NAT环境下基于兴趣关联规则的重定向技术

针对IP地址资源的匮乏和网络攻击手段的多样化,NAT环境下的网络安全性要求不断提高。文章研究了在NAT环境下的安全策略,并引入入侵重定向的概念。在Apriori算法挖掘的基础上,引入关联规则兴趣度,对入侵行为进行深度挖掘,将具有威胁的网络访问重定向到特定环境中,通过访问规则数据库与防火墙规则、IDS数据库的交互,提高了网络防御的主动性,与结合NAT的防火墙技术实现了对网络的双重保护。

基于兴趣关联的对等网反垃圾邮件过滤模型

提出了一个基于用户兴趣关联的P2P(peer-to-peer)反垃圾邮件过滤模型,它通过使用一个基于相似兴趣自动聚集的查询算法,从而让这种无结构的网络变成一个具有相似兴趣的语义网络,使得本模型能很快地得到查询结果,提高了过滤效果,节省了资源,且具有较高的灵活性,弥补了当前协作式过滤模型的不足。

Web网络用户兴趣关联系统的设计

在信息过载的环境下,Web用户要想获取感兴趣的信息,往往比较困难。协同过滤推荐的核心点在于基于相似性算法为同类兴趣的用户推送相似资源。文中设计了一种基于协同过滤推荐原理的用户兴趣关联系统,为Web用户主动推荐兴趣信息,这有利于解决电子商务环境中的信息过载问题。该系统基于Java MVC和Flex结合的总体架构,设计了兴趣关联处理流程和业务处理流程,研究了一种能够将业务逻辑自动装配的核心架构,提出了兴趣数据的切面和侧面关系数据库表示模型。最后简要介绍了实现技术。

基于兴趣度的关联规则在学生成绩中的应用

对关联规则中Apriori算法的分析,并将其应用到学生成绩中,得到了一些先前未知的,有价值的信息,但同时又有一些无用甚至错误的规则出现,通过对关联规则的改进:加入了兴趣度阀值,提高了关联规则在数据挖掘中的精度,并且减少了无用,错误规则的产生,为学生成绩的分析提供了很好的支持。

基于兴趣度的关联规则挖掘算法

通过实例分析了支持度-置信度模型的缺陷和Apriori算法忽视反面示例的不足．引入了PS改进方法作为兴趣度，并设计了基于该兴趣度的关联规则挖掘算法．后通过实例对挖掘算法进行适当的分析，从而验证了该方法的有效性．

基于用户扩展兴趣的微博推荐方法

为解决微博用户兴趣提取不准确的问题,提出一种基于用户扩展兴趣的微博推荐方法。该方法将用户个体兴趣与关联兴趣结合为用户扩展兴趣进行微博推荐。其中,用户个体兴趣从用户标签、发布微博及交互微博中提取;用户关联兴趣通过用户与其关注用户间的关注关系强度、交互频繁程度和个体兴趣相似度获取。最后,计算用户扩展兴趣与待推荐微博的相似度,对相似度降序排列产生推荐列表。实验结果表明,新方法较传统方法更具有效性和准确性。

基于有向滑动时间窗的报警动态选择算法

针对现有报警选择方法在实时性和精确性方面存在的不足,提出一种基于有向滑动时间窗的报警动态选择算法。依据历史关联结果的趋向特征,动态调整每个时间窗内报警抽取的概率,向历史关联强度高的时间窗分配更高的抽取概率,提高报警关联的效率和准确性。仿真结果表明,该算法在实时性上远高于报警全选方法和随机选择方法,在关联精度上优于随机选择方法。

Web数据挖掘在搜索引擎中的应用

WWW上信息增长越来越快,数据量非常庞大,传统搜索引擎虽能检索出一些有价值的信息,但仍存在许多弊端.把Web数据挖掘技术应用于搜索引擎中,在服务器端,建立精简的索引数据库,在客户端,挖掘用户的个性化行为,更加高效准确地荻取信息.

基于重定向技术的Honeynet入侵模式算法研究

本文基于Linux系统构建了Honeynet系统模型,引入了入侵行为重定向的概念,通过对Honeynet日志进行研究,在Apriori算法挖掘的基础上,引入兴趣关联规则算法,对入侵行为的再次挖掘进行了研究,从主动防御的角度去解决网络安全问题,将黑客的入侵行为引入一个可以控制的范围,了解黑客使用的方法和技术,对攻击者行为模式、攻击手段进行分析和挖掘,从而建立一个安全可靠的防御性网络。

基于Web访问信息挖掘的商业智能发现研究

针对Web访问信息的特征和现有数据挖掘方法的局限性,提出将传统数据挖掘算法改进后扩展应用于电子商务环境,实现对Web访问信息进行深层次分析以获取商业智能的思路,从实际应用的角度设计了一个基于Web访问信息挖掘的应用模型,给出了若干关键技术实现的方法,并用改进后的FP-growth算法对电子商务客户访问数据进行兴趣关联规则挖掘实验,验证了挖掘模型的可行性和有效性。