利用并行神经网络进行航天软件质量评价

针对航天软件质量评价准确率不高、受主观因素影响较大、可扩展性较弱等问题,本文结合神经网络和DS证据理论,提出了一种利用并行神经网络进行质量评价的方法。将选取的软件质量评价指标数据分别输入到多个相互独立的并行的神经网络中以获得多个初步评价结果,利用DS证据理论对各初步评价结果进行融合获得最终评价结果。以某航天相机系统为实验对象,测试本文方法的有效性,实验结果表明:评价准确率可以达到95.23%,训练时间为576.00 ms,评价处理时间为77.50 ms。本文方法评价准确率较高、训练时间和评价时间较短,满足对航天软件进行质量评价的要求。

一种适用于无线传感器网络的轻量级组播源认证方法

基于MAC(Message Authentication Codes,消息认证码)和无线传感器网络的组密钥管理特点,提出一种轻量级的组播源认证方法LAMA(Lightweight Approach to Multicast Authentication).通过与其他方法进行性能分析和数据对比表明,LAMA的计算开销和通信开销等参数都处于合理的范围内,是一种适用于无线传感器网络环境的安全、有效方法.

基于网络行为特征与Dezert-Smarandache理论的P2P僵尸网络检测（英文）

为提升对新型P2P僵尸的检测精度,提出了一种基于网络行为特征和Dezert-Smarandache理论的P2P僵尸检测方法.该方法主要关注P2P僵尸的本质异常特征,即网络行为特征,该特征不受拓扑结构、协议和攻击类型的影响.首先,利用局部奇异性和信息熵对网络行为特征进行多方面的描述;然后,利用卡尔曼滤波器对网络行为特性进行异常检测;最后,用Dezert-Smarandache理论对上述检测结果进行融合以得到最终检测结果.实验结果表明:所提方法可有效检测新型P2P僵尸;相比其他方法,其漏报率和误报率较低,分别为0.09和0.12.

基于排列熵与决策级多传感器数据融合的P2P僵尸网络检测方法

提出了一种基于排列熵和决策级多传感器数据融合的P2P僵尸网络检测算法。首先分别构建流量异常检测传感器和异常原因区分传感器:前者利用排列熵刻画网络流量的复杂度特征(该特征并不依赖于特定类型的P2P僵尸网络),通过利用Kalman滤波器检测该特征是否存在异常;后者利用TCP流量特征在一定程度上减弱P2P应用等网络应用程序对P2P僵尸网络检测的误差影响。最后利用D-S证据理论对上述传感器的检测结果进行决策级数据融合以获得最终的检测结果。实验表明,提出的方法可有效检测新型P2P僵尸网络。

基于流角色检测P2P botnet

提出了一种基于流角色的实时检测P2P botnet的模型,该模型从流本身的特性出发,使其在检测P2Pbotnet时处于不同的角色,以发现P2P botnet的本质异常和攻击异常,同时考虑到了网络应用程序对检测的影响。为进一步提高检测精度,提出了一种基于滑动窗口的实时估算Hurst指数的方法,并采用Kaufman算法来动态调整阈值。实验表明,该模型能有效检测新型P2P botnet。

似然关系模型在航天软件缺陷预测中的应用

将似然关系模型在描述和推理多属性类之间关系及其不确定性知识方面的优势用于预测软件缺陷,提出了航天软件缺陷预测模型PRM_METHOD。首先,提出了基于软件测试的软件缺陷分类方法,以软件缺陷类关系为例分析了似然关系模型用于航天软件缺陷预测的理论依据;然后,在对人员能力、缺陷数量特征等数据进行定义和泛化等预处理的基础上,描述了提出的预测模型PRM_METHOD,详细阐述其结构、学习过程以及预测过程,并针对数据集的分类操作提出了基于弥合数据缝隙的k-均值聚类方法。最后,以某航天项目软件为例验证了模型PRM_METHOD的实现过程,并以实际测试工作中产生的历史数据作为训练集和验证集进行实验验证。验证结果显示,验证集的记录与预测结果的平均绝对偏差均值为0.086 8,即模型的预测精度为0.913 2,表明该模型对关联关系较为复杂的航天软件缺陷有较好的预测精度。

基于分形与自适应数据融合的P2P botnet检测方法

提出了一种基于分形与自适应数据融合的P2P僵尸网络检测方法。构建单分形特性、多分形特性检测传感器,利用大时间尺度下的自相似性和小时间尺度下的局部奇异性刻画网络流量特征,利用Kalman滤波器检测上述特性是否异常。为获得更精确的检测结果,提出了一种自适应数据融合方法,根据证据冲突程度自适应得选择DST(Dempster-Shafer Theory)、DSmT(Dezert-Smarandache Theory)对上述检测结果进行融合。而且,考虑到了P2P应用对检测的影响。实验结果表明该方法检测准确度较高。

基于流量相关性和数据融合的P2P botnet检测

提出了一种基于网络流量相关性和数据融合理论的实时检测P2Pbotnet方法,该方法主要关注P2P botnet的命令与控制机制(C&C)机制产生的本质流量——UDP流,它不会受P2Pbotnet的网络结构、协议和攻击类型的影响.首先分别用自相似性和信息熵来刻画UDP流的相关性特征,利用非参数CUSUM(cumulative sum)算法检测上述特征的变化以得到检测结果,然后利用Dempster-Shafer证据理论融合上述特征的检测结果.同时,采用TCP流量特征在一定程度上消除P2P应用程序对P2Pbotnet检测的影响.实验表明所提出的方法可有效检测新型P2Pbotnet.

利用多维观测序列的KCFM混合模型检测新型P2P botnet

提出了一种新颖的综合考虑多维观测序列的实时检测模型——KCFM。通过抽取新型分散式P2Pbotnet的多个特征构成多维观测序列,使用离散Kalman滤波算法发现流量异常变化,将Multi-chart CUSUM作为差异放大器提高检测精度。实验表明,基于多维观测序列的KCFM模型能够有效地检测新型P2Pbotnet。