基于长短期记忆网络和滑动窗口的流数据异常检测方法

针对目前流数据存在数量巨大、生成迅速和概念漂移的特点,提出了一种基于长短期记忆(LSTM)网络和滑动窗口的流数据异常检测方法。首先采用LSTM网络进行数据预测,之后计算预测值与实际值的差值。对于每个数据,选择合适的滑动窗口,将滑动窗口区间内的所有差值进行分布建模,再根据每个差值在当前分布的概率密度来计算数据异常可能性。LSTM网络不仅可以进行数据预测,还可以边预测边学习,实时更新调整网络,保证模型的有效性;而利用滑动窗口可以使得异常分数的分配更为合理。最后使用在真实数据基础上制造的模拟数据进行了实验。实验结果验证了所提方法在低噪声环境下比直接利用差值进行检测和异常数据分布建模法(ADM)方法的平均曲线下面积(AUC)值分别提高了0.187和0.05。

云环境下基于编码树的新型保序加密算法

传统加密方式导致云服务器无法解析加密数据,限制了云平台服务能力。为此,提出一种基于编码树的保序加密算法,根据密文在编码树中的查找路径生成保序密文。针对保序加密过程中密文可变性,设计一种密文更新策略,在用户数据更新情况下快速进行密文更新,从而保证加密算法的高效性和可靠性。实验结果表明,该算法可减少客户端与服务器通信次数,提升保序密文生成效率。