基于EKM-AE模型的无监督主机入侵检测方法

针对深度学习方法运用于入侵检测时需要大量标注数据集和难以实时检测的缺陷,利用网络流量中正常数据多于异常数据的一般规律,提出一种结合集成K-means聚类和自编码器的EKM-AE(ensemble K-means and autoencoder)入侵检测方法.首先通过集成K-means聚类从实时抓取的网络流量中得出正常样例,用于训练自编码器,然后由完成训练的自编码器执行入侵检测.在虚拟局域网主机环境下进行了入侵检测实验,结果表明,在绝大多数实际应用场景(正常流量多于异常流量)下该方法具有良好的检测性能,且具有全过程无监督、可实时在线检测的优点,对主机网络安全有良好的提升作用.

基于GBRT模型的交通事故预测

道路交通安全水平的重要标志就是道路交通事故发生量.为解决当前交通事故量预测精度不高、时间拐点数据预测效果差的问题,以及在交通管理系统中提供更加准确的预测数据帮助交通管理部门做出科学的决策,本文针对我国年周期交通事故建立了基于GBRT(Gradient Boosted Regression Tree)的交通事故模型.通过训练交通事故相关数据对未来交通事故死亡人数进行预测,并与多种回归模型、神经网络模型进行对比实验,结果显示GBRT模型具有拟合效果佳、训练时间短、高鲁棒性的优势,能够更准确、高效的对交通事故安全水平进行预测.

路口导盲及马路障碍物检测提醒系统的设计

为了帮助盲人自行通过路口并检测提醒盲人道路上的障碍物情况,设计制作了一个路口导盲及马路障碍物检测提醒系统,该系统通过超声波模块检测障碍物信息,通过方向传感器模块和无线通信模块获取盲人的朝向信息和盲人当前朝向路口的红绿灯信息,并利用震动模块和语音模块对盲人进行提醒。最后制作出系统实物并模拟验证了该系统是有效可行的。

融合主题相似度权重的主题社区发现模型

社交网络结构错综复杂,主题社区是进行个性化推荐和商业推广的重要途径之一。然而,现有主题社区挖掘方法,要么仅基于链接关系和文本信息挖掘主题社区,要么在已划分社区的基础上挖掘主题,忽略了主题与社区的相互作用,导致社区内部话题相似度不高。因此,提出新的社区主题计算方法,进而建立一种融合主题相似度权重的主题社区发现模型(TSWTCD)。利用文本信息提取主题,计算节点间主题相似度作为链接权重,将链接权重作为模块度参数划分社区。最后,根据提出新的社区主题计算方法得到社区主题。基于真实数据集的实验结果表明,TSWTCD模型提升了挖掘主题社区的质量。

基于Bert和卷积神经网络的人物关系抽取研究

通过构造人物关系数据集,将人物关系定义为14类,提出了基于Bert-BiGRU-CNN的人物关系抽取网络模型.该模型首先通过Bert预训练模型获取上下文语义信息的词向量,利用双向门限循环单元网络(BiGRU)进一步获取相关的文本特征,然后加入卷积神经网络(CNN)获取局部文本特征,最后通过全连接层加Softmax分类器进行关系分类.在构造的人物关系数据集中进行了实验,结果表明,本文模型相较于其他4种模型进一步提高了人物关系抽取的精确率和召回率.