群落多样性对群落可入侵性影响的研究进展

外来入侵植物(alien invasive plants, AIP)的成功入侵可能改变群落结构和群落可入侵性,并破坏本地植物群落生物多样性及其生态系统。群落多样性常用指标涵盖了物种多样性、功能多样性和谱系多样性等方面,而这些多样性指标与群落可入侵性存在复杂的相关性。群落可入侵性是评价群落对抗外来入侵物种能力的重要指标之一,其与群落多样性密切相关。如何准确理解群落多样性的变化对群落可入侵性的影响,是入侵生态学领域一个研究和争论的焦点问题。对现有的群落可入侵性相关性研究进行梳理,发现群落多样性对群落可入侵性的作用因生境和研究尺度的不同而异。过去的研究往往集中于单一多样性维度对群落可入侵性的作用,同时对不同群落可入侵评估方法的比较研究较少,且缺乏一个通用的群落可入侵性量化的指标。未来的研究需要更加深入地探讨多种多样性指数与群落可入侵性之间的相互作用,为理解外来入侵植物入侵机制提供科学基础。在构建生态管理和生物多样性保护策略框架时,群落多样性的考量至关重要。这不仅有助于加深对入侵生态学的认识,而且还能指引研究者实施更加有效的预防、监测和干预手段,从而在全球变化的背景下,保护和恢复生态系统的健康和完整性。

基于改进深度学习的主动式通信网络入侵行为自适应识别算法

针对外界参数变化较大时会严重影响识别准确率的问题,设计一种基于改进深度学习的主动式通信网络入侵行为自适应识别算法。归一化主动式通信数据,将卷积神经网络和BGRU进行结合,构建一个端到端检测攻击的改进型的循环神经网络,优化激活函数与逻辑回归分类器,稳定且自适应地识别主动式通信网络入侵行为。实验结果表明,所提算法在卷积核大小和学习率改变的情况下仍能保持较高的识别准确性,主动式通信网络入侵行为的识别结果具有自适应性。

甘肃马先蒿入侵对巴音布鲁克草原植物群落特征的影响

入侵性物种常通过竞争排斥群落中其他物种,改变入侵地群落的物种组成和结构,破坏生态系统的稳定性。甘肃马先蒿(Pedicularis kansuensis)在巴音布鲁克草原快速蔓延,对当地生态系统造成威胁,是典型的入侵性植物。本研究以入侵性植物甘肃马先蒿群落为研究对象,调查4个入侵程度(未入侵、低度入侵、中度入侵、高度入侵)的甘肃马先蒿群落物种组成和群落特征,分析不同入侵程度下群落的物种多样性差异。结果表明:1)甘肃马先蒿3种入侵群落中均记录了30种维管植物,未入侵群落共记录27种维管植物,3种入侵群落与未入侵群落相比均多3种植物,但多的3种植物在入侵群落中并不相同。2)甘肃马先蒿入侵降低了群落中二裂委陵菜(Potentilla bifurca)、拉普兰棘豆(Oxytropis lapponica)、紫花针茅(Stipa purpurea)、洽草(Koeleria litvinowii)、火绒草(Leontopodium leontopodioides)的重要值;禾本科的密度在群落中的比例随入侵程度的增加呈先上升后下降趋势,豆科与禾本科密度和盖度在中度和高度入侵群落中的比例显著降低(P<0.05)。3)随入侵程度增加,物种丰富度和Margalef丰富度指数呈先上升后下降趋势,Shannon-Wiener多样性指数、Simpson优势度指数和Pielou均匀度指数均呈下降-上升-下降趋势。本研究可为巴音布鲁克草原生物多样性的保护提供科学依据。

继电保护远程运维系统报文合规检测及入侵阻断技术应用

继电保护远程运维中数据传输各环节存在网络入侵风险,现有安全措施未有效处理业务层风险,且存在风险阻断不及时等问题。为此,提出一种报文合规检测方法及入侵阻断技术,分析报文的对象、格式、业务逻辑和行为模式,建立报文合规规则库及不合规报文阻断策略,设计开发不合规报文阻断模块及“一键阻断”紧急控制模块。通过模拟仿真环境测试,结果表明,上述技术对不同类型异常报文进行的阻断效果与预期一致,可有效阻断非法入侵攻击,从而提高继电保护远程运维的安全性和稳定性。

昆明市外来入侵物种现状及防控对策

昆明近年来饱受生物入侵问题的困扰。通过收集和整理已出版的著作及文献,对昆明市外来入侵物种情况进行统计分析。结果显示共记录189种外来入侵物种,其中入侵植物111种,以菊科、豆科和禾本科植物为主,并比较了国内其他省、市外来入侵植物物种数前5的科的占比情况,其中昆明市和云南省有显著差异,但与河南、安徽、吉林等省市无显著差异;入侵动物中以昆虫类为主,占比为59.74%。从物种原产地来看,昆明市的外来入侵物种主要来自美洲地区,占全部入侵种数的52%。基于昆明市生物入侵形势比较严峻的现状,建议加强常态化监测与建立防控机制。

云南九大高原湖泊湖滨带入侵植物物种组成与分布特征

湖滨带植物多样性是湖滨带生态系统维持稳定的关键,入侵植物的出现破坏湖滨带生态平衡,对湖滨带生态安全造成威胁。为揭示云南九大高原湖泊湖滨带入侵植物组成与分布特征,基于文献报道及野外踏查,整理得到云南九大高原湖泊湖滨带外来入侵植物名录,并对其种类组成、原产地、生活型、分布特征、区系类型、繁殖特征进行了分析。结果显示,云南九大高原湖泊湖滨带有外来入侵植物64种,隶属于23科52属。从种类组成上看,外来入侵植物多为菊科(Asteraceae)和苋科(Amaranthaceae);从分布特征上看,滇池湖滨带入侵植物分布最多,泸沽湖湖滨带入侵植物分布最少;从原产地上看,超过50%的入侵植物来自美洲;从生活型上看,外来入侵植物几乎均为草本植物,且以一年生草本植物居多;从物种分布上看,白车轴草Trifolium repens、凤眼莲Eichhornia crassipes、土荆芥Dysphania ambrosioides、喜旱莲子草Alternanthera philoxeroides分布最广;从区系类型上看,九大高原湖泊湖滨带外来入侵植物科和属的区系类型均具有明显的广布与泛热带分布特征;从繁殖特征上看,外来入侵植物花期集中于7-10月,果实类型多为被毛瘦果。研究表明,云南九大高原湖泊湖滨带入侵植物较为多样,与同区域数据比对后发现九大高原湖泊湖滨带入侵植物种数有所增加。不同湖滨带入侵植物种数的差异可能与海拔、温度和周边人口数量有关,较高的海拔,较低的年均温以及较少的周边人口数量都有利于减少湖滨带入侵植物种数。研究结果将为高原湖泊湖滨带生态系统风险评估和防控部署提供理论基础。

融合CNN-BiGRU和注意力机制的网络入侵检测模型

为提高网络入侵检测模型特征提取能力和分类准确率,提出了一种融合双向门控循环单元(CNN-BiGRU)和注意力机制的网络入侵检测模型.使用CNN有效提取流量数据集中的非线性特征;双向门控循环单元(BiGRU)提取数据集中的时序特征,最后融合注意力机制对不同类型流量数据通过加权的方式进行重要程度的区分,从而整体提高该模型特征提取与分类的性能.实验结果表明:其整体精确率比双向长短期记忆网络(BiLSTM)模型提升了2.25%.K折交叉验证结果表明:该模型泛化性能良好,避免了过拟合现象的发生,印证了该模型的有效性与合理性.

我国海洋外来生物入侵现状、监管问题及建议

外来生物入侵是指非本地生物(植物、动物和微生物)以自然或人为方式对本地生态系统、人类健康、物种多样性造成危害的现象。外来生物入侵不仅对本地生态系统和物种造成严重破坏,而且会对一个产业、一个地区的经济和社会稳定造成严重影响。文章就部分入侵面积和危害较大的海洋外来生物(包括互花米草、沙筛贝、尼罗罗非鱼、米氏凯伦藻、桃拉病毒)的入侵现状进行综述,并提出海洋外来生物入侵防控存在的主要问题及建议。

猪繁殖与呼吸综合征病毒入侵宿主细胞途径研究进展

病毒入侵宿主细胞是其完成自身复制周期的首要步骤。全面解析病毒入侵宿主细胞途径可深入揭示病毒感染及其致病机制,有助于制定更为有效的抗病毒策略。猪繁殖与呼吸综合征病毒(PRRSV)是具有囊膜的单股正链RNA病毒,对全球养猪业造成巨大的经济损失。以往研究报道PRRSV主要通过网格蛋白介导的内吞途径(CME)入侵宿主细胞。近年来研究发现,除CME外,PRRSV还会采取其他途径入侵宿主细胞。本文通过总结PRRSV入侵宿主细胞途径的最新研究进展,以期加深人们对PRRSV的认识,并为防控该病毒提供新的思路。

基于异常保持的弱监督学习网络入侵检测模型

网络入侵检测系统对维护网络安全至关重要,目前针对只有较少异常标记网络数据的入侵检测场景的研究较少。基于数据的异常保持性,设计了基于异常保持的弱监督学习网络入侵检测模型WIDS-APL,该检测模型包含数据转换层、表征学习层、转换分类层和异常判别层4部分,利用一组可学习的编码器将样本映射到不同区域并压缩到超球体,利用异常样本的标签信息学习正常样本和异常样本的分类界限,得到样本的异常分数。在4个数据集上的测试结果表明了该模型的有效性和鲁棒性,相比4个主流算法,在AUC-ROC值上分别提升了4.80%,5.96%,1.58%和1.73%,在AUC-PR性能上分别提升了15.03%,2.95%,4.71%和9.23%。

基于CAN的现代车辆入侵检测

现代汽车广泛使用CAN总线结构控制车辆内的各种电子部件,但标准的CAN协议存在漏洞,易受到拒绝服务、模糊攻击和重放等攻击,而传统的基于IP协议的入侵检测技术不能直接应用于现代车辆。于是分析CAN结构,找到其缺陷;针对CAN的攻击技术,分析CAN总线特征后,融合基于频率检测、机器学习和统计检测三种异常检测方法对车辆进行入侵检测,通过实验验证,可以总体上提高现代车辆入侵检测系统的性能。

铁路周界入侵目标多尺度特征感知算法

准确识别侵入周界范围内的人和大型牲畜是铁路周界入侵视频智能分析技术的重点内容,对保障铁路安全运营具有重要意义。基于现有目标检测算法难以处理铁路监控场景中入侵目标呈现显著尺度变化的状况,提出一种多输入双输出神经网络(Multiple Input Double Output Network,MIDO-Net)和基于自适应特征加权融合的目标多尺度特征感知算法。首先,通过MIDO-Net多层级联的多输入和双输出网络结构,提取图像目标更丰富的多尺度特征信息;其次,依据骨干网络多阶段的特点,先将多级特征上采样至统一分辨率,再利用注意力模块和自适应参数对多级特征进行加权;然后,将特征输入到检测头中完成铁路周界入侵的识别;最后,通过视觉目标类别(Visual Object Classes,VOC)公共数据集和制作的多场景、多尺度铁路异物侵限数据集,对算法进行验证。结果表明:提出的多尺度特征感知算法在VOC公共数据集中的检测精确率达83.3%,在多场景、多尺度铁路异物侵限数据集中的检测精确率达91.1%,平均召回率达56.2%,均优于当前广泛使用的各种特征提取骨干网络;算法检测速率为45帧·s^(-1),优于同类型的骨干网络,且能满足铁路场景的行人实时监测需求。

基于改进K-means数据聚类算法的网络入侵检测

随着入侵手段的不断更新和升级,传统入侵检测方法准确率下降、检测时间延长,无法满足网络防御要求。为此,提出一种经过改进K均值(K-means)数据聚类算法,以应对不断升级的网络入侵行为。先以防火墙日志为基础转换数值,然后基于粒子群算法求取最优初始聚类中心,实现K-means数据聚类算法的改进;最后以计算得出的特征值为输入项,实现对网络入侵行为的精准检测。结果表明:K-means算法改进后较改进前的戴维森堡丁指数更小,均低于0.6,达到了改进目的。改进K-means算法各样本的准确率均高于90%,相对更高,检测时间均低于10 s,相对更少,说明该方法能够以高效率完成更准确的网络入侵检测。

基于MobileViT轻量化网络的车载CAN入侵检测方法

车载控制区域网络(controller area network,CAN)总线因缺少安全措施而易被攻击,因此入侵检测系统(intrusion detection system,IDS)在保护车载CAN总线免受网络攻击中发挥着重要作用.现有基于深度学习的车载CAN总线入侵检测方法存在资源开销大和延迟较高的问题.为减少检测延迟,提高检测率,提出一种利用改进的轻量化MobileViT模型对车载CAN总线进行入侵检测的方法.首先,将攻击流量可视化为彩色图,再使用GELU替换MobileViT的MV2模块中常规ReLU6,从而作为该模块的激活函数,可有效解决神经元死亡问题,提升模型收敛速度.使用指数衰减自动更新学习率,并通过迁移学习加速训练过程实现对彩色图分类,从而达到对入侵行为的检测.基于CAR-HACKING DATASET数据集的实验表明,改进后的MobileViT在消耗较少算力的情况下对入侵行为的检测准确率为100%,模型参数仅为2.12 MB,平均响应时间仅为1.6 ms,节省了训练资源,并保证了检测的准确率.

面向物联网的入侵检测技术研究新进展

相较于传统入侵检测机制,智能化的入侵检测技术能够充分提取数据特征,具有更高的检测效率,但对数据样本标签的要求也更高。文章按数据样本标签从有监督和无监督角度对物联网入侵检测技术的最新进展进行综述。首先概述了基于签名的入侵检测方法,并基于有监督和无监督的分类分析了近期基于传统机器学习的入侵检测方法;然后分析了近期基于深度学习的入侵检测方法,分别对基于有监督、无监督、生成对抗网络和深度强化学习的入侵检测方法进行分析;最后分析总结了物联网入侵检测技术的研究挑战和未来的研究趋势。

钦江河口盐水入侵距离预测模型研究

平陆运河工程是中国“西部陆海新通道”的重要水运基础设施,青年枢纽作为运河最下游的节点性控制枢纽,受钦江感潮河段的盐水上溯的影响,合理预测盐水入侵距离对认识青年船闸寿命与城市饮用水安全具有重要意义。利用钦江河口盐水上溯过程的实测数据,基于盐水上溯一维扩散稳态方程构建了考虑河口几何形状、潮汐作用及径流过程的高潮期盐水入侵长度预测模型,并通过径流与潮汐作用对钦江河口盐水入侵长度的影响分析,取得的主要结论为:当径流流量Q<100 m^(3)/s时,平陆运河工程后的高潮位期钦江河口盐水入侵长度L=10~27 km,较工程前增加了4.5 km;当径流流量Q<20 m^(3)/s时,钦江河口盐水将上溯至青年船闸闸下;枯水期,当河口潮差H 0>2.5 m时,青年枢纽减盐的最低泄流量须达到20 m^(3)/s。

基于集成学习的无监督网络入侵检测方法

目前,网络对抗对入侵检测智能化和自主性的需求不断提高,基于深度学习的方法通过训练和学习来区分复杂攻击模式和行为,但有监督的学习方法需要专家知识和大量人工开销。针对上述问题,文章提出一种基于集成学习的无监督网络入侵检测方法,并使用基于3种不同异常检测理念的深度学习检测器,在3种不同集成逻辑下对各单检测器的检测结果进行检测判定。该方法可以综合分析时间序列数据中不同类型的异常数据,降低无监督异常检测模型由于过度拟合所造成的影响,并以一种高效的在线方式检测可能存在的网络攻击数据流。在KDD CUP 1999和CSE-CICIDS 2018数据集上进行验证,实验结果表明,与其他单一的无监督异常检测模型相比,文章提出的集成方法结合了不同无监督检测模型的优势,适用于对多种网络入侵引起的异常进行检测。

融合改进自编码器和残差网络的入侵检测模型

互联网中存在大量隐私数据,因此防止网络入侵成为保护网络安全的关键问题。为提高网络入侵检测的准确率并解决其收敛慢问题,设计一种改进的堆叠自动编码器和残差网络(ISAE-ResNet)入侵检测模型。融合栈式自编码器和残差网络,首先将预处理后的数据输入到改进的栈式自编码器中,该栈式自编码器由2个副编码器和1个主编码器组成,数据经过副编码器和主编码器训练后重构出新的特征来防止过拟合问题;然后将解码层的权重捆绑到编码层进行优化,使模型参数减半来进行降维,提高模型的收敛速度;最后将处理过的数据输入到改进的残差网络中,并基于改进的ResNet网络设计一种加入软阈值函数的残差模块,通过降低数据中的噪声来提高模型准确率。在CIC-IDS-2017数据集上的实验结果表明,该模型准确率为98.67%,真正例率为95.93%,误报率为0.37%,损失函数值快速收敛至0.042,在准确率、真正例率、误报率和收敛速度方面均超过对比入侵检测模型,具有较高的有效性和可行性。

基于知识蒸馏的不平衡数据下入侵检测方法研究

基于深度学习的网络入侵检测模型面临模型结构复杂、部署效率低及流量数据类别不平衡的问题.针对这些问题,提出了1种结合知识蒸馏和类别权重焦点损失的网络入侵检测方法.该方法以精度高、参数量较多的入侵检测模型作为教师模型,与小型学生模型生成蒸馏损失;引入增加类别权重的焦点损失函数作为学生损失;结合蒸馏损失与学生损失生成总的损失函数优化学生模型.实验结果表明,该方法性能相较于非蒸馏模型在各项指标上均有一定提升.

基于互信息与萤火虫算法的网络入侵特征选择

为减少网络入侵检测数据中的冗余特征,提出一种结合互信息和萤火虫算法的特征选择方法。针对互信息不能精确计算特征间冗余度,提出类内特征冗余互信息特征选择方法。针对萤火虫算法步长因子固定易使算法陷入局部最优等问题,提出自适应步长萤火虫算法特征选择。以上方法分别选取特征子集后利用投票策略选取最优子集,对该子集基于C4.5和贝叶斯网络分类器分类。实验结果表明,使用10个特征检测能有效提高入侵检测率、误报率和F-measure,同时还缩短训练和检测时间。此外,与现有的几种方法相比,该方法在准确率、检测率和F-measure都获得不错效果。