基于Hadoop的监控数据存储与处理方案设计和实现

云计算环境下的监控系统会实时产生大量监控数据,如何在大数据的环境下实现对监控数据的高效存储和处理尤为重要。针对这一问题提出一种基于Hadoop的监控数据存储与处理的方案。该方案采用HBase数据库存储时序监控数据,并用提升字段法的宽表存储模型改进HBase数据库提升监控数据的存储效率;针对流量数据,采用MapReduce进行分布式计算处理提高处理效率。经过实验测试,验证了该方案的科学性和有效性,提高了海量监控数据下监控系统数据处理速度,解决了云计算环境下监控数据的计算瓶颈问题。

基于GR-CNN算法的网络入侵检测模型设计与实现

针对现有网络入侵检测系统对网络行为检测准确率较低、实时性较差、泛化性能较低的问题,利用深度学习具有良好分类性能及强泛化能力等优点,设计基于增益率算法和卷积神经网络算法的网络入侵检测模型。采用增益率筛选数据集数据特征,在保证入侵检测准确率的同时,缩短卷积神经网络训练时间。实验结果表明,该模型相比其他基于机器学习的入侵检测模型具有较高的准确率和较强的泛化能力,同时优化卷积神经网络训练方式,保证准确率的同时使神经网络训练时间减少了77%。

面向软件定义网络架构的入侵检测模型设计与实现

针对传统入侵检测方法无法检测软件定义网络(SDN)架构的特有攻击行为的问题,设计一种基于卷积神经网络(CNN)的入侵检测模型。首先,基于SDN流表项设计了特征提取方法,通过采集SDN特有攻击样本形成攻击流表数据集;然后,采用CNN进行训练和检测,并针对SDN攻击样本量较小而导致的识别率低的问题,设计了一种基于概率的加强训练方法。实验结果表明,所提的入侵检测模型可以有效检测面向SDN架构的特有攻击,具有较高的准确率,所提的基于概率的加强学习方法能有效提升小概率攻击的识别率。

拨叉式小件物品分拣机

通过调研、讨论、设计、制造及后期测试,完成了参赛作品--拨叉式小件物品分拣机。该作品主要用于物流、图书、小件商品等形状、大小各异的物品分拣,以代替其传统分拣过程中的繁重劳动。若运用在物流分拣领域,可实现分拣机构的小型化和低能耗化,且成本与传统大型物流分拣机相比大大降低,有利于促进整个物流系统的自动化。而在图书分拣领域可实现小空间内的精确快速图书分拣,从而减轻图书管理员的大量工作。另外,本系统具有分拣准确率高、自动化程度高、能耗低(低于相同劳动强度下人的功率)、成本低、小型化等特点,是根据小件物品分拣量身定制的一种高效小型自动化分拣机。