基于博弈论的网络攻防对抗模型及应用研究

网络攻防模型是研究网络攻防仿真建模的一项重要内容。目前使用较多攻击树等模型存在不能描述攻防双方的对抗、互动等特性的缺陷。文章研究了基于博弈论的攻防对抗模型,定义了攻防双方博弈的基本要素及相应的纳什均衡,剖析了常见的字典攻击,给出了博弈双方的攻防策略、攻防效用等的具体描述;最后结合Gambit工具进一步细化了字典攻击中的博弈模型,并给出了其纳什均衡。

地面防空作战的多导弹-单目标信息对抗模型与仿真研究

在地面防空作战中 ,地空导弹和空中目标的对抗是一个动态的对抗过程 .通过把模型分为自身状态和对敌方的估计状态 ,建立了防空作战多导弹 -单目标的对抗模型 ,分析了不同阵地的导弹追击和目标逃避时的控制输入选择原则 .通过仿真 ,得到了较好的结论 ,体现了导弹和目标之间的对抗性 。

地面防空作战信息对抗模型研究及仿真

在地面防空作战中,地空导弹和空中目标的对抗是一个动态的对抗过程。通过把模型分为自身状态和对对方的估计状态,建立了防空作战对抗模型,分析了导弹追击和目标逃避时的控制输入的选择原则。通过仿真,得到了较好的结论,体现了导弹和目标之间的对抗性,对进一步研究地面防空系统对抗性建模方法具有重要意义。

战时配送体系对抗模型研究

针对战时配送过程中红蓝双方对抗问题,结合博弈论知识,在对相关问题进行有效解决的基础上,建立了配送体系对抗模型。通过案例,验证了该模型的可行性和有效性。

战时配送体系对抗模型分析

战时配送体系处于军事物流的末端环节,几乎包括了所有的军事物流功能要素,是军事物流活动的一个缩影,准确进行对抗模型的分析对于建立战时配送体系对抗模型具有重要的现实意义。

一种基于图像patches分割的自监督生成对抗模型

近年来,通过将基于角度旋转的自监督模型引入到生成对抗网络中,一定程度上缓解了生成对抗模型稳定性不足与模式坍塌问题。但是,这种自监督模型基于全局信息对比,缺乏局部相关性,模型特征提取能力不足,导致生成图片的全局相似度较高而像素精度不足。因此,提出一种新型自监督生成对抗模型,将图像块(patches)引入到传统的角度旋转自监督模型中,通过对图像进行分块,将局部图像与整体图像作为输入,在旋转角度判别器的基础上新增位置判别器,在提高模型全局相似性的同时,增强了局部特征相关性。在CIFAR-10与STL-10数据集上进行测试,实验结果表明,基于图像patches分割的自监督生成模型比角度旋转自监督模型的效果更好。

基于综合对抗解释结构模型的煤矿透水事故致因分析

为了更加科学高效地对煤矿透水事故致因进行辨识和分类管理,以2021年丰源煤矿“4·10”重大透水事故为例,运用24Model法对事故致因进行分类提取,采用综合对抗解释结构模型(简称TAISM),对致因进行层级结构划分和因果关系分析。通过计算得到了该起事故致因的1组7层对抗型有向拓扑层级图。研究结果表明:监督机构监督检查不力、当地政府安全发展意识不强是造成此次事故发生的最根本原因。此外,在事故致因层级图中出现了2个回路,而同一个回路中的不同事故致因存在较强的关联性,应对其进行一体化控制,最大限度减少煤矿安全事故的发生。为今后煤矿事故致因分析提供了新的思路。

主动代理网关与虚拟补丁联动的网络攻防对抗模型

以往的网络攻防对抗模型由于仅对采集的数据进行数据去噪和数据压缩处理,导致模型的应用效果不佳。因此,设计了主动代理网关与虚拟补丁联动的网络攻防对抗模型。通过采集网络攻防数据,对采集的数据分别进行数据去噪、数据压缩和数据像素偏移处理,提高数据的质量,利用主动代理网关对预处理后的数据进行筛选,通过计算数据的交互流判断数据是否符合标准,在虚拟补丁的作用下,补充数据信息,计算出数据的长度和标准差,完成对数据的特征提取,利用计算的攻击路径曲线和防御路径曲线的效用值,构建相应的网络攻防对抗模型。通过上述的设计,完成对网络攻防对抗模型的设计。在仿真实验中,和以往的网络攻防对抗模型相比,设计的主动代理网关与虚拟补丁联动的网络攻防对抗模型使用攻击成功率为91.8%,应用效果更好。

基于BP神经网络的水下对抗预测模型研究

针对水下平台水下对抗作战量化验证评估困难、指导机动规避作战模型欠缺等问题,设计了一种基于大数据学习的水下对抗预测模型。首先进行水下平台水下对抗建模,基于蒙特卡洛方法执行若干轮次仿真获得规避概率数据集;同时,为解决海量仿真下时间效率不佳的问题,提出利用BP神经网络预测算法进行数据学习,提供准确、快速、可视化的对抗结果。试验结果表明,在本文设定的试验环境下,基于BP神经网络预测算法的平均预测误差为7.28%,可有效对水下平台规避概率进行预测,为指挥员指挥决策提供数据支撑。

基于语义分割-对抗的图像语义分割模型

图像语义分割对场景理解等具有重要的作用,是当前计算机视觉领域研究的一个热点问题。针对当前图像语义分割方法存在的精度低等问题,提出语义分割-对抗模型(Semantic Segmentation Generative Adversarial Networks, SSGAN)。模型采用Deeplab-VGG16作为生成模型,通过对输入真实样本的学习,生成语义分割图;采用金字塔池(Atrous Spatial Pyramid Pooling, ASPP)作为判别模型,对人工标记图与生成分割图进行高阶规律统计。在数据集POSCALVOC2012上实验得到mIOU为0.823,较Adversarial提高0.24。SSGAN模型通过将对抗模型与传统语义分割模型相结合,既保持传统语义分割模型端到端的训练方式,又具有对抗网络自主学习能力,避免人工设计对应的高阶损失项产生的不匹配。最后通过剪枝与权值量化共享将模型压缩为原来的0.045。实验证明本文所提方法具有可行性。

蠕虫对抗蠕虫模型的分析与改进

指出蠕虫对抗蠕虫模型中存在的错误,通过分析蠕虫传播规律,提出修正模型。根据良性蠕虫的不同对抗策略,补充建立相应的蠕虫对抗蠕虫模型。通过数值模拟,分析良性蠕虫出现早晚及良性蠕虫的不同对抗策略对蠕虫传播控制的影响。结果表明,良性蠕虫引入越早,其查杀及修复漏洞功能就越全面,控制恶意蠕虫传播的效果也越好。

基于对抗交叉评价模型的中国自然灾害区域脆弱性评价

首次提出使用对抗交叉评价(Aggressive-Cross-Evaluation)模型对自然灾害的区域脆弱性程度进行研究。从区域自然灾害的危险性,区域承灾体暴露性和区域自然灾害造成的损失程度构建了区域自然灾害系统的脆弱性评价模型,并通过算例对中国自然灾害的区域脆弱性进行了评价。传统的DEA方法为了保证算法的有效性,一般选取的输入和输出指标的个数较少。对抗交叉评价模型回避了传统的DEA方法的缺陷,继承了DEA方法不需要预先估计权重参数和函数模型的优点,可以全面、客观地评价自然灾害的区域脆弱性。

基于改进对抗解释结构模型和交叉影响矩阵相乘法的多航站区分区运行设计影响因素分析

针对大型民用运输机场多航站楼、多机坪复杂布局形式,为科学确定多航站区分区使用模式。在构建多航站区分区运行影响因素集的基础上,运用模糊集理论对对抗解释结构模型(adversarial interpretive structure modeling method,AISM)进行改进,通过模糊可达矩阵对水平截距分布进行深入分析,进而得到多航站区分区运行影响因素的多层级模型。最后结合对抗层级拓扑图以及模糊驱动力-依赖性图对因素之间的关联性和逻辑性进行分析,并以粤港澳大湾区某干线机场的远期规划进行实例验证。结果表明:航空公司年旅客运量和航空公司高峰小时旅客数量驱动力较高而依赖性较低;机位分配与使用策略、分散式航站楼间捷运系统的通达性驱动力较低而依赖性较高。综合对抗层级拓扑图所揭示的表层、中间层、深层影响因素可知,航司年旅客运量和高峰小时旅客数量是影响分区运行设计的最根源和关键的因素。

基于DEA对抗交叉评价模型的化工园区脆弱性评价

化工园区的脆弱性是评估园区安全现状的重要指标,采用DEA对抗交叉评价方法对某省5个化工园区的脆弱性进行了评价研究。首先从园区固有危险性、园区承灾体脆弱性以及事故后果损失程度3个方面构建了化工园区脆弱性评估指标体系,通过DEA对抗交叉评价模型得出的效率值对园区事故成灾效率进行了评估,成灾效率越大说明脆弱性越大,反之,脆弱性越小;最后,探讨了5个化工园区脆弱性等级,对其进行了优劣排序,分析了园区脆弱性的影响因素;可为化工园区的管理者提供理论支持。

无监督网络对抗生成模型的研究

一般的学习模型都是基于一个假设的随机分布,然后通过训练真实数据来拟合出模型。网络模型复杂并且数据集规模也不小,这种方法简直就是凭借天生蛮力解决问题。Goodfellow认为正确使用数据的方式,是先对数据集的特征信息有insight之后,再干活。无监督学习是当下较为流行的话题,但也是困难较为繁多的话题。目前无监督学习可以分成以下两类,分别是确定型的自编码方法以及概率型的受限波尔兹曼机,其目标主要是使受限玻尔兹曼机达到稳定状态时原数据出现的概率最大。如何更快速更有效地地搭建模型以及如何做实验并有效地获得相关的实验结论是人们讨论的重点。在研究中,在判别模型中增加正则化,用卷积层代替池化层,在生成模型中输出层使用tanh激活函数激活,这样使得最终运算的准确率和损失率大大下降,并减少了冗余成分。

基于DEMATEL-AISM的起重驾驶员态势感知与行为响应模型

为深入挖掘起重驾驶员态势感知信息-行为的因果关系,结合ENDSLEY态势感知模型与决策实验室分析(DEMATEL)-对抗解释结构模型(AISM)方法,构建起重驾驶员态势感知与行为响应模型。首先,以起重作业任务为研究对象,使用态势感知理论分析驾驶员行为响应过程,获取信息要素;其次,基于DEMATEL法,量化研究要素间的相互关系,得到综合影响矩阵,进而分析要素的属性及特征值,确定模型的关键要素;最后,采用AISM获得原因-结果属性稳定的层级结构,据此构建起重驾驶员态势感知与行为响应信息模型。结果表明:得到包含轨迹预测与规划、避碰等关键要素的22个要素及影响关系构成的5层信息模型;而且,模型明确了信息要素属性特征、影响关系及影响程度,较好地解释了驾驶员态势感知及行为响应过程。

基于改进对抗生成网络模型的肺气管图像分割

目的:为了提高肺部疾病的临床诊断准确率及其手术成功率,需要对肺气管的影像进行准确的分割。方法:提出一种全新的针对肺气管图像的三维图像分割算法,将深度学习中的对抗生成网络结构(GAN)、密集连接网络模型(Dense Net)以及多尺度连接(Multi Scale)结构应用到临床三维图像的分割中。结果:该方法可以从读取数据块中做到像素级的分割,根据相对坐标位置对分割结果进行投票,结合最大联通分量后处理办法,分割出精确到第四支的气管,算法在测试数据上的分割结果获得交并比(IOU)超过91.4%的准确率。结论:基于对抗生成网络的图像分割算法,无需人工交互即可获得形态学结构复杂(肺气管)的三维目标,能提高肺部疾病的临床诊断准确率和手术成功率。

国家科技重大专项全创新链知识产权育成因素分析——基于对抗解释结构模型

根据国家科技重大专项以突破重点战略性新兴产业关键技术阻碍、与国家重大工程相承接的目标,为系统研究影响其知识产权育成因素,通过文献研究、专家访谈提取17个主要影响因素,并基于对抗解释结构模型进行建模,通过一组具有博弈关系的有向拓扑层级图对各影响因素之间的层级结构和相关关系进行综合分析。研究发现:突破性创新、创新投入、市场机会、自主创新能力是最根本的因素,知识产权应用和产业化是最终因素;存在3个要素间相互影响的因果回路,其中创新投入和创新战略密不可分、相辅相成,风险预警、管理保护和市场竞争互为因果、同时发挥作用,创新成果、自主知识产权、产权升级和衍生创新具有重要地位。据此对促进国家科技重大专项知识产权育成提出注重立项审查、加强资源投入,建立全创新链知识产权育成全过程管理制度,以及进一步完善监测评价机制等对策建议。

林草类科研院所科技创新能力提升影响因素评价模型的构建

为进一步探讨林草类科研院所科技创新能力影响因素并厘清它们之间的联系,在梳理2006至2023年中国知网数据库的72篇核心文献的基础上,通过现场调研和专家咨询,建立林草类科研院所科技创新能力提升影响因素识别与评价体系,同时结合决策实验室法(DEMATEL)和对抗解释结构模型(AISM)明确各因素间的相互影响和层次关系,识别出影响林草类科研院所科技创新能力的根本因素、中间因素和结果因素。结果表明:影响林草类科研院所科技创新能力的12项核心因素包括科技观念不强、创新文化建设不足、技术推广不足、科技成果转化不足、创新环境不佳、科技创新投入不足、人才流失严重、缺乏优秀领军人才、缺乏协同创新机制、评价体系不完善、科技创新发展受限和科技创新周期长、风险大,其中创新环境不佳、人才流失严重和评价体系不完善是根本原因,可从改善科技观念不强、科技创新投入不足、缺乏优秀领军人才等因素着手促进科技创新能力提升。基于研究结论,提出要从创新观念、创新条件、创新人才和创新评价体系等4个关键点着手,全面提升林草类科研院所科技创新能力。

基于改进Wasserstein生成对抗网络的出血性脑卒中CT图像去噪研究

目的 为提高无配对参考图像的出血性脑卒中CT的图像质量,提出一种基于改进Wasserstein生成对抗网络(Wasserstein generative adversarial network,W-GAN)的CT图像去噪算法。方法 以W-GAN网络为框架,在生成器部分引入视觉几何组(visual geometry group,VGG)网络计算感知损失模块,并在鉴别器部分加入自注意力机制和谱归一化卷积对模型进行改进,对输入的低剂量CT数据进行去噪,得到接近标准剂量的图像。随后对无配对参考图像的出血性脑卒中数据用训练完成的模型进行迁移学习,并对最终得到的图像分别使用全变分(total variation,TV)、无参考图像空间域质量评估(blind/referenceless image spatial quality evaluator,BRISQUE)和对比语言-图像预训练模型图像质量评估(contrastive language-image pre-training image quality assessment,CLIP-IQA)3种无参考图像质量评估方式进行评估。结果 在TV、BRISQUE和CLIP-IQA 3种无参考图像质量评估指标上相对于输入提升分别为0.016 5、0.127 2、0.007。结论 本文提出的改进W-GAN网络模型可以用于出血性脑卒中低剂量CT图像去噪的迁移学习任务,并取得良好的性能提升,为辅助医师诊断出血性脑卒中提供了一种可能的工具。