双重路由深层胶囊网络的入侵检测系统

深度学习与入侵检测相结合已成为当今网络空间安全的热点话题,面临不稳定的网络安全局势,如何能够准确检测出异常流量是入侵检测的重要任务.入侵数据中的每一条样本包含着多个特征,但并不是每一个特征都会决定样本的最终性质,并且某些特征反而会影响模型的判断能力.为了解决这个问题,提出了一种基于残差的双重路由深层胶囊网络的入侵检测模型.该模型使用深层胶囊网络,增强对特征的识别提取,可提取出更高维度的数据特征;使用混合注意力机制对原始数据进行处理,使模型着重关注影响因素大的特征;通过双重路由算法多方位捕捉基于向量表示的特征,并将特征进行聚类;采取残差连接和设置噪音胶囊2个策略来稳定动态路由的过程,以减轻噪音特征的干扰.最后在NSL-KDD数据集和CICIDS2017数据集上进行实验,结果表明准确率最高可达90.31%和99.23%.

可变融合的随机注意力胶囊网络入侵检测模型

为了增强检测模型的准确率与泛化性,提出了一种可变融合的随机注意力胶囊网络的入侵检测模型,通过特征动态融合,模型能够更好地捕捉数据特征;同时使用随机注意力机制,减少了对训练数据的依赖,使模型更具有泛化能力。所提模型在NSL-KDD和UNSW-NB15数据集上进行验证,实验表明,模型在2种测试集上的准确率分别达到了99.49%和98.60%。

脑电波传感器研究及应用

为了实现通过"意念"来进行音乐的播放、暂停、换歌、音量调节、疲劳提醒,智能关闭等功能,在收集脑电波信号时采用蓝牙脑电波传感器Think Gear AM(TGAM),并且使用TGAM模块配套的软件开发工具包,设计并了操作思路,建立TGAM模块与手机的信息交互,对脑电波信号进行识别和分析处理,改进算法,提高数据的准确度,将分析获得的数据与平均值对比,进而对音乐播放器进行控制,实现了较好的提示、调控效果、创新型播放效果。