共形预测框架下的高可靠入侵检测算法

入侵检测算法广泛应用于网络安全领域,然而现有基于机器学习的入侵检测算法仅输出数据的预测结果标签,缺少对预测结果置信值的评价机制,难以确保预测结果的可靠性。提出一种基于共形预测的高可靠入侵检测算法。将共形预测融入到传统机器学习算法中,得到数据分类标签和对应的置信值、可信度,提高网络数据分类的可靠性。通过对网络数据进行数字化、标准化和降维预处理,根据传统机器学习算法的特点,设计在共形预测框架下与各算法相对应的不一致得分计算公式,并引入平滑因子改进p-value的计算公式,使其能够以更平滑的方式计算预测结果 p-value,提高算法的稳定性。实验结果表明,与单独采用SVM、DT和DT-SVM算法相比,该算法在KDD CUP99数据集上分类准确率分别提高11.1、4.6和3.7个百分点,在AWID数据集上分类准确率分别提高4.0、2.5和1.3个百分点,可保证入侵检测结果的高可靠性。

多角度考察主管与下属对组织成员行为量表评估的不一致性

主管一下属在评估上的不一致在某种程度上就是主管在对一些事情(比如绩效)上的评估和下属所做出的评估之间存在差异。随着越来越多的研究者对组织成员行为(OCB)产生兴趣,随之而来的各种混杂的和矛盾的结论使得主管和下属在对OCB 评估上的不一致成为人们关注的中心。然而,以往的大多数研究者仅仅考察了评估级别上的不一致,而忽略了其他方面的不一致。本文区分了7种主管一下属在评估上的不一致性,而且可以利用确证性因素分析方法(CFA)来加以探查,讨论了每一种不一致形式产生的原因,概念定义和现实含义,并通过300个主管和下属对 OCB 评估的模拟数据展示了这一分析过程。