基于主题模型的网络异常行为分类学习方法研究

提出了一种新的用于学习和分辨网络异常行为的方法。与之前的工作相比,将采用主题模型对网络异常行为进行建模并构建分类器。根据连接的分类标签,在训练模型之前将数据集分成两部分,即正常的部分和异常的部分。通过分析模型参数对结果的影响可以发现α(主题的狄利克雷参数)和主题数量对于预测结果具有正相关性,而β(特征号的狄利克雷参数)对于预测结果具有负相关性。通过KDDCUP’99数据集对该模型进行评估,结果显示预测的准确度达到91.69%,比SVM等算法在正常和异常行为分类上的表现更好。

非接触式掌纹图像采集与图像增强技术研究

掌纹识别是生物特征识别领域的前沿课题,其中非接触式的掌纹识别技术因其具有用户体验性好、无卫生污染等特点,日益成为相关研究领域的热点。但是非接触式的掌纹识别技术易受背景复杂、光照不足等不良因素的影响,给掌纹的图像采集与特征的提取匹配带来了困难。为了更好地解决这些问题,需要采用更为有效的图像增强技术。文中介绍了非接触式图像采集与预处理过程中图像增强技术的基本概念,对该技术实现方法进行了归类阐述和分析,探讨了该技术的发展趋势。