基于HPC的虚拟化平台异常检测技术研究与实现

文章针对虚拟化平台异常行为检测问题提出一种基于硬件性能计数器(Hardware Performance Counter,HPC)和集成学习的动态检测方法。该方法基于KVM虚拟化平台,采集平台运行样本时的HPC值,按照随机森林(Random Forest,RF)学习时产生的特征重要性分数进行特征筛选,提高RF分类模型的准确率,实现异常检测。文章在平台上采集了1040个良性程序样本和1040个恶意程序样本,在特征筛选阶段选取8个判断恶意样本的重要HPC事件。实验结果表明,特征筛选后的RF分类模型在测试集上可以达到95.38%的准确率,相较于特征筛选前的同类模型和其他传统机器学习模型具有更高的准确性和稳定性。

基于组合赋权的TOPSIS模型与机器学习算法对山东某地区水质等级评估分析

为高效评估水质等级,缓解水体污染,以山东省某地区在2020年6-9月的水质监测数据为依据,建立基于组合赋权的TOPSIS模型,该模型旨在传统TOPSIS模型的基础上引入主客观赋权理念,为更真实准确地评估水质等级提供了科学依据。水质等级评估结果为:Ⅰ类水5个,Ⅱ类水46个,Ⅲ类水264个,Ⅳ类水399个,Ⅴ类水196个,总体分布较为均匀,符合正常情况。同时利用支持向量机模型,对水质等级评估结果进行交叉验证。结果表明,验证准确率为94.6%,进一步佐证该方法具有较高的适用性。

两种ET_(0)计算方法在南京地区的适用性比较

为了探究两种不同参考作物需水量(ET_(0))计算方法在南京地区的适用性,本研究收集了南京地区2010-2019年的气象数据,涵盖了最高气温、最低气温、平均气温、相对湿度、日照时数、平均气压和平均风速7个指标,以Penman-Montieth公式的ET_(0)计算结果为标准值,选取Hargreaves-Samani和Irmak-Allen公式两种常见的计算方法,比较ET_(0)计算值的逐日变化规律,并且对两种不同方法进行误差分析和相关性分析。结果表明:①两种ET_(0)计算方法在南京站点(2010-2019年)估算的ET_(0)年内变化与PM公式计算结果趋势一致,均表现为在同一年内先增大后减小,在6-8月份出现峰值,在12-1月份ET_(0)值最小,且IA公式较HS公式与PM公式吻合度较高。②在南京地区,ET_(0)计算方法的相关性大小表现为:IA公式>HS公式,其中IA公式的相关系数为0.8759,HS公式的相关系数为0.8016。结合RMSE和MAE结果来看,IA公式在南京地区的计算精度显著高于HS公式,且IA公式的RMSE和MAE结果均小于1,表现较高,因此IA公式较HS公式在南京地区具有较好的适用性。