安全离群点检测管理模式在医用气体智慧化系统的应用

为分析常规报警检测管理模式与安全离群点检测管理模式在医用气体智慧化系统中的管理效果,选择医用气体智慧化系统使用装置,以管理模式不同将其分为对照组和研究组。对照组采用常规报警检测管理模式,研究组采用安全离群点检测管理模式,比较两种管理模式在安全隐患、系统运行质量、满意度等方面的差异。研究组应用医用气体智慧化系统中的管理制度、设备设施、常规检查、应急处理来评分,其结果显著高于对照组。设备运行效率、报警频次、维修频次以及应急维修时间显著优于对照组;应用满意率显著高于对照组,组间差异具有统计学意义(P<0.05)。因此,将安全离群点检测管理模式应用于医用气体智慧化系统管理中具有较好的效果,可以查找设备管理中存在的问题,优化管理模式,提升医用气体系统的运行质量。

基于局部离群点检测算法的电力通信网络拥塞安全控制方法

针对电网运行数据堵塞程度较高,传输安全性较差的问题,提出了基于局部离群点检测算法的电力通信网络拥塞安全控制方法。通过电力通信网络的通道模型与路由监测协定,凭借波特间隔均衡法优化节点布局,结合自适应偏差补充调整反馈,均衡通道。针对储存空间、带宽容量、CPU处置功能等主要拥塞因素,分析数据密度估计值,并在带宽函数中加入邻域平均距离得到局部密度,推导出数据的局部离群点,通过调节离群点大小断定和控制电力通信网络。实验证明,所提方法能够精准检测出电力通信网络是否拥塞,及时调节通信数据,降低堵塞程度,保证信息可以安全传输。

基于KNN离群点检测和随机森林的多层入侵检测方法

入侵检测系统能够有效地检测网络中异常的攻击行为,对网络安全至关重要.目前,许多入侵检测方法对攻击行为Probe(probing),U2R(user to root),R2L(remote to local)的检测率比较低.基于这一问题,提出一种新的混合多层次入侵检测模型,检测正常和异常的网络行为.该模型首先应用KNN(K nearest neighbors)离群点检测算法来检测并删除离群数据,从而得到一个小规模和高质量的训练数据集;接下来,结合网络流量的相似性,提出一种类别检测划分方法,该方法避免了异常行为在检测过程中的相互干扰,尤其是对小流量攻击行为的检测;结合这种划分方法,构建多层次的随机森林模型来检测网络异常行为,提高了网络攻击行为的检测效果.流行的数据集KDD(knowledge discovery and data mining) Cup 1999被用来评估所提出的模型.通过与其他算法进行对比,该方法的准确率和检测率要明显优于其他算法,并且能有效地检测Probe,U2R,R2L这3种攻击类型.

一种保护私有信息的空间离群点检测方法

针对现有空间离群点检测方法难以同时保证数据安全性和检测结果有效性的问题,提出一种隐私保护的空间离群点检测方法。该方法基于空间邻域行为属性值的统计结果及马哈拉诺比斯距离进行空间离群点的检测,通过对基于半诚实模型的安全多方距离、合并向量的中位数及标准化等计算协议的定义和应用,实现私有信息的保护。实验结果表明,该方法在保护隐私信息的同时保证了检测结果的准确性。

基于云平台的密文数据离群点检测算法

将数据和计算外包给云服务器为大规模数据存储和查询处理是一种经济高效的方法。但是由于安全和隐私问题,我们需要在使用云服务器计算过程中保护诸如医疗记录这种敏感数据。一种方法是将加密过的数据外包给云服务器,并让云服务器仅对加密数据执行查询处理,这样云服务器就不会获得有关数据、查询和查询结果的任何知识。在不进行数据云解密的情况下进行加密数据的查询任务是非常具有挑战性的。我们设计的任务是在加密数据条件下云服务器进行安全K近邻(KNN)查询方法进行离群点检测,即用户发送一条加密查询给具有加密数据集的云服务器,并得到该数据是否为离群点的信息。我们首先提出了一个简单方案,并证明该方案并非是完全安全的。之后我们提出了具有更高安全性的安全方案,它能够有效保护用户查询数据、服务器数据集和数据访问模式的机密性。

基于多算法融合的锂离子电池故障诊断方法

锂离子电池的安全和热失控问题,限制了其在各领域的广泛应用。为了更准确地检测电池异常情况中的内短路与开路故障,提出一种基于多算法融合的锂离子电池故障诊断方法。首先,采用逐次变分模态分解(sequential variational mode decomposition,SVMD)计算每个电池单体的最大电压波动,并通过箱线图和离群点检测来识别异常单体。其次,根据SVMD得到的电压均值差的绝对值,结合斜率计算和统计分析,检测潜在的内短路或开路故障。最后,利用实际锂离子电池的热失控数据对所提方法进行验证。结果表明,该方法可以在热失控发生前55 min进行预警,并能精确识别内短路或开路故障单体,具有较高的可靠性和工程应用价值。