工控网络异常检测中基于灵敏度的动态迁移算法

随着工控网络信息化程度的不断提高,工控网络逐渐变得更加开放,一方面给工业生产提供了便捷,但另一方面也带来了安全隐患。工控网络作为重要的基础设施,一旦受到攻击将产生严重损害。近年来不少学者使用网络异常检测技术来发现工控网络中潜在的安全隐患,取得不错的成果。然而工控网络中的数据往往缺少标注,这限制了传统监督学习类算法在工控网络安全领域的应用。基于非监督学习的算法可以在缺少标注的场景下实现异常检测,但是往往存在算法性能较差的问题,而迁移学习类算法可以通过在源域上学习后迁移到只有少量标注的目标域实现在少标注情况下的较高性能。为了进一步提高在缺少标注的工控网络中进行异常检测的性能,本文提出一种工控网络异常检测中基于灵敏度的动态迁移算法。首先该算法基于迁移学习的思想,在有标注的源域中进行训练后迁移到缺乏标注的目标域,可以在缺少标注的工控网络环境下进行异常检测。其次得益于门控循环单元的记忆效应,该算法可以有效利用工控网络数据内在的时序关联性,进一步提高算法异常检测的能力。同时该算法中的基于参数灵敏度因子对参数进行动态迁移的方法,改进了传统迁移学习微调方法对源域和目标域数据底层特征学习不均衡的不足。在KDD99数据集和Kyoto2016数据集上的对比实验表明,该算法采用的基于灵敏度的动态迁移学习方法对比传统微调方法具有更好的效果。在与最新一系列无监督与迁移学习算法的对比中,该算法在精确率、召回率和综合性的F1分数上均优于对比方法,取得了0.97、0.95、0.96的优秀性能。

基于KG-DBN-SVM的工控网络安全态势感知算法

工业控制网络是重要的基础设施,保障其安全稳定运行非常重要。对工控网络进行安全态势感知研究,可以帮助安全人员从更加全面的层面发现潜在威胁,保障工控网络安全。工控网络数据来源很多、结构各异,存在多源异构的特点,从这一点出发对数据进行分析,可以更好地感知工控网络安全态势。本文使用知识图谱对多源异构数据进行结构化,然后利用深度置信网络对不同工控实体数据进行特征提取与降维,最后利用支持向量机进行分类判断确定,并进行数据调优,得到最佳的工控网络安全态势感知模型。在公共的工控安全数据集上进行对比实验,实验结果表明,本文算法在准确率、召回率与F1指标上分别达到了0.938、0.891和0.914的结果,优于对比较的一系列工控网络安全算法。

用于个性化数据挖掘的粗粒度分布式深度学习

针对深度学习用于处理带有个性化特征的广域分布式数据时,处理精度、通信代价和响应速度等性能难以进一步提升的问题,本论文提议了一种适用于广域网络的粗粒度分布式深度学习方法及系统。分布式深度学习方法一般分为数据分布式和模型分布式,还可以在网络范畴上分为局域分布式和广域分布式。其中,数据分布式比模型分布式更易实现,但模型分布式在参数规模的扩展性上更具优势;相比于局域分布式,广域分布式在通信代价上更具挑战性,但它可以距离用户更近,从而在响应速度上更具优势。在论文中,分布式深度学习方法被进一步分为细粒度分布式和粗粒度分布式。相比于细粒度分布式,粗粒度分布式的相对通信时间更短,从而更适合于广域网络。论文所提议的系统可以作为粗粒度分布式深度学习方法的一个范例,适用于在广域网络上处理具有个性化特征的分布式数据。评价结果表明,粗粒度分布式系统不仅自然保证了更好的通信代价和响应速度,而且提升了个性化数据的处理精度。

移动边缘智慧使能组网的挑战与机遇

从当今互联网架构所面临的层间失配问题出发,简明地论述了移动边缘智慧使能组网的挑战与机遇,涉及移动边缘组网及其实时数据采样、用于多层次特征提取的可迁移表征学习、对未来互联网的灵活编程与性能评价等内容,实现互联网基础设施与新型应用模式之间的互相感知与层间迁移,智能连接互联网架构中的不同层次,改善层间特征协配性,提升未来互联网性能。该研究有望在包括物联网数据开放服务、智慧家庭、智能交通、态势感知、多媒体服务、触觉互联网在内的很多领域具有广阔的应用前景。

用于投影显示的离轴照明系统设计

提出了一种新型离轴照明系统,它由一个半球—椭球型反射镜、一个双曲面反射镜和一个倾斜的匀光杆组成。半球—椭球型反光镜收集灯弧发出光能,双曲面反光镜将光束再次聚焦到匀光杆的前端面。用LightTools软件建模的结果显示,当光调制器尺寸为1.4或1.3m时,在满足高均匀性的前提下,光收集率能够提高20%。

基于深度学习的智能推荐系统综述

随着互联网技术的发展,人们对于网络资源的依赖和需求也在增长,如何为用户推荐其感兴趣的项目成为重要的研究课题,因此推荐系统被提出并应用。本文首先介绍了传统推荐算法和结合深度学习技术的智能推荐算法,阐述了推荐系统中的关键问题,并介绍了结合深度学习技术解决相应问题的方法,最后分析了基于深度学习的智能推荐系统未来的研究方向。

中文语义特征属性扩展的视频推荐系统设计

推荐系统在视频服务中广泛应用,设计了一种基于中文语义特征属性扩展的视频推荐系统,使用中文jieba分词系统对视频的剧情介绍进行语义分析提取关键词并排序,以此扩展视频特征向量的维度,通过相似度计算进行评分预测,比仅用元数据特征效果更好。在此基础上,结合视频服务测量系统的分析结果,在推荐系统中加入网站的页面加载速度以及带宽大小两个因素,可以为用户推荐服务质量更好的视频网站。

用于个性化推荐的条件卷积隐因子模型

在推荐系统中,传统的矩阵分解无法提取用户和物品特征,而神经协同过滤(NCF)在分解模型中增加多层感知器,但不能有效利用用户和物品ID之外的辅助信息.为此,提出一种新的条件卷积方法.通过将物品特征作为输入,将用户特征作为卷积核,达到权值不共享的目的,使得条件卷积具有更强的特征提取和组合能力以及不增加参数量的特性.在此基础上,条件卷积能够融入多种辅助信息进行个性化推荐.实验结果表明,与NCF模型相比,该方法在隐性反馈数据中推荐命中率提升3.11%,在显性反馈数据中评分预测误差降低2.47%.

一种基于测量的启发式网络拓扑匹配优化算法

在复杂多变的网络环境下,覆盖网络与物理网络之间普遍存在着拓扑不匹配问题.拓扑不匹配问题会给网络造成不必要的压力,影响系统的效率和可扩展性等.缓解拓扑不匹配问题有助于提高网络寻址效率、减少冗余流量、降低端到端时延.随着计算机和通信技术的不断发展,互联网的规模不断增大,网络节点的地理位置分布范围扩大、移动性增强,极大地增加了网络的动态性,尤其是节点的频繁加入、退出和失效,严重地加剧了大规模网络中覆盖网络与物理网络的不匹配问题.为了缓解该问题,该文提出了一种基于测量的启发式拓扑匹配优化算法(Measurement-based Heuristic Topology Matching Optimization Algorithm,MHTMOA),该算法包括了节点加入、退出和失效算法,用于维护一个或者多个树形覆盖网络.该算法的主要优点在于:(1)通过网络测量技术获取底层物理网络中节点间的跳数信息,简单地利用跳数三角形的边长关系,就可有效地将相近节点逐渐地汇聚;(2)允许对跳数进行粗粒度的比较,并通过三角不等式违反(Triangle Inequality Violation,TIV)感知以及启发式规则选择邻居节点,每个节点最终可获得一个准确度较高的邻居节点集合;(3)在节点频繁加入、退出和失效的场景下,节点之间也能保持高一致性的近邻关系.除了传统的时延伸缩比(Latency Stretch,LS)外,该文还定义了全局拓扑匹配比(Global Topological Matching Ratio,GTMR)和局部邻居节点准确率(Local Neighborhood Accuracy,LNA)这两个量化指标,以便更精确地衡量拓扑一致性.评价结果表明,相较于现有算法,提议算法的GTMR和LNA提升显著,LS降幅可达53%,从而更好地缓解了拓扑不匹配问题.

基于递归神经网络的网络安全事件预测

针对现有安全事件预测算法所存在的过分依赖数据包头信息、所需历史数据较多、预测值误差较大、易陷入局部最优、训练时间较长等缺点,本文提出了一种基于递归神经网络进行分析数据包及其有效负载而在攻击发生前对安全事件进行预测的算法。该算法首先从数据包中提取源IP地址、协议类型和有效负载作为递归神经网络模型的输入,之后采用训练集对模型进行训练,同时引入批量梯度下降更新模型参数,最后采用测试集评估模型预测的准确率。通过递归神经网络分析有效负载可以更准确判断攻击性,大幅度提升网络安全事件的预测精度。

基于t-SNE降维预处理的网络流量异常检测

网络流量中大多数流量都是正常的,但经常会出现偏离正常范围的异常流量,主要由DDOS攻击、渗透攻击等恶意的网络行为引起,这些异常行为通常会导致网络质量下降,甚至网络直接瘫痪。因此引入网络安全态势的预测,在仅知道正常网络流量的情况下判断网络中的异常。异常检测是一种网络安全态势的预测方法,用来判断网络中是否有异常。现有的异常检测算法由于无法准确提取网络数据包的低维特征导致算法的性能不佳,因此,需要找到网络数据包的准确的低维特征表示,该低维特征表示能够区分网络数据包是正常的还是有攻击的。为此,本文引入基于t-SNE降维的NLOF异常检测算法。该算法采用t-SNE算法自动预处理网络数据包以获得低维的网络数据包特征,之后将得到的低维的网络数据包特征作为NLOF算法的输入进行异常检测。其中,本文的NLOF算法首先采用k-means算法将网络数据包聚类成为K个簇,并将网络数据包数量小于N个的簇标记为异常簇,之后将未被标记为异常簇的网络数据包作为LOF算法的输入进行异常检测。在ISCX2012数据集上的实验结果表明,基于t-SNE降维的LOF算法达到最优性能时,准确率为98.46%,精确度为98.38%,检测率为98.54%,FAR为0.66%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.18个百分点、0.02个百分点和0.01个百分点。基于t-SNE降维的NLOF算法达到最优性能时,准确率为98.53%,精确度为98.86%,检测率为98.86%,FAR为0.32%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.25个百分点、0.34个百分点和0.41个百分点。这是异常检测中首次采用t-SNE算法自动提取低维的网络数据包特征。此外,LOF算法仅能捕获异常点,而本文的NLOF算法能够同时捕获异常点和异常簇。

ICN名字解析技术研究综述

名字解析是ICN的基础性功能也是最重要的核心功能之一。本文对ICN名字解析的相关研究工作进行了充分调研,从内容命名、名字与地址分离架构、解析系统的分类、名字解析系统可扩展性和低时延性能优化对现有的研究成果进行了深入分析,并且指出了已有研究工作中关键技术的优缺点,为ICN名字解析技术的研究提供参考。

基于网络表示学习的非单一维度的社区发现算法

针对现有的社区发现算法难以解决网络的多维性问题的现象,提出一种基于网络表示学习的非单一维度的社区发现算法。该算法从节点属性特征和网络结构特征两个维度考虑节点的差异性,首先根据节点属性相似度计算得到节点转移概率,结合小世界模型的六度分离理论设置网络节点随机游走路径的长度。依据转移概率选择节点的邻居节点,得到节点的游走路径,然后用神经网络模型训练节点的游走路径得到节点的网络特征向量,将节点网络特征向量的相似度重置为节点连接边的权重,在Louvain算法的基础上完成社区划分。最后,在Facebook和Giraffe两个数据集上进行了实验,选用基于初始网络结构的Louvain算法和基于单一维度的社区发现算法作为对比算法。实验结果表明,在Giraffe数据集中,相比于Louvain算法,基于节点属性的社区发现算法的模块度指标提升了2.7%,基于网络结构的社区发现算法的模块度指标提升了3.0%,提出的非单一维度的社区发现算法的模块度指标提升了3.7%。所提算法聚焦于网络的多维性,有效提升了社区发现算法的模块度。

用于IMT-2020与新兴网络的ICN概念验证简述

IMT-2020致力于提供支持大规模、高带宽、低时延、移动性、安全性的网络服务。信息中心网络因其简化的移动架构、内置安全性、多宿主支持、高效网内缓存等特性,与IMT-2020提出的网络需求高度契合,被视为是未来网络的理想架构之一,故而成为IMT-2020与新兴网络标准制定的重要内容。本文重点关注IMT-2020与ICN网络融合的标准化进程,简要地介绍了思科、华为、中国科学院声学研究所等IMT-2020网络标准化参与组织为ITU-T SG13提交的若干ICN相关的概念验证标准提案中的技术方案,以及所满足的IMT-2020与ICN网络融合的若干标准化差距(Gap),简要地分析了方案的特点并提出了工作展望。

基于改进贪婪算法的测量节点选择优化方法

未来应用场景对名字解析系统有着确定性时延保障的需求,如何有效选择测量节点,为确定时延名字解析提供支撑是本文着力解决的问题。本文将网络测量节点部署问题映射成为最小点覆盖问题,并基于传统的贪婪算法提出一种面向网络测量节点选取的改进贪婪算法,从优化贪婪算法迭代周期和针对实际场景特点改进排序算法2个方面进行优化。实验结果表明,基于改进贪婪算法的求解方式比传统贪婪算法的求解方式,平均耗时减少了90%以上。

基于LM算法的MLP模型及其应用

准确率是衡量MLP模型性能的典型且广泛采用的指标。为了提高MLP模型的准确率,本文分别设计9种激活函数组合、11种模型隐层宽度的MLP模型,通过对比分析MLP模型的验证集MSE确定最优的MLP模型结构;分别采用LM、BFGS、Adam和SGD算法训练MLP模型,通过对比分析MLP模型的测试集MSE,确定最优训练算法。实验结果显示,基于LM算法训练的MLP模型测试集MSE达到2.756e-4,比BFGS算法降低了23.4%,比Adam算法降低了85.6%,比SGD算法降低了97.2%。超声治疗作为一种MLP模型典型应用,获取颅骨的准确声学参数是非侵入性经颅聚焦超声治疗成功的关键,为此提出了一种使用MLP模型基于CT图像准确预测颅骨声参数的方法。

一种不完全可测环境下的覆盖网络构造方法

覆盖网络技术是下一代互联网、云计算数据中心网、软件定义网络(Software-Defined Network,SDN)等研究领域的热门技术。基于网络测量的覆盖网络可基于实时网络状态数据构建,较好地适应网络的动态性。但该类方法也面临着网络状态信息不完全可测(Incompletely Measurable)的问题,即节点加入所需的全局信息难以测量或在有限的时间内难以获取足够的节点信息,导致部分节点间的网络状态信息缺失,无法顺利完成节点加入过程。为解决该问题,本文提出一种用于不完全可测网络环境的覆盖网络拓扑构造方法(Topology Construction method for Incompletely Measurable network,TCIM),基于时延构建树形拓扑结构。TCIM包含一种高精度节点加入方法和一种低复杂度节点加入方法,其中高精度节点加入算法利用时延三角形的三边关系,为节点选择合适的父节点,用于小规模或静态/低动态性条件下的节点加入;低复杂度节点加入方法在已加入的节点中,自适应选择常数个节点进行测量,选择时延最小的节点作为父节点,可用于大规模、高动态以及网络不完全可测条件下节点的加入。仿真结果表明,TCIM生成的树结构在不同的网络拓扑模型下时延伸缩比(Latency Stretch)均小于对比方法,在Waxman模型和BA模型下取得更小的拓扑维护代价,可通过合理设置TCIM中高精度节点加入和低复杂度节点加入数目构建树形覆盖网络,满足不同的拓扑维护代价和拓扑结构匹配准确度需求。

基于门控循环神经网络的网络时延预测模型

在信息中心网络ICN与5G融合的新型网络架构下,现场增强名字解析系统通过确定性时延名字解析服务来应对工业物联网IIoT等新应用对确定时延的挑战,其节点结构划分和维护需要测量节点间的时延。精确的网络时延预测可以减少测量代价,比简单移动平均方案更好地应对网络时延的变化。本文设计并实现了一种基于门控循环神经网络的网络时延预测模型,并基于亚马逊公司异地机房之间的真实时延数据进行了验证。实验结果表明,所提模型的预测精度比传统模型平均提高了20%以上,能够在业务场景中得到应用。

一致性场景下的边缘网络低时延存储算法

目前主流的边缘存储策略通过协同或非协同的方式来提高存储资源的请求命中率,从而降低请求延迟以满足时间敏感型业务的需求,然而这些策略并未考虑存储节点的副本数量过多所带来的一致性开销问题。提出一种基于虚拟传播树(VST)的边缘存储算法,针对边缘存储中的一致性开销问题,设计VST生成算法和节点淘汰算法,从而在副本数量高、一致性需求大的场景下实现可控低延迟服务。实验结果表明,该算法可以在一致性场景下提供低延迟服务,在非一致性场景下同样具有稳定的性能表现,请求时延和存储开销低于CV和NCV算法。

单时序特征图卷积网络融合预测方法

近年来,图神经网络逐渐成为深度学习领域广泛讨论的话题和研究的重点,但大多数研究都是基于图节点,在存在多维属性的前提下进行分类和回归预测,对单时序特征的图节点预测并不能产生理想的效果。本文提出一种时序图卷积网络算法,可以在复杂图网络中,只根据节点单一特征的时序序列,实现对该特征的预测。算法通过在传统图卷积网络中对邻接矩阵参数化,解决单一特征条件下的参数退化问题,并结合长短时记忆网络的序列学习方法,将时序信息融入到训练过程中,提高训练精度。在交通流量数据集PeMS和Los上的实验表明,其预测精度要优于GCN、T-GCN、GRU、LSTM等主流算法。