基于AECD词嵌入的挖矿恶意软件早期检测方法

挖矿恶意软件会损害系统安全,缩减硬件寿命,以及造成大量电力消耗,实施对挖矿恶意软件的早期检测以及时阻止其损害对于维护系统安全至关重要。现有的基于动态分析的挖矿恶意软件早期检测方法未能兼顾检测的及时性和准确率。为及时且准确地检测挖矿恶意软件,将挖矿恶意软件运行初期所调用的一定长度的API(application programming interface)名称、API操作类别和调用API的DLL(dynamic link library)进行融合以更充分地描述其在运行初期的行为信息,提出AECD(API embedding based on category and DLL)词嵌入方法并进一步提出基于AECD词嵌入的挖矿恶意软件早期检测方法(CEDMA)。CEDMA以软件在运行初期所调用的一定长度的API序列为检测对象,使用AECD词嵌入和TextCNN(text convolutional neural network)建立检测模型来实施对挖矿恶意软件的早期检测。实验结果显示,CEDMA以软件运行后首次调用的长度为3000的API序列作为输入时,可分别以98.21%、96.76%的Accuracy值检测实验中已知和未知的挖矿恶意软件样本。

基于深度学习的勒索软件早期检测方法

近年来,勒索软件的活跃度高居不下,给社会造成了严重的经济损失。文件一旦被勒索软件加密后将难以恢复,因此如何及时且准确地检测出勒索软件成为了当前的研究热点。为了提升勒索软件检测的及时性和准确性,在分析多种勒索软件家族与良性软件运行初期行为的基础上,提出了一种基于深度学习的勒索软件早期检测方法(Ransomware Early Detection Method Based on Deep Learning,REDMDL)。REDMDL以软件运行初期所调用的一定长度的应用程序编程接口(Application Programming Interface,API)序列为输入,结合词向量和位置向量对API序列进行向量化表征,再构建深度卷积网络与长短时记忆网络(Convolutional Neural Network-Long Short Term Memory,CNN-LSTM)相结合的神经网络模型,来实现对勒索软件的早期检测。实验结果显示,REDMDL能够在一个软件运行后数秒内高准确率地判定其是勒索软件还是良性软件。

面向行为多样期的挖矿恶意软件早期检测方法

挖矿恶意软件是一种隐匿在受害主机中,在未经用户许可的情况下使用系统资源挖掘加密货币的恶意软件,其不仅影响计算机系统的正常运行也会危害系统安全.目前基于动态分析的挖矿恶意软件检测方法主要以挖矿恶意软件的工作量证明行为为检测对象,难以实现对此类软件的及时检测.针对上述问题,通过分析挖矿恶意软件的运行过程,发现挖矿恶意软件在建立网络连接前行为多样,由此提出“挖矿软件行为多样期(Behavioral Diversity Period of Cryptominer,BDP)”的概念并进一步提出面向行为多样期的挖矿恶意软件早期检测方法(Cryptomining Malware Early Detection Method in Behavioral Diversity Period,CEDMB). CEDMB使用n-gram模型和TF-IDF(Term Frequency-Inverse Document Frequency)算法从BDP内的API(Application Programming Interface)序列中提取特征以训练检测模型.实验结果显示,CEDMB使用随机森林算法时可以在软件开始运行后10 s内以96.55%的F1-score值判别其是良性软件还是挖矿恶意软件.

胰腺癌早期检测的生物标志物

胰腺癌症是最难诊断和治疗的恶性肿瘤之一,其特点是发病隐匿、进展迅速、预后差。目前,手术治疗仍然是首选治疗方法。然而由于缺乏早期症状,大约70%的患者在确诊时已经出现局部扩散或远端转移,从而无法进行手术治疗。由此看来,早期检测是提高患者治疗效果和预后的有效途径。临床上使用的成像方法(CT、MRI、EUS等)通常无法检测早期病变,并且很容易受到操作员的影响。常规临床标志物如CA19-9、CA125、CA242和CEA受到限制,其敏感性或特异性不令人满意。因此,寻找新的具有高敏感性和特异性的标志物是实现胰腺癌早期检测的关键。近年来,对生物标志物的广泛研究主要集中在遗传学、转录组学和蛋白质组学上。特别是由microRNA(miRNA)、long non-coding RNA(lncRNA)和circRNA(circRNA)组成的非蛋白质编码RNA(non-protein coding RNA,ncRNA)为胰腺癌的早期检测提出了许多新思路。然而,其中绝大多数仍处于实验室研究阶段。而一项成熟的生物标志物研究应该整合基因组学、转录组学、蛋白质组学或代谢组学的数据,并结合患者的个体特征(如体重指数、糖尿病史、吸烟、饮酒和其他危险因素)进行大规模、前瞻性和验证性研究。

茄科作物常见病害早期检测技术的研究进展

以番茄、马铃薯、烟草为主的茄科作物在全球经济作物中占据重要地位。然而,茄科作物在生长过程中易受早疫病、晚疫病等多种病害侵染,病害的发病率高且危害范围广,严重制约了其生产发展的稳定性。利用实时、快速、无损的检测技术在茄科作物病害显症之前进行早期诊断,可以显著降低产量损失、提高质量,对科学指导生产具有重要意义。本文首先对茄科作物的常见病害的类型、病原菌、主要危害作物及发病症状进行概述,给出对应的病害典型图片;再简单介绍作物病害的传统检测技术,并与新型检测技术作对比分析,总结优缺点;接着系统阐述如可见光图像识别技术、红外热成像技术及高光谱成像技术等新型检测技术的基本原理与相关研究进展及其应用局限。其中,重点介绍高光谱成像技术用于作物病害检测的原理机制和常规检测流程,综述其应用于茄科作物病害早期检测的国内外研究进展,总结列出了部分茄科作物病害研究的重要检测波段;最后,指出了目前试验方法存在的不足并探讨了未来研究发展的方向。

鸡大肠杆菌病的症状与早期检测方法

1引言1.1禽业中大肠杆菌病的影响大肠杆菌病,作为一种普遍影响禽类健康的疾病,对全球养鸡业构成了显著挑战。此病不仅影响鸡只的生长发育,降低生产效率,还可能导致高死亡率,从而给养鸡业带来经济损失。除了直接经济损失,大肠杆菌病还可能引发动物健康,增加对抗生素的依赖,进而加剧了抗生素耐药的问题。此外,某些大肠杆菌株还可能对人类健康构成威胁,这使得其成为一个公共卫生问题。因此,了解并控制大肠杆菌病在养鸡业中的传播显得尤为重要。

基于计算机视觉的火灾早期检测系统开发研究

本文旨在开发一种基于计算机视觉的火灾早期检测系统,以提高火灾预警的准确性和响应速度。在火灾发生初期,及时的检测至关重要,能够显著减少由火灾引起的财产损失和人员伤亡。当前,传统的烟雾探测器在某些环境下存在局限性,如易受到环境因素的干扰,响应时间较长。因此,利用计算机视觉技术进行火灾早期检测成为了一个有价值的研究方向。本系统采用高级图像处理和模式识别技术,能够通过分析监控视频中的视觉特征,如烟雾动态扩散模式、火焰颜色和形态变化,来实现火灾早期检测。系统架构包括数据采集模块、图像处理模块、火灾识别算法和警报模块。火灾识别算法结合了深度学习技术,提高了检测的准确率和鲁棒性。在测试阶段,系统在多种环境和不同类型的火灾场景下进行了验证。测试结果表明,该系统相比传统烟雾探测器在检测速度和准确性上都有显著提升,尤其是在复杂环境下的表现更为出色。然而,也存在一些挑战,如误报率控制和环境干扰的影响。

液体活检:突破性肿瘤早期检测技术的研究进展

恶性肿瘤已经成为人类健康的一大威胁,超过50%的肿瘤患者在诊断时已进入晚期,错过最佳治疗时机,给患者和社会带来巨大的经济负担。肿瘤的早期检测对于提高患者的生存质量、生存率、减轻社会经济负担至关重要。然而,目前大多数肿瘤缺乏可靠的早期检测方法,仍依赖组织活检,但其具有创伤性,患者的依从性较差。而液体活检作为非创伤性的诊断方法,通过分析循环肿瘤细胞、循环肿瘤DNA、外泌体、microRNA、循环RNA、肿瘤教育血小板、长链非编码RNA等携带的信息,是目前肿瘤早期检测领域的研究热点。本文综述了液体活检技术在肿瘤早期检测中的研究进展,有望为液体活检的临床转化提供帮助。

牛乳房炎的早期检测与治疗技术研究

牛乳房炎是影响乳牛健康和乳品质量的重要疾病。为准确快速诊断和治疗牛乳房炎,研究人员已开发出一系列高效的检测手段与治疗技术。其中,CMT和BMT用于快速检测牛隐性乳房炎的现场方法,通过监测乳液中的白细胞计数来判断是否患有乳房炎。体细胞计数法则是通过量化乳液中的体细胞数量来评估乳牛的乳房健康状况。在治疗方面,拥有包括药物注射、乳房灌注以及生物制剂应用在内的多种技术。最新研究揭示,利用细胞因子、抗菌肽及疫苗等生物制剂,在预防与治疗牛乳房炎上展现出显著效果。这些方法在未来有望取代或减少抗生素的使用,为乳牛养殖业带来更安全、更可靠的保障。

基于热红外成像技术的小麦病害早期检测

实现对受到病原侵染的小麦植株进行早期检测,对于小麦病害的监测预警和及早防治具有重要意义。为研究热红外成像技术早期检测小麦病害的可行性,该研究以小麦条锈病为例,以健康小麦植株、条锈病潜育期和发病期小麦植株为试验材料,利用热红外成像技术采集他们的热红外图像和叶片温度,在潜育期内连续检测其热红外图像和叶片温度随接种天数的变化。通过图像对比发现,接种后第5天,肉眼观察热红外图像可将受到侵染但未显症的小麦植株与健康植株区分开来。进一步数据处理,表明接种后第3天处于条锈病潜育期的小麦植株叶片平均温度和不同部位最大温差分别比健康植株叶片的低0.08℃和高0.04℃(P<0.05),可将处于条锈病潜育期的小麦植株与健康植株区分开来。随着接种后天数的增加,处于条锈病潜育期的小麦植株叶片的平均温度和最大温差与健康小麦植株叶片的差异逐渐增大。接种后第12天,接种小麦植株叶片平均温度比健康植株叶片低1.22℃,接种小麦植株叶片最大温差比健康植株叶片高1.58℃。可见,利用热红外成像技术可以早期检测到小麦受到病原侵染后的温度变化,热红外成像技术作为一种小麦病害早期检测的方法是可行的。

基于短路早期检测的中压故障电流快速限制技术

为了提高故障电流限制器(FCL)在中压系统中的性能,提出基于短路电流早期检测的故障限流技术。在建立中压配电短路故障仿真模型的基础上,提出利用Mallat多尺度分辨小波变换实现短路电流早期检测。以中压动态模拟系统为对象,验证了中压短路电流早期检测的有效性。以串联谐振型FCL为例,分析对比了基于常规短路判据与早期检测的故障限流效果;以断路器分断苛刻度为指标,分析早期短路检测对故障分断能力的影响。仿真分析表明,基于短路电流早期检测的故障限流技术性能良好。

储粮真菌危害早期检测方法的研究

在传统真菌孢子计数法的基础上,为消除样品自身携带真菌孢子的干扰,通过对样品检测浓度设限,建立了一个储粮真菌危害早期检测方法——危害真菌孢子计数法。方法操作为样品用水提取,过滤,滤液于显微镜下进行真菌孢子计数。在本试验中对样品前处理条件进行了优化,最佳样品提取条件,称样量为10 g,提取时间为1 m in,滤网孔径为300目;对不同感染水平的小麦、稻谷样品进行了重复性试验（n=8）,相对标准偏差（RSD%）范围在8.2%~31.4%;与平板菌落计数法比较,相关系数r2=0.847 9,显示出两者具有良好的相关性。本方法可用于储粮真菌危害的早期检测。

网络入侵早期检测方法的研究与实现

在网络入侵发生的早期进行检测对于提高在线入侵检测系统的实时性至关重要。针对网络入侵的早期检测,提出一组描述网络入侵早期行为的特征,设计早期特征在线提取算法。采用GHSOM神经网络算法作为分类器,实现基于神经网络的在线入侵早期检测系统。实验结果证明,该方法对绝大多数攻击的早期检测率在80%以上。与非早期检测相比,可优化在线检测的实时性,提高检测率。

基于傅里叶变换红外光谱的黄瓜褐斑病早期检测

利用傅里叶变换红外光谱技术对黄瓜叶片进行褐斑病菌还未在叶片表面形成症状时病害的早期检测,确定了1 735,1 545和1 240 cm-1三个识别黄瓜褐斑病的敏感谱带,结合敏感谱带的峰面积值和系统聚类分析,可以把正常黄瓜叶片和褐斑病叶片区分开来。结果表明傅里叶变换红外光谱在鉴别病害黄瓜叶片方面具有方便、快速等优点,可以在病症还未表现时进行检测,为病害的早期诊断提供了新的途径。

基于高光谱成像技术的玉米弯孢叶斑病的早期检测

为实现玉米叶片表面未见明显病症的病害早期检测,提出一种基于高光谱成像技术的玉米弯孢叶斑病早期检测方法。以玉米叶片为研究对象,采用人工接种病菌使玉米感染弯孢叶斑病,在接种后1,2,3,4,5d,每天采集接种病菌叶片30片,正常未接种叶片10片,利用高光谱成像系统获取接种病菌叶片和正常未接种叶片在400~1000nm高光谱图像数据,经过分析接种病菌叶片和正常未接种叶片的原始光谱、原始光谱的一阶导数光谱、平均光谱绝对差值,确定玉米弯孢叶斑病早期检测的特征波段选取区。然后通过显著性检验和相关性分析,将置信区间设为95%,在特征波段选取区确定458.9,481.1,500.8,515.7,525.7, 531.9,534.4,550.7,578.3,604.9,625.2,646.8,677.5,735.3,754.7nm,为玉米弯孢叶斑病早期检测的特征波段。最后,基于选定的特征波段构建玉米弯孢叶斑病支持向量机检测模型。结果表明:利用选取的特征波段作为支持向量机的输入矢量,建立的玉米弯孢叶斑病早期检测模型,通过支持向量机选择的线性核函数、多项式核函数、径向基核函数3种不同的核函数,在接种后的第1d,3种核函数测试集准确率达79%以上,线性核函数在接种第3d,测试集准确率达到88.75%。该研究可以对玉米弯孢叶斑病在未见明显叶斑的早期进行快速、无损检测,为玉米病害的早期检测提供新的思路。

改进的随机早期检测非线性算法

主动队列管理是目前的研究热点,随机早期检测(RED)算法是一种经典的队列管理算法。线性RED算法虽然简单且容易计算,但队列位于最小阈值和最大阈值附近时的丢包概率都不太合理。在论证了平均队列长度和丢包概率间为非线性性质后,提出了一种改进非线性RED算法——JRED。利用NS2对改进的算法进行仿真,结果表明,JRED算法提高了平均吞吐量,降低了丢包概率,增强了网络稳定性和可靠性。

一种改进的随机早期检测算法

针对随机早期检测算法(RED)参数配置困难的问题,提出了一种自适应阈值RED(SATRED)主动队列管理算法.该算法根据网络拥塞状况,周期性地自动调整最大阈值和最小阈值,以便改善RED路由器的性能.在调整周期内,每到达一个数据包,将平均队列长度和阈值进行比较,在周期结束时根据比较结果对阈值进行调整.仿真结果表明,在路由器缓冲区有限的情况下,相对于简单的尾部丢弃(tail drop)和RED,该算法能为TCP连接提供更好的公平性.

无症状人群中早期检测大肠癌的研究现状

无症状人群中早期检测大肠癌的研究现状浙江医科大学肿瘤研究所（３１０００９）刘希永，杨工，郑树结、直肠癌是常见的恶性肿瘤之一。在我国，大肠癌在恶性肿瘤死亡率中，男性居第五位，女性居第六位，且呈逐年上升趋势［１］。有人预测到２０００年，至少在一些大城市，...

参数自适应的随机早期检测算法

随机早期检测(Random Early Detection, RED)是一种广泛应用于包交换网络的主动队列管理技术,它通过保持较小的平均队列长度,在缓冲区溢出前主动丢包,降低路由器的丢包率,保持较低的服务延迟,避免缓冲区锁定,提高网络的利用率。但是RED严重依赖于参数的设置。该文根据保持网络流量平稳的丢包率和路由队列的变化提出了一种自适应地调节参数的RED改进算法。模拟实验的结果表明,自适应地调节参数提高了RED的适应性,降低了数据包排队延时和丢包率,提高了链路利用率。

基于小波变换的短路故障早期检测门限值的研究

当采用小波分解方法对低压配电系统短路故障进行早期检测时,门限值的合理设置对故障检测的可靠性及灵敏度是至关重要的。本文通过对低压配电系统电动机的起动、过载及线路短路的暂态过程进行深入研究,得到了基于三次 B 样条小波变换的短路故障早期检测门限值的设置方法。该方法与全波傅里叶模值检测方法相比,不仅可将短路故障与电动机起动、过载正确区分开,而且还可超高速地检测出短路故障。仿真结果证实了该方法的正确性及有效性。