弱等问题。【方法】针对目前存在问题,本文提出了ATWebshell,一种融合对抗学习和长短语义感知的Webshell检测模型。该模型一方面在词向量层主动引入对抗扰动来模拟攻击者对Webshell检测的对抗攻击,另一方面通过TextCNN和GRU双塔模型联合学习句内和句间的恶意行为。【结果】实验结果表明,本文的模型ATWebshell在提升召回率的同时也提升了精确率。【结论】通过结果证明本文ATWebshell模型的合理性和有效性,本文的研究方法为其它研究提供了思路。