LHMM熵的聚众事件实时检测

提出一种结合分层隐马尔科夫模型(LHMM)与熵值的聚众事件实时检测方法。使用长宽比消除前景中其他物体的影响,以区域中的人数和总速度为观察值,分2层训练出聚众事件的LHMM。当观察值序列与模型的相似度大于设定阈值时,利用光流法计算该帧熵值,若熵值大于设定阈值,则表示发生聚众事件;否则,为非聚众事件,继续下一帧的处理。实验结果表明,该方法具有较高的识别率和较好的鲁棒性。

基于隐Markov模型和Bresenham算法的层位追踪法

在探地雷达测量目的中,层位追踪是正确进行地质解释的基础。该文提出一种基于隐Markov模型和Bresenham算法的层位追踪法,该方法通过对探地雷达回波时延的跟踪,初步实现层位边缘检测,在此前提下进一步实现边缘连接,最终完成层位追踪。对实测数据的处理结果表明:该文提出的层位追踪法在追踪精确度上远远优于单纯利用隐Markov模型的层位追踪法。

基于应用层协议分析的应用层实时主动防御系统

主动防御是当今网络安全研究领域的一个热点,现有的主动防御技术主要从网络层和传输层的角度来防御攻击.由于新出现的网络攻击主要发生在应用层,这类攻击在网络层和传输层的数据流与正常数据流没有显著区别,导致现有的主动防御技术无法有效应对这一类攻击,因此研究有效的应用层主动防御具有重要的意义.文中提出一种基于隐半马尔可夫模型的应用层风险实时评估方法,该方法通过分析网络中的实时数据流来评估应用层风险.基于上述风险实时评估方法和应用层协议分析,提出一种应用层实时主动防御系统,当系统发现用户的应用层协议行为存在风险时,该系统根据用户行为的风险值对其产生的数据包进行排队控制,自动纠正用户的异常行为,实现应用层主动防御.实验结果表明该系统具有良好的实时主动防御性能.

抗噪的未知应用层协议报文格式最佳分段方法

为了自动解析未知应用层协议的报文格式,提出一种未知应用层协议报文格式的最佳分段方法.这种方法不需要关于未知应用层协议的先验知识.它首先建立一种用于最佳分段的隐半马尔可夫模型(HSMM),并利用未知应用层协议在网络会话过程中传输的报文序列样本集来估计该模型的参数;再通过基于HSMM的最大似然概率分段方法,对报文中的各个字段进行最佳划分,同时获取代表各个字段语义的关键词.这种方法并不要求训练集绝对纯净.它能够基于观测序列的似然概率分布,发现混杂在训练集中的其他协议数据(噪声)并进行有效过滤.实验结果表明,该方法能够解析文本和二进制协议的报文格式,依据关键词构建的协议识别特征有很高的准确识别率,并能有效地检测出噪声.

基于HMM的应用层DoS攻击检测方法

为了能快速有效地识别出应用层DoS攻击,提出一种基于HMM的应用层DoS攻击检测方法。该方法以应用层协议关键词和关键词之间的时间间隔作为输入,采用隐马尔可夫模型来快速检测应用层DoS攻击。实验结果表明,该方法对应用层上的多种DoS攻击都具有很高的检测率和较低的误报率。

空巢老人智能监护系统中异常情况检测的研究

对空巢家庭的老人和设备的异常检测与即时预警是智能家居系统的重点和难点问题。利用多模态联合传感技术获取时空上下文信息,由各类感知组件进行处理而获取居住者的动作,用改进的多层隐马尔科夫模型对离散的动作进行抽象而获得人的高层行为——事件。居住者常态的表示模型被构建并作为行为正常与否的分类器来检测异常行为。为了表达上下文信息,采用语义分级、逐层抽象的方法设计了一套多媒体本体,用于智能家居系统中对媒体信息的语义化标注和推理。改进了针对室内多活动设备的多交叉事件的悲观情感模型,用以解决视频组件难以检测的活动设备状态变化的问题。实验证实该方案在异常检测和预警方面有很好的性能。

基于应用层协议关键词序列的应用层异常检测方法

提出一种基于应用层协议关键词序列的应用层异常检测方法.它用应用层协议关键词和关键词之间的时间间隔构成观测序列,用隐半马尔可夫模型来刻画正常用户在使用每种应用层协议时的行为.该方法可分为模型训练和异常检测两个阶段:在模型训练阶段,利用前后向算法训练得到正常用户在使用每种应用层协议时其行为的隐半马尔可夫模型;在异常检测阶段,在线统计每个观测序列相对于模型的平均对数或然概率,当发现某个用户在使用某种应用层协议的过程中其行为出现异常时,采取调整该用户数据流的优先级或者带宽的方式来对该用户的异常行为进行控制,从而可以自动纠正用户的异常行为.使用包括DARPA测试数据集在内的一些数据对该方法进行了验证.实验结果表明该方法能很好地描述正常用户在使用应用层协议时的行为,并且在检测用户异常行为时具有很高的检测率和很低的误报率.

基于请求关键词的应用层DDoS攻击检测方法

目前应用层DDoS攻击严重危害互联网的安全。现有的检测方法只针对某种特定的应用层DDoS攻击,而不能识别应用层上其它的DDoS攻击。为了能快速有效地识别出多种应用层DDoS攻击,提出一种基于请求关键词的应用层DDoS攻击检测方法,该方法以单位时间内请求关键词的频率分布差和个数作为输入,采用隐马尔可夫模型来检测应用层DDoS攻击。实验结果表明,该方法对应用层上的多种DDoS攻击都具有很高的检测率和较低的误报率。

基于层次HMM的运动目标分割

提出对差分图像用三层统计模型表示的思想:前景运动汽车层、背景运动汽车层和运动阴影层,并分别建立了各层的统计模型,应用HMM对运动图像序列进行模型参数估计,通过模型进行运动汽车分割。HMM利用图像序列帧之间的图像像素空间相关性和时间相关性,从而完成模型参数的识别。通过MAP算法完成模型参数具体化,不但用模型完成图像前景目标的分割,同时在分割中自然区别了背景运动目标和阴影,实现了复杂背景图像的运动汽车分割。实验结果表明方法能够有效地完成分割目的。

基于时空关系的复杂交互行为识别

提出了一种基于时空关系和多观察值的三层隐马尔科夫扩展模型识别复杂交互活动的方法。根据多目标交互活动具有分层的性质和目标之间的时空关系,给出了提取3个粒度(整体,双人,单人)行为特征的方法。同时提出与之对应的多观测值三层隐马尔科夫扩展模型。实验结果表明:将新的特征提取方法和新的模型应用于复杂交互行为识别能得到较高的识别准确率和较好的鲁棒性。

基于BIC与PSO的简约语音识别系统创建

针对当前尚无建立简约高效语音识别系统标准方法的情形,提出了通过贝叶斯信息准则(Bayesian InformationCriterion,BIC)中的权衡系数折中选择系统识别率与复杂度,利用改进的粒子群优化(Particle Swarm Optimization,PSO)算法优化声学模型拓扑结构,进而创建高效简约语音识别系统的新方法。TIDigits上的实验表明,与传统方法创建的同复杂度的基线系统相比,用该方法建立的新系统句子正确率提升了7.85%,与同识别率的基线系统相比,系统复杂度降低了51.4%,说明新系统能够以较低的复杂度获得较高的识别率。

基于人脸表情特征的情感交互系统

设计了一套基于人脸表情特征的情感交互系统(情感虚拟人),关键技术分别为情感识别、情感计算、情感合成与输出三个方面。情感识别部分首先采用特征块的方法对面部静态表情图形进行预处理,然后利用二维主元分析(2DPCA)提取特征,最后利用多级量子神经网络分类器实现七类表情识别分类;在情感计算部分建立了隐马尔可夫情感模型(HMM),并且用改进的遗传算法估计模型中的参数;在情感合成与输出阶段,首先采用NURBS曲面和面片相结合的算法,建立人脸三维网格模型,然后采用关键帧技术,实现了符合人类行为规律的连续表情动画。最后完成了基于人脸表情特征的情感交互系统的设计。

无线Mesh网络基于隐半马尔可夫模型的跨层结合异常检测方法

目前无线Mesh网络异常检测的方法大多针对单一恶意攻击,还不具备检测来自不同协议层的恶意攻击的综合能力。提出一种基于多协议层跨层结合的异常检测方法,即采集多协议层结合的特征对网络运行状态进行全方位监测,并训练隐半马尔可夫模型对网络正常运行状态进行描述,通过计算多维观测序列相对于隐半马尔可夫模型的熵来评价其"正常性",从而发现源自不同协议层的恶意攻击行为。实验仿真证明,该方法能有效检测源自各协议层的多种恶意攻击,具有一定的通用性。

基于双层隐马尔可夫模型的重型车辆行驶状态辨识方法研究

为实时监测并发现重型车辆危险行驶姿态,在重型车辆侧翻预警系统中,采用一种基于双层隐马尔可夫模型的重型车辆行驶状态辨识方法,动态辨识重型车辆行驶状态。选取典型重型车辆行驶工况,采集相应工况数据,采用T-G检验法对数据序列进行剔除异常数据预处理。利用K-means算法设定重型车辆行驶状态的阈值。利用Baum-Welch算法对双层隐马尔可夫模型进行优化,应用优化后的隐马尔可夫模型进行重型车辆行驶状态在线辨识。辨识结果表明:该模型可准确、高效地辨识各个单一和复合工况下的车辆行驶状态,并且具有很好的实时性。

基于隐半马尔可夫模型的SWIM应用层DDoS攻击的检测方法

针对广域信息管理(SWIM)系统受到应用层分布式拒绝服务(DDoS)攻击的问题,提出了一种基于隐半马尔可夫模型(HSMM)的SWIM应用层DDoS攻击的检测方法。首先采用改进后的前向后向算法,利用HSMM建立动态异常检测模型动态地追踪正常SWIM用户的浏览行为;然后通过学习和预测正常SWIM用户行为得出正常检测区间;最后选取访问包的大小和请求时间间隔为特征进行建模,并训练模型进行异常检测。实验结果表明,所提方法在攻击1和攻击2情况下检测率分别为99.95%和91.89%,与快速前向后向算法构建的HSMM相比,检测率提升了 0.9%。测试结果表明所提方法可以有效地检测SWIM系统应用层DDoS攻击。

基于分层时序模型的步态识别算法

以隐马尔可夫模型和动态纹理模型为代表的动态贝叶斯网是描述步态序列的重要方法,但都存在一些不足之处。提出了一种新的动态贝叶斯网——分层时序模型,该方法采用分段线性逼近非线性和用各段的动态纹理模型作为隐状态,将隐马尔可夫模型和动态纹理模型做了结合,充分发挥了其优势。该方法在CMU Mobo步态数据库和CASIA步态数据库B上做了评估,结果充分显示了分层时序模型的高性能。

混合语音识别系统的一种新的简化神经网络结构

研究适用于隐马尔可夫模型 ( HMM)结合多层感知器 ( MLP)的小词汇量混合语音识别系统的一种简化神经网络结构。利用小词汇量混合语音识别系统中的 HMM状态所形成的规则的二维阵列 ,对状态观测概率进行分解。基于这种利用 HMM的二维结构特性的方法 ,实现了用一种由多个简单的 MLP所组成的简化神经网络结构来估计状态观测概率。理论分析和语音识别实验的结果都表明 ,这种简化神经网络结构在性能上优于 Fran-co等人提出的简化神经网络结构。

一种面向加密流量的网络应用识别方法

为实现网络流量的有效管控,提出一种基于安全套接层(SSL)协议交互字段与多输入最大化单输出隐马尔可夫模型(HMM)的加密应用并行识别方法.将来自客户端或者服务器的单向数据流SSL协议交互阶段的字段作为HMM模型的观测序列,并对所有待识别的加密应用建立HMM模型形成指纹库.在此基础上,利用前向算法计算未知观测序列被识别为HMM模型的概率,选取概率最大HMM模型所对应的加密应用作为识别结果.实验结果表明,与传统应用识别方法相比,该方法对典型加密应用具有更好的识别效果及鲁棒性.

基于MLP-HMM的跨站脚本攻击检测

针对隐马尔科夫模型(HMM)在跨站脚本检测中对初始先验假设估计不准确和以极大似然准则规定的HMM参数分类能力差的缺陷,提出了一种基于MLP-HMM的跨站脚本检测模型。首先,使用自然语言处理(NLP)方法解决数据高维复杂性问题。然后,通过多层感知机(MLP)神经网络学习对整个模型进行权值微调得到初始观察矩阵。最后,将该观察矩阵代入HMM中,增强HMM参数构建能力和分类能力。结果表明,结合MLP的HMM相比于原始HMM以及传统算法在跨站脚本检测上检测率有显著提高,并缩短了检测时间。

一种改进的边缘层节点健康态势预估方法

针对现有的基于隐马尔可夫模型的边缘节点状态预估算法存在参数初值选取主观性较强、特征权重设置依赖经验、多维特征节点分析适应性差等问题,提出一种改进的边缘层节点健康状态预估算法。首先在算法的数据处理层,基于聚类实现对模型参数和观测序列量化进行优化;然后在算法的训练层,用多个单特征隐马尔可夫过程对多特征隐马尔可夫模型进行建模;最后在算法优化层,采用基于信息增益的自适应遗传算法对隐马尔可夫模型生成的状态序列进行优化和约简,有效地解决了特征权重设置和参数初值选取主观性强的问题。实验结果表明,与现有算法比较,该算法有效地提高了大规模边缘层节点的高维度健康状态的准确性。