一个准确高效的基于程序行为的异常检测模型

提出一个高效准确的基于程序行为的异常入侵检测模型,该模型对于静态链接的程序部分以及函数递归基于优化的堆栈遍历技术获得调用堆栈状态信息;对于程序循环,使用代码插入和Null挤压技术来高效地获得系统调用上下文信息;基于动态通知技术,处理非标准的控制转移;从而,能够获得完备的系统调用上下文信息,提高了模型的准确度.给出了模型的描述和实施,分析了其优点.在Linux程序上的实验表明,该模型可保持检测的高效率.

一种基于XGBoost的用户行为异常检测方法

伴随企业业务的不断扩增和电子化发展,企业自身数据和负载数据都开始暴增。然而,作为企业核心资产之一的内部数据,却面临着日益严峻的安全威胁。越来越多以周期长、频率低、隐蔽强为典型特征的非明显攻击绕过传统安全检测方法,对大量数据造成损毁。对此,根据用户、实体、行为关联,提出整合可以反映用户行为基线的各类数据,提取几种最能反映用户异常的基础特征,利用XGBoost的特征选择策略与FCM聚类算法结合,通过异常打分,定位异常风险最大的一批用户。结果显示,新提出的异常检测算法有着82%以上的准确率,以及86%以上的召回率。

基于异常点检测的大学生异质行为分析

大学生异质行为指的是大学生具有个性特征、不同于他人的行为偏好。针对大学生异质个体的行为挖掘问题,提出一种基于异常点检测的异质行为分析方法。首先以某校大学生成绩数据和校园一卡通数据为基础,建立异质行为分析模型,采用主成分分析、K-Means++和DBSCAN聚类分析寻找异常点,研究关注异常点对应的异质行为人。然后,通过异常点检测辨别学习成绩中的异质个体,并进一步探究其作息规律与学习成绩异常之间是否存在强关联。接下来,运用多种算法相互印证异常点的准确性,借助对相关学生的调研来验证异常点数据的可信度。研究表明,所提方法能对大学生异质行为模式进行深度分析,为提升学校管理水平和管理效率提供了基础依据。

骨架引导的多模态视频异常行为检测方法

视频异常行为检测是智能视频监控分析的一项重要且具有挑战性的任务,旨在自动发现异常事件。针对只采用单骨架模态导致部分相似运动模式的行为难以区分和缺乏时间全局信息的问题,提出骨架引导的多模态异常行为检测方法。为了充分利用RGB视频模态和骨架模态的优势进行相似行为下的异常行为检测,将从骨架模态中提取的动作行为特征作为引导,使用新的空间嵌入来加强RGB视频和骨架姿态之间的对应关系。同时使用时间自注意力提取相同节点的帧间关系,以捕获时间的全局信息,有效提取具有区分性的异常行为特征。在两个大型公开标准数据集上的实验结果表明所提方法能够有效加强骨架引导的多模态特征在空间和模态上的对应关系,并捕获时空图卷积缺乏的时间全局信息,使运动模式相似的异常行为实现更准确检测。

多尺度融合与FMB改进的YOLOv8异常行为检测方法

针对异常行为检测目标面临多尺度变化、易漏检误检以及复杂背景干扰等问题,提出了一种多尺度特征融合与快速多交叉结构改进的行人异常行为检测方法。该方法以YOLOv8为基线网络,在模型主干部分设计了快速多交叉结构提升上下文信息感知能力并减少网络参数,提出空间递进卷积池化模块实现多尺度信息融合,降低尺度差异带来的易漏检误检问题,提高检测的准确度;在模型颈部中引入SimAM注意力机制抑制复杂背景干扰,提升目标检测性能;最后采用WIoU损失函数平衡检测锚框的惩戒力度增强模型泛化性能。所提方法在UCSD-Ped1、UCSD-Ped2数据集进行验证,并在OPIXray数据集进行了泛化性测试。结果表明,所提方法异常行为识别精度较诸多先进检测算法均有不同程度的提升,且参数量更小,是一种性能较为优异的行人异常行为检测方法。

基于扩张卷积融合时序特征异常行为检测

本文提出一个基于扩张卷积的多尺度融合行人原型和时空特征的深度自编码器网络。为了更好地利用视频中行人的时序特征,在编码器和解码器的潜在空间处添加一个双分支结构,分别是预测时空特征的递归神经网络分支和保存行人正常模式的记忆存储模块。为了增强行人特征提取,忽略背景信息影响,增加模型的泛化能力,在编码器中加入改进的空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块,并在卷积块中使用混合扩张卷积(Hybrid Di-lated Convolution,HDC)原则,解决行人大小变化的问题,同时在解码器中引入多级残差信道注意力机制,获取更多的上下文信息。模型在数据集USCD Ped2,CUHK Avenue的曲线下面积(Area Under the Curve,AUC)分别达到了0.982,0.928。

基于全局上下文网络的视频异常行为检测方法

文中针对视频信息中的长距离时间特征关系易被忽略的问题,提出了一种基于全局上下文网络的弱监督视频异常行为检测方法。为了提升对视觉场景的全局理解,提高异常检测的准确性,对时间特征提取模块进行改进,仅计算一个与查询位置无关的全局注意力矩阵,并对所有查询位置共享,有效降低网络计算量和参数量。同时进行网络模块优化,加快运算速度。实验结果表明,基于全局上下文网络的视频异常行为检测算法能够在网络更具轻便性、运算效率更高的情况下有效提高异常检测准确率。

基于前景区域生成对抗网络的视频异常行为检测研究

为提高视频异常行为检测的准确率,本文提出了一种基于前景区域生成对抗网络的改进方法。通过提取实际视频帧的前景和背景掩码,确定生成对抗网络输出视频帧的待检测前景区域。针对待检测前景区域,应用前景区域峰值信噪比准则,计算异常行为检测得分,完成视频异常行为检测。实验结果表明,本文的检测方法在Avenue数据集、UCSD-Ped1数据集、UCSD-Ped2数据集上均能有效提高视频异常行为检测准确率,并能降低检测运行时间。

基于改进光流法的视频监控中人群异常行为检测算法

危害社会公共安全的事件频发,研究视频监控中人群异常行为对于恢复治安秩序和保障公众安全有着重要意义。由于视频监控涉及多种多样的场景,复杂环境影响了人群异常行为的准确检测。因此,为提升视频监控中人群异常行为的检测效果,提出基于改进光流法的视频监控中人群异常行为检测算法。利用改进单高斯模型在视频监控中人群视频帧内提取角点作为特征点;基于改进光流法计算特征点的运动速度与方向,提取有效特征点,得到人群运动目标图像;通过计算人群运动目标图像内光流点的方向熵、幅值熵与平均速度的乘积,确定运动混乱度;对比分析运动混乱度与设置阈值,完成人群异常行为检测。实验结果表明,该算法可有效提取人群视频帧内的角点和运动目标图像,准确检测人群异常行为,具有较好的视频监控中人群异常行为检测效果。

基于贝叶斯层级模型的用户异常行为检测研究

大多数操作系统的安全防护主要依赖基于签名或基于规则的方法,因此现有大多数的异常检测方法精度较低。因此,利用贝叶斯模型为同类群体建模,并结合时间效应与分层原则,为用户实体行为分析(User and Entity Behavior Analytics,UEBA)研究提供精度更高的数据集。然后,将基于实际记录的用户行为数据与贝叶斯层级图模型推测出的数据进行比较,降低模型中的误报率。该方法主要分为两个阶段:在第1阶段,基于数据驱动的方法形成用户行为聚类,定义用户的个人身份验证模式;在第2阶段,同时考虑到周期性因素和分层原则,并通过泊松分布建模。研究表明,数据驱动的聚类方法在减少误报方面能够取得更好的结果,并减轻网络安全管理的负担,进一步减少误报数量。

基于骨架数据的列车司机异常行为检测

针对列车司机异常行为检测时存在准确率以及效率低的问题,在时空图卷积网络(Spatial Temporal Graph Convolutional Network, ST-GCN)行为检测模型的基础上,提出一种基于骨架数据的列车司机异常行为检测(Spatiotemporal Graph Attention and Multi-Time Scale Temporal Convolutional Network, ST-GAT)模型。通过利用骨架数据进行建模,并引入图注意力网络(Graph Attention Network, GAT)模块,利用动态关注机制以提升ST-GCN模型对空间特征的提取能力。通过提出的多时间尺度时域卷积网络(Multi-Scale Temporal Convolutional Network,MS-TCN)模块进行不同时间尺度下的时序提取特征,扩大时域卷积网络(Temporal Convolutional Network, TCN)模块感受野范围,克服原始TCN模块不灵活、无法检测不同时间尺度的问题,提高了模型的准确率,同时使用交叉熵损失函数克服了模型训练过程收敛速度慢的问题。实验结果表明,本文方法在测试集上比ST-GCN模型准确率提高8.8%,FLOPS提高2%。因此,所提出的方法在提高列车司机异常行为检测的准确率和效率方面表现出较好的性能。

工厂场景中的异常行为检测

针对目前工业场景中的安全生产问题,提出一种异常行为检测框架,主要针对工人睡觉和发生跌倒两种特殊情况。采用人体关键点识别与机器学习分类器相结合的思路,先通过对视频图像中的工人进行关键点识别,提取身体坐标点信息,再训练分类器进行分类,采用多种机器学习方法及一种集成学习模型,实现了对异常情况的检测。在跌倒数据集上,集成学习算法的准确率、精确率和召回率分别达到92.86%、87.58%、98.96%;在睡觉检测方面,算法的准确率、精确率和召回率分别达到98.51%、95.81%、 94.97%。实验表明,该框架能有效检测异常情况,有助于规范生产行为,具有实际应用价值。

基于深度学习的老年人异常行为检测

我国逐步迈入老龄化社会,老年人居家医疗以及老年人照护服务能力亟待加强。针对老人居家养老时缺乏人工看护的情况。文章提出了一种基于FPN结构提取时空特征的老年人行为检测技术,使用摄像头获取监控视频,识别头痛、背痛、腹痛、久坐、跌倒、咳嗽这六种异常行为,并在数据集上取得了最佳性能。

具有用电异常行为检测的智能验电笔

随着新时代电气设备日益得到广泛应用,其安全测试显得越发重要。但常规的检测手段通常仅对线路进行简单的检查,无法对线路的运行状态进行实时监控,易引发多种安全事故。基于此,相关行业提出将传感与人工智能相融合的智能验电笔,用于在线监控与辨识电力系统中的异常电流,不仅可对线路中的电流、电压等参数进行精确的测量,还可对短路、漏电等异常情况进行自动识别,快速给出相应的报警提示,有效提升检测工作的效率与安全。本文针对智能验电笔设计原理、试验方法及实验结果进行详细阐述,进而探究其在电气工程中的应用优势。

基于大数据分析的网络实时异常入侵行为检测

文章提出基于大数据分析的网络实时异常入侵行为检测方法,利用大数据分析技术中的支持向量机构建异常入侵行为检测模型,将网络信号作为输入,通过学习与训练输出网络异常入侵行为检测结果。实验结果表明,该方法能够有效实现网络异常入侵检测,辨别异常入侵行为类别。

视频监控场景下基于时空注意力机制的异常行为检测算法研究

随着视频监控技术的迅猛发展,异常行为检测在安防领域中日益受到关注。本文针对视频监控场景下的异常行为检测问题,提出一种基于时空注意力机制的新型算法。该算法通过对视频帧序列中的时序信息和空间分布进行联合建模,实现对异常行为的高效检测。时空注意力机制能够动态地调整对不同时刻和空间位置的关注程度,从而更好地捕捉异常行为的时空特征。实验结果表明,相较于传统方法,本文提出的算法在准确性和鲁棒性上均取得显著改进,为视频监控场景下的异常行为检测提供一种有效的解决方案。

基于改进C3D的视频监控异常行为检测算法

随着科技的发展,视频监控技术已经在各种场景得到广泛应用,如城市安防、交通管理、工业监控等。然而,传统的视频监控系统通常依靠人工监控来发现异常行为,但这种方式效率低下且容易遗漏,因此需要借助计算机视觉和深度学习技术实现自动化的异常行为检测。针对视频监控下异常行为检测的问题,提出了一种异常检测算法SE-C3D。首先,将传统的二维卷积和池化操作扩展到了三维;接着,利用C3D网络来提取视频的时空特征;然后,采用残差思想,设计了一种3D残差模块,增强泛化能力,使其在处理视频数据时更为有效;最后,为了进一步提高准确率,将SENet扩展到三维,并嵌入到残差C3D模块上,使用Softmax输出结果。实验结果表明,SE-C3D相较于其他模型在多个性能指标上均有显著提升,提出的算法在异常行为检测任务中有着广泛的应用前景。

基于多源数据融合的船舶异常行为检测研究

船舶异常行为的有效检测,对于海洋安全起着至关重要的作用,为提高海上船舶航行的安全性与稳定性,需要对传统以人工为主的监管模式进行创新和优化,在现代技术的支持下,采用以SAR与AIS数据相融合的目标监测技术,实现对船舶航行的动态化监督,全过程管理,以便于及时排查出异常问题,为海洋安全提供坚实的保障。文章简要分析了船舶常见的异常行为后,基于异常行为的多源数据,重点阐述了以多源数据融合为导向的船舶异常行为检测方法,旨在提高船舶异常行为识别的准确性与时效性,以期为相关人员提供参考和借鉴。

基于流量异常特征的无线网络攻击行为检测方法

为了提高无线网络攻击行为检测率,保障网络安全,文章进行了基于流量异常特征的无线网络攻击行为检测方法的研究。首先,提取网络流量的异常全局特征,以获取具体的异常特征类别和表现。其次,集成多个机器学习模型,构建了无线网络攻击行为检测模型,并生成了网络攻击行为的初步检测结果。在此基础上,利用流量异常特征对初步检测结果进行融合处理,生成了决策融合结果,作为最终的网络攻击行为检测结果。实验测试结果表明,基于流量异常特征的无线网络攻击行为检测方法应用后,网络攻击行为检测率始终在98%以上,高于对照组方法,能够更加有效地检测出各种不同类型的无线网络攻击,并且具有较高的检测准确率。

结合大数据分析与神经网络的互联网异常入侵行为实时检测

为了提升网络实时异常入侵行为检测效率和正确率,提出结合大数据分析与神经网络的互联网异常入侵行为实时检测方法。通过长短期记忆的方法构建入侵行为检测模型,并掌握网络实时异常入侵行为的特征,利用大数据分析技术的数据采集和处理实现网络实时异常入侵行为检测。通过仿真对比测试可知,模型对异常入侵行为检测结果的正确率以及检验效率高,并且耗时少,与其他的模型相比有较高的优越性。