基于聚类算法的学生消费与成绩关联性分析

为了对学生一卡通数据、教务数据、图书馆数据进行相关性研究,挖掘这些数据的隐藏价值,文中提出基于聚类算法的学生消费数据与成绩数据的关联性分析。首先对原始数据进行预处理,使用Cubic插值法对缺失值进行插补处理,并采用主成分分析法将原始数据降至一维。然后通过改进的聚类算法K-Means++算法对降维后的数据进行了初步的聚类,并对不同k值取得的聚类结果进行性能比较,最后对8287个实验样本进行关联性计算。所得出实验的结果可以为学校提供决策帮助。

Internet网络流量的自相似性分析

网络流量的自相似参数估计方法有多种,但研究表明这些方法在准确性或计算上都有一定的局限性。该文在小波包分解的基础上,考虑信号能量在分解过程中的分布,得到基于小波包分解的Hurst参数估计方法。通过对两组合成数据的参数估计,表明该方法在继承了小波变换的计算优势的基础上,能得到更精确的估计结果。把该方法应用于计算实际互联网流量的自相似参数,并在此基础上着重分析了受到蠕虫攻击的Internet流量的自相似性的变化,得到了一些有用的结论。

参数化的网络状况监控

网络管理的前提是要对网络状况有清楚地认识 ,因此对网络状况的正确评价可以有效地提高网络管理水平 .在利用netflow进行数据采集的基础上 ,为网络的各类状态定义了参数系统 ,并依此为基准来衡量实时网络状况 。

垃圾邮件防治的进展跟踪

本文介绍了垃圾邮件的定义,反垃圾邮件的技术手段,现阶段防止垃圾邮件的一些方法,以及我校反垃圾邮件系统的使用情况,并对我校反垃圾邮件系统的规则作了说明,提出了我校下一阶段的防治设想。

建设智能云数据服务平台让高校大数据“说话”:提升学校核心竞争力

高校信息化建设发展到以数据服务为核心的阶段,怎样挖掘出隐藏在大数据中的重要信息并利用这些信息更好地为师生提供服务是各个高校必须面对的问题,本文对此进行了分析并提出了一些思考.针对这些思考,提出了智能云数据服务平台的解决方案,阐述了平台的建设目标、建设原则与建设内容,探讨了平台使用的整体架构和安全体系,描述了建设过程中可能会遇到的问题并提出解决方案.最后对平台建设的预期效果进行了评估.

基于扩散卡尔曼滤波算法的目标跟踪估计

针对节点网络上的目标跟踪,提出一种基于扩散Kalman滤波算法的分布式跟踪估计。假设该节点网络系统按照线性状态空间模型演进,网络中的每个节点获取与未观察到的状态线性相关的测量值;对于每个测量值和每个节点,采用来自邻近区域的数据计算出一个局部状态估计值;采用一个基于扩散矩阵和连接矩阵的扩散步骤,将前面计算得到的邻域估计值在整个网络上扩散,从而使得每个节点获得关于系统状态的最佳跟踪估计。仿真实验结果表明,该算法不仅在平均均方偏差性能方面可与集中式Kalman滤波跟踪算法相比拟,而且在平均能耗方面优于对比算法。

中英远程教育实验课程的个案与比较研究

有效开设实验课程是工科远程教育取得成功的关键环节,各国远程教育工作者为此进行了大量的探索和实践。华东理工大学网络教育学院和英国开放大学合作开展的工科实验课程建设与应用研究,采用个案研究和比较研究的方法,比较了两校在不同文化背景和不同的教学模式下实验课程的开发、应用、特点及优势,讨论了共同面临的问题和对策。研究表明,中英远程教育实验课程的开设虽因国情不同而呈显著差异,但是实验网络化、实验设计的工程性和实验开发的规范化是实验课程建设与应用的共同规律。英国开放大学和华东理工大学在这一领域的有益探索值得借鉴和推广。

基于Web的SIP实现技术

SIP是基于 IP的语音通讯体系结构的标准之一 ,本文通过对 SIP协议的研究 ,提出在Web的客户端浏览器上用 Java来实现

Internet流量的多重分形分析

通过两组含网络蠕虫的非正常流量，首先分析了多组构造的数据流的多重分形谱，讨论了与TCP拥塞控制机制的关系。之后讨论了非正常流量的扩展自相似性，展示了它与多重分形谱一致性的特点。

基于聚类分析的网络流量高斯混合模型

基于聚类算法对数据对象多个属性综合聚类的特点,研究网络流量的GMM模型及其在数据流尺度上的Log-normal分布。用EM算法研究了具有交互特征的网络流量的分类;通过与K-means算法比较,讨论了EM算法在流量聚类中的适用性;通过平衡和不平衡流量的聚类分析,研究了不同类型流量GMM建模的有效性。研究流量的幂律关系及其在不同尺度间的传递性,用户行为和应用程序特征通过传输层控制协议分解传递到IP层后,在数据包尺度上表现出分形和自相似性,在数据流尺度上表现出Log-normal分布。

重尾分布的网络流量SVM分类

网络流量表现出突发和自相似等动态特性,使得网络应用很难进行准确分类。本文分析了流量动态特性产生的不平衡性及其重尾分布,提出了基于重尾分布的流量分类定量分析模型。基于该分析模型,研究分类算法中训练集采集位置和规模大小的选取。考虑到混合流量中的次要数据流通常是小样本,选用支持向量机(SVM)算法进行流量分类。实验结果表明:重尾分布的流量分类训练集可以选择最佳采集位置和规模,以获得较好的分类模型,该定量分析模型对流量分类及提高分类精度有指导意义。

对数无限可分级串框架下的异常网络流量分析

湍流尺度分析中的对数无限可分级串方法具有描述数据流全范围下的多尺度行为的优点,可用于对网络流量的多尺度行为的分析。在对几组正常流量和含蠕虫的异常流量分析讨论的基础上,发现受数据流内含协议数据的成分变化的影响,正常流量的多尺度分段点具有不确定性;而受W32/Blaster蠕虫影响的数据流的尺度特性符合幂律关系,即尺度不变性;W32/Nachi蠕虫不影响TCP数据流的尺度特性。

基于对数无限可分级串框架Web网络流量分析

由于Web流量占据了网络流量的主要成分,它的尺度特性必然对整体流量特性产生一定的影响。而对数无限可分级串框架能描述数据流全范围下的多尺度行为,因此可在该框架下分析Web流量与TCP流量的多尺度行为。通过几个对比实验,发现Web流量并不一定就决定了TCP流量的尺度特性,异质的非Web流量的尺度分段交接点大于同质的Web流量的交接点。而且在相近的时间内,Web流量的尺度特性不受一些异常流量的影响,是相对稳定的。

信息系统安全保障评估的评估结构与方法

信息系统的安全保障评估已经成为信息安全领域的重要研究内容,基于《信息系统安全保障评估框架》(GB/T 20274,简称SCC)标准完成系统的安全保障评估,能实现评估工作的规范化,提升评估结论的权威性和有效性。在SCC评估框架中引入CAE证据推理模型,得到了SCC的安全保障评估的多级层次结构;提出了基于DS证据理论的信息系统安全保障评估方法,实现了安全保障评估的定量推理。基于该评估方法计算了部分算例,实现了安全保障评估工具,并将DS算法与AHP算法进行了评估推理结论的对比。

同质TCP流的多重分形特性分析

采用基于小波变换模极大值的多重分形分析方法,讨论了大、小时间尺度下的结构函数和多重分形谱的特点。依据实例研究了不同时间下的同质TCP流(W eb)分别在大、小时间尺度下的分形特点;通过对不同协议的同质TCP流的协议本质及拥塞机制的分析,推断其所表现的多重分形谱特点与百分比的相关性;对同一TCP流中不同协议组成的分析,得到TCP总量与分量的多重分形谱特点以及与同质程度的关系。

基于分形插值函数重构的网络流量多尺度结构研究

根据网络流量的非线性特征,及分块分形插值函数能模拟分形信号的优点,对震荡类型不同的两类流量重构,发现其对不同尺度流量拟合误差都很小,提出将该方法用于在很大尺度范围内的网络流量多尺度结构研究。进一步研究采用分块FIF重构的信号与原信号在多分形、能谱等分形特性和统计特征方面的保持能力;通过对信号FIF重构过程的分析,讨论了分块FIF构造过程与重构信号的多分形多尺度结构间的关系。提出分块FIF方法是基于流体技术研究网络流量多分形多尺度结构的有效工具。

基于卷积神经网络的链接表示及预测方法

针对节点全局表示和链接局部拓扑关系,提出链接序列化表示及卷积神经网络(CNN)提取序列特征的链接预测方法.研究节点间的局部拓扑及共邻关系,基于共邻紧密度构建链接局部拓扑的有序节点序列,并用node2vec节点向量表达生成潜在链接的矩阵表示;基于CNN建立链接预测的分类模型,采用CNN可变滤波器窗口卷积运算提取序列中共邻与节点对的多层隐含关系,分类训练实现链接的有效预测.在4种大规模网络数据集上的实验结果表明,相比已有方法,该方法的AUC值有显著提高,最高达12.4%,稳定性及普适性较强,解决了传统方法对大规模稀疏网络的预测准确率下降问题.

基于注意力机制的DGA域名检测算法

DGA域名(Domain Generation Algorithm)检测是恶意C&C通信检测的关键技术之一。已有的检测方法通常基于域名构成的随机性进行检测,存在误报率高等问题,对于低随机性 DGA 域名的检测准确率较低,主要是因为此类方法未能有效提取低随机性 DGA 域名中的部分高随机性,为此提出了域名的多字符随机性提取方法。采用门控循环单元(GRU)实现多字符组合编码及其随机性提取;引入注意力机制,加强域名中部分高随机性特征。构建了基于注意力机制的循环神经网络的DGA域名检测算法(ATT-GRU),提升了低随机性DGA域名识别的有效性。实验结果表明,ATT-GRU 算法在检测 DGA 域名上取得了比传统方法更高的检测精确率和更低的误报率。

基于CLSTM的步态分类方法

步态分类在人体运动能量消耗评估等应用中具有重要意义,提高分类精度和降低对统计特征的依赖是步态分类的研究热点。采用传统的步态分类方法提取的步态特征用于细分化步态时不能得到较好的效果。考虑到步态的连续性和不同轴之间信号的相关性,本文提出了基于CLSTM的步态分类方法:采用卷积神经网络(CNN)操作,通过计算多轴步态数据提取步态特征;基于长短期记忆(LSTM)构建步态时间序列模型,学习步态特征图时间维度上的长期依赖性。基于USC-HAD数据集的实验结果表明,用此方法提取了步态序列特征,很好地利用了步态时间序列特点,提升了11种步态的分类精度。

基于优势演员-评论家算法的强化自动摘要模型

针对长文本自动摘要任务中抽取式模型摘要较为冗余,而生成式摘要模型时常有关键信息丢失、摘要不准确和生成内容重复等问题,提出一种面向长文本的基于优势演员-评论家算法的强化自动摘要模型(A2C-RLAS)。首先,用基于卷积神经网络(CNN)和循环神经网络(RNN)的混合神经网络的抽取器(extractor)来提取原文关键句;然后,用基于拷贝机制和注意力机制的重写器(rewriter)来精炼关键句;最后,使用强化学习的优势演员-评论家(A2C)算法训练整个网络,把重写摘要和参考摘要的语义相似性(BERTScore值)作为奖励(reward)来指导抽取过程,从而提高抽取器提取句子的质量。在CNN/Daily Mail数据集上的实验结果表明,与基于强化学习的抽取式摘要(Refresh)模型、基于循环神经网络的抽取式摘要序列模型(SummaRuNNer)和分布语义奖励(DSR)模型等模型相比,A2C-RLAS的最终摘要内容更加准确、语言更加流畅,冗余的内容有效减少,且A2C-RLAS的ROUGE和BERTScore指标均有提升。相较于Refresh模型和SummaRuNNer模型,A2C-RLAS模型的ROUGE-L值分别提高了6.3%和10.2%;相较于DSR模型,A2C-RLAS模型的F1值提高了30.5%。