一种航空发动机燃油流量基线的建模方法

为实现航空发动机的在巡航过程中的实时监控及时发现发动机状态参数的异常变化,提高飞行安全水平,提出基于航空发动机燃油流量(FF)基线求解偏差值的一种算法;依据设定的飞行数据筛选原则和预处理方法建立模型样本,设计以高斯函数为隐含层激励函数和以线性函数为输出层激励函数的多输入单输出的RBF神经网络,通过Pearson相关性分析确定网络的输入节点;使用该网络得到预测燃油流量基线,再与实际燃油流量做比较可得燃油流量偏差值;最后对预测偏差值和观测偏差值实施两配对非参数检验以验证网络精度,结果表明该方法是计算航空发动机巡航状态下燃油流量偏差值的一种有效算法。

基于深度学习的网络基线与加密流量分类技术

随着网络通信技术不断更新以及服务不断扩展增强,再加上不断增加的互联网设备、应用程序以及服务数量等,网络管理愈加复杂和严峻,同时网络安全事件的发生也更加频繁。网络正常状态下的特征分布通常与异常状态下的特征分布存在显著不同,因此通过构建安全流量基线可以发现网络异常。目前的基线模型大多依赖于人工设计规则,漏报率和误报率过高。引入深度学习技术,提出了一种基于LSTM(Long Short-Term Memory)的动态基线构建方法,同时融合了3个维度的流量特征。此外,由于异常访问和攻击通常被敌手进行加密传输,为保证系统安全运行,需要对加密流量进行细粒度分类,筛选出正常访问应用服务流量。因此,提出一种基于深度学习的加密流量分类技术,通过挖掘流量特征深层表征可实现加密流量的细粒度分类。

一种基于SNMP的网络蠕虫防治方法——利用无级别分布式监测和SNMP抑制蠕虫传播

该文分析了网络蠕虫的工作机制和扫描策略,根据蠕虫传播时引起的网络流量异常特征,设计了一种检测蠕虫病毒的方案,提出采用无级别分布式检测和SNMP技术抑制蠕虫传播的方法,利用探针检测引起网络流量异常的主机,与中心服务器配合迅速抑制异常流量扩散。实践表明,此方法能够有效地防止网络中蠕虫病毒的传播,保障网络资源的合理使用。

基于基线的APT检测分析平台研究与设计

为了弥补传统安全防护措施在防范APT(高级持续性威胁)方面的不足,本文结合APT的特点,运用社会工程学,从用户行为和网络流量两方面内容提出了一种基于基线的APT检测分析平台的设计,实现对APT的深度检测、追溯、印证,加强安全防护"内控"。