工业控制系统入侵检测技术研究综述

ICS接入互联网后,原有的物理隔离被打破,导致ICS固有漏洞和缺陷被暴露在互联网中,极易受到入侵者的攻击,已经严重威胁工业生产的安全。为了保证工业生产的安全稳定,大量研究人员针对ICS入侵检测技术进行研究。根据ICS独特性和高周期性将现有的研究方法分为基于特征的入侵检测方法和基于行为周期的入侵检测方法,并详细分析了两种方法的差异和优缺点,最后对IDS研究方向进行展望。

EB-GAN:基于BiGAN的网络流量异常检测方法

网络入侵检测系统是网络安全的重要组成部分,被用来检测并防御各种外来攻击。作为入侵检测尤为重要的方法之一,传统的异常检测模型存在误报率高、性能差等问题。针对这些问题,提出一种网络流量异常检测模型Enhanced BiGAN(EB-GAN)。使用BiGAN基本网络框架学习真实复杂数据的分布;GAN的鉴别器使用双向长短期记忆网络捕捉序列分布的时间相关性,添加注意力机制使模型更有效地找到输入数据与当前输出数据之间的相关信息,从而提高检测率;结合WGAN和混合增强GAN的损失函数使得模型训练收敛更快。利用KDDCUP1999数据集对该方法进行了实验评价。实验结果表明,该方法优于对比的流量异常检测方法。

基于小波变换和LSTM模型的城市天然气负荷预测

城市燃气公司为防止出现储气量过剩或不足等问题,必须要对天然气负荷量进行预测。对此,提出一种基于小波变换和长短期记忆网络的深度学习模型(wavelet_LSTM),对未来一年的天然气日负荷量进行预测。在某市燃气公司真实数据集上的实验结果表明,该模型有较高的准确性,可以较好地满足城市燃气公司的业务需求。

基于认知诊断和神经网络的试题得分预测

随着教育越来越走向信息化,大量的教育数据会被保存,在海量教育数据中挖掘出学生的潜在信息是智能教育中非常值得研究的问题之一。针对目前大多数得分预测都是预测一个总分,无法具体到每一题得分预测的问题,对考试中存在的主要题型进行了研究,结合现有试题得分预测方法,指出其优势与不足,提出基于认知诊断和神经网络分别预测客观题和主观题得分的方法。该方法结合认知诊断理论计算出学生的知识状态,通过矩阵算法来预测学生在每道客观题上的得分,再将学生的知识状态作为特征,学生得分作为训练标签,使用卷积神经网络来训练并且预测学生在每道主观题上的得分。将两种方法分别与传统方法进行比较,结果表明两种方法分别在客观题和主观题上的效果比传统方法提高了很多。