SDN架构下基于LSTM的低速端口扫描检测模块研究

攻击者通过低速端口扫描攻击能够获取相关的重要信息,从而对用户造成严重威胁,因此通过低速端口扫描检测来抵御相应的攻击是十分必要的。现有的低速端口扫描检测模型,只能基于增量过滤算法进行检测,需要训练大量的数据才能检测出此类攻击,存在耗费大量人力、运行时间长等问题。本文针对低速端口扫描的时间持续性和特征分散性的特点,提出了一种在软件定义网络(software define network,SDN)的架构下采用长短期记忆网络(long shortterm memory,LSTM)的低速端口扫描攻击检测模型。实验结果表明,该算法能够在SDN环境中检测网络行为,并且准确率达到了99.49%,因此能够有效检测出低速端口扫描攻击。

中性粒细胞淋巴细胞比值预测H7N9禽流感预后的临床应用

目的探讨中性粒细胞淋巴细胞比值对H7N9禽流感预后的预测价值。方法采用回顾性分析2013年4月至2016年1月苏州大学附属第一医院救治的H7N9禽流感患者28例(治疗组),以同期健康体检者30名为健康对照组。治疗组28例患者随访半年后根据临床预后分为好转组18例和死亡组10例。收集患者入院后当天(基线)、3 d后、1周后血常规中白细胞、中性粒细胞、淋巴细胞、单核细胞、血小板计数,生物化学中肌酸激酶、乳酸脱氢酶、超敏C反应蛋白等炎性反应指标,计算中性粒细胞与淋巴细胞比值(neutrophil-to-lymphocyte ratio,NLR)、血小板与淋巴细胞比值(platelet-to-lymphocyte ratio,PLR)、淋巴细胞与单核细胞比值(lymphocyte-to-monocyte ratio,LMR)、ΔNLR3(入院后3 d NLR-入院当天NLR)、ΔNLR7(入院后1周NLR-入院后3 d NLR),并以此类推计算ΔPLR3、ΔPLR7、ΔLMR3、ΔLMR7,比较好转组和死亡组上述指标的差异。正态分布的计量资料应用两独立样本t检验,非正态分布的计数资料采用Mann-Whitney U检验;二分类单因素和多因素logistic回归分析探讨影响疾病预后的因素,受试者工作特征曲线评估炎性反应指标对H7N9禽流感死亡事件的预测价值。结果治疗组基线白细胞、淋巴细胞、中性粒细胞、血小板计数,淋巴细胞、中性粒细胞、单核细胞比例,NLR、PLR、LMR与健康对照组比较,差异均有统计学意义(均P<0.01)。好转组治疗后3 d NLR、ΔNLR3分别为10.93(15.71)和0.87(-15.63),较死亡组的17.62(23.63)和7.42(22.68)明显降低,差异均有统计学意义(Z值分别为-2.16和-2.014,均P<0.05)。好转组治疗后7 d NLR、ΔNLR7分别为6.51(13.23)和-0.37(-12.38),较死亡组的27.90(25.64)和11.54(-26.22)明显降低,比较差异均有统计学意义(Z值分别为-2.444和-2.111,均P<0.05)。多因素logistic回归分析提示ΔNLR3是影响疾病预后的主要因素[比值比(OR)=1.153,95%CI:1.052~1.263,P=0.002];受试者工作特征曲线下面积为0.733(95% CI: 0.532~0.935,P=0.044);根据约登指数原则提示ΔNLR3预测死亡风险的临界值为5.453(灵敏度为0.700、特异度为0.722),ΔNLR3>5.453时H7N9流感患者病死率较高。结论动态监测NLR,特别是ΔNLR3可反映H7N9禽流感的病情和预后,是死亡事件的独立预测指标。