电网智能服务云端海量数据完整性轻量级检测方法

以往使用的基于多分支树结构、基于带权单链表的完整性验证方案,受到被攻击数据影响,存在数据完整性检测结果不精准问题。为了解决这个问题,提出了电网智能服务云端海量数据完整性轻量级检测方法。构建支持数据动态更新的轻量级检测模型,在该模型下分析数据被攻击风险。针对数据被攻击而出现的密钥泄露问题,设计了基于轻量级的检测方法执行步骤。在准备阶段,通过引入公钥密码机制进行公开验证。构造风险数据集合,计算发送信息和验证信息签名,以此为依据,设计数据完整性轻量级检测流程。由实验结果可知,该方法在正常情况下,数据准确性分析结果最高值为99.80%,在存在被攻击风险的情况下,数据准确性分析结果最高值为91.00%,因此,使用该方法能够得到精准分析结果。

基于物联网流量指纹的安全威胁轻量级检测方法

针对传统物联网深度包流量检测效率过低问题,提出一种基于物联网流量指纹的安全威胁轻量级检测方法。首先采用数据重构的方法获取流量时空数据,然后采用深度学习的方法提取流量数据时空特征(即流量数据指纹),最后采用基于蚁群算法优化的BP神经网络进行流量异常检测和识别。实验证明,使用该算法进行流量异常检测能够避免检测模型陷入局部最优,能够显著提高物联网威胁检测精度。

结合MobileNetV2与YOLOv5s的轻量级遥感目标检测方法研究

针对目前遥感影像目标检测方法模型结构复杂、计算量大,且难以在边缘计算硬件上部署并流畅运算的问题,提出一种基于YOLOv5s的轻量化遥感影像目标检测模型。将使用轻型通道注意力机制的MobileNetV2网络放入YOLOv5s内代替CSPDarknet53进行特征提取,然后使用多路径融合网络PANet实现多尺度特征图融合增强,最后输出3个尺度的特征图参与检测。在公开遥感目标检测数据集上对模型训练和测试。实验结果表明,改进后模型相比原模型YOLOv5s,在检测速度与模型体量方面均有明显提升,同时mAP相比对照组内的MobileNet-SSD、YOLOv4-tiny模型,分别提高了23.1%和21.4%。以上结果充分说明本文提出模型能够在边缘计算硬件上实现对遥感影像目标的精准、实时检测,可以在城市规划、应急救灾等领域发挥出重要的应用价值。

基于内存增强自编码器的轻量级无人机网络异常检测模型

为了解决传统智能攻击检测方法在无人机网络中存在的高能耗以及高度依赖人工标注数据的问题,提出一种基于双层内存增强自编码器集成架构的轻量级无人机网络在线异常检测模型。采用基于操作系统的消息队列进行数据包缓存,实现对高速数据流的持久化处理,有效提升了模型的稳定性和可靠性。基于衰减窗口模型计算数据流复合统计特征,以增量更新方式降低了计算过程中的内存复杂度。利用层次聚类算法对复合统计特征进行划分,将分离的特征输入集成架构中的多个小型内存增强自编码器进行独立训练,降低了计算复杂度,同时解决了传统自编码器因重构效果过拟合而导致的漏报问题。在公开数据集和NS-3仿真数据集上的实验表明,所提模型在保证轻量级的同时,与基线方法相比,假阴性率分别平均降低了35.9%和48%。

基于改进YOLOv5的轻量级铁水罐号车号检测算法

为解决车号罐号识别中因环境恶劣、字符较小导致的准确率偏低且实时性较差等问题,提出一种基于改进YOLOv5的轻量级检测方法.首先通过二阶段检测并增加小目标检测层,进一步采用大尺寸图像输入和数据均衡方法,提升模型检测效果;其次在骨干网络的最后一层引入CA坐标注意力,并制作掩码实现感兴趣区域检测,提升复杂场景下的车号字符检测精度.最后,通过采用GhostNet模块替换骨干网络模块,使模型进一步轻量化.实验结果表明:YOLO⁃MGCA模型,相较于基线模型map提高了1.4%,模型精度增加了3%,模型参数量减少了40%.

基于特征选择的轻量级入侵检测系统

基于特征选择的入侵检测系统处理的数据含有大量的冗余与噪音特征,使得系统耗用的计算资源很大,导致系统训练时间长、实时性差,检测效果不好.特征选择算法能够很好地消除冗余和噪音特征,为了提高入侵检测系统的检测速度和效果,对基于特征选择的入侵检测系统进行研究是必要的.综述了这一领域的研究进展,从过滤器、封装器、混合器3种模式对基于特征选择的轻量级入侵检测系统进行分类比较,分析和总结各种系统的优缺点以及它们各自适用的条件,最后指出入侵检测领域特征选择的发展趋势.特征选择不仅可以提升入侵检测系统的性能,而且使得对入侵检测的研究向特征提取算法的方向转移.

特征选择的轻量级入侵检测系统

特征选择能够很好地消除冗余和噪音特征,有利于提高入侵检测系统的检测速度和效果,因而对基于特征选择的入侵检测系统进行研究是必要的,也符合入侵检测领域的发展趋势。提出了一种基于过滤器模式的轻量级入侵检测系统,无论是在数据集的特征选择算法还是分类器的参数优化上,都给出了有效的实施策略,提高了检测速度,降低了分类干扰,提高了入侵检测的检测率。

轻量级网络入侵检测系统——Snort的研究

简单阐述了入侵检测系统的基本概念、发展及分类,并从功能特点、工作原理和体系结构三个方面分析了Snort这个优秀的轻量级网络入侵检测系统。

轻型注意力机制遥感影像多类别目标检测方法研究

针对常规遥感影像目标模型难以在低功耗硬件中部署运行的问题,提出一种轻型的遥感影像多类别目标检测模型。在模型特征提取网络不同层中分别使用了带有SE通道注意力模块的卷积核组与瓶颈结构的卷积核组进行特征提取,然后通过包含通道注意力的多尺度增强网络输出3个尺度的特征图参数进行最终检测。以RSOD、谷歌地球等作为数据源构建了数据集,并对其中的训练集进行了样本增强。试验结果表明,本文提出的模型能够对不同环境下的多类别目标实施快速精准测出,并且训练后模型占用内存较小,运行参数量低,能够部署在低功耗的硬件终端并对遥感影像中的目标实施快速精准检测。

Snort-轻量级网络入侵检测系统

1、Snort简介 Snort是一个轻量级的网络入侵检测软件，这里的“轻量级”的意思是占用的资源非常少，能运行在多种不同的操作系统中，它是基于libpcap库的网络数据包嗅探器和日志记录工具。Snort具有很好的扩展性和可移植性。它是一个用C语言编写的开发源代码软件，符合GPL（GUN General Public License）的要求，任何组织和个人都可以自由使用，当前最新版本2．4。

改进多头注意力机制的车道检测方法

针对基于卷积神经网络(convolution neural network,CNN)的车道线检测方法存在的网络处理效率低和对车道线细长结构的建模能力不佳的问题,提出一种基于改进多头注意力机制(multi-head self-attention,MHSA)的轻量级车道检测方法。引入MHSA,融合Fuse MBConv、MBConv模块与特征压缩模块,降低模型的参数,同时利用上下文信息嵌入模块,建立兼顾检测精度和推理速度的全局注意力网络;利用Transformer的编码和解码器以及前向反馈网络将车道线参数化,结合匈牙利拟合损失函数提高所提出方法对车道线细长结构的建模能力。在TuSimple数据集对所提出的方法进行验证,结果表明,所提出的方法识别精度达到96.3%,推理速度达到95帧/s,同时在Apollo无人驾驶平台上的运行速度达到60帧/s,能够满足实时检测的要求。

基于深度学习的轻量级目标检测网络综述

目标检测指的是在给定的图片中,找出我们想要关注的目标,比如行人、车辆、动物等实例对象,其在视频跟踪、人体姿态识别等复合任务中也至关重要。轻量级目标检测网络虽然舍弃部分精度,但仍足以应用在工业领域,同时因其检测速度较快,符合终端应用的实时性要求,因此受到了广泛的关注。本文列举介绍了近十年内的流行轻量级目标检测网络算法,并采取实验进行比较,最后作出总结并对未来前景进行了展望。

基于机器视觉的轻量级驾驶辅助系统

为了解决计算机视觉应用中数据量大、算法复杂的问题,根据道路结构特征和车辆行为特征,采用单个摄像头作为传感器,实现了一种轻量级的安全辅助驾驶系统。首先采用改进的边缘提取算法和车道线检测算法对摄像机内外参数进行离线标定;接着根据标定结果在二维平面图像上采用标识出实际空间距离的多窗口划分方法,并按不同的车间距将不同窗口划分为不同安全系数的区域,以赋予道路视觉检测的几何先验知识;当区域中出现障碍物时发出相应警示信息进行安全驾驶辅助,能为智能辅助驾驶提供轻量级的视觉检测平台。以便携式计算机和固定在车内的摄像头作为实验装置,在城市道路上进行车载实验。系统在车载实验中能够快速地提取车辆两侧的车道线,并利用离线标定的结果快速生成不同安全系数的警示区域,其中车辆在车道内正常行驶时的误检率和漏检率很小,可以忽略不计。与传统的驾驶辅助系统相比,本系统计算量大大降低,检测流程得到简化,可实现轻量级的车道和车辆检测,为系统在嵌入式系统上的实现奠定基础。

轻量级的软件定义网络数据包转发验证

软件定义网络(Software Defined Network,SDN)引入控制层与转发层分离简化了网络管理和功能部署,近年来得到了广泛的关注.然而,SDN无法检测由于网络攻击或者转发规则的错误实施导致的数据包被错误转发.例如,SDN中转发的数据包会被异常的规则或攻击者丢弃、篡改或注入虚假数据包.此外,由于处于数据层的SDN交换机仅提供了简化的数据转发功能,因此作者无法简单地部署传统IP网络中的数据转发验证方案.因此,作者需要提出一个适用于SDN的有效数据转发验证方案以确保数据包的正确转发.已有SDN转发验证的方案通常通过逐跳验证或者对比全部流的统计信息,这会带来巨大的计算和通信开销.文中基于OpenFlow协议提出了一个轻量级的SDN数据包转发验证方案LPV(Lightweight Packet Forwarding Verification).由于LPV利用SDN本身提供的Packet-in消息机制以及组表读取转发结点的流转发统计值,在检测转发异常行为以及定位异常行为结点的同时,避免了大量读取转发结点状态而引入的计算和通信开销.LPV利用流表规则对入口和出口交换机进行采样,将采样信息的消息验证码MAC(Message Authentication Code)值和相应的流统计信息上报给控制器.由此,控制器可以通过对比包的MAC值和统计信息来检测网络中的异常转发行为.与此同时,LPV可以通过分析收集的信息找出篡改或丢弃包的结点以定位异常行为的结点.通过基于随机化采样的转发验证机制,LPV有效降低控制器和交换机中引入的处理和通信开销.同时,随机化采样实现了交换机转发状态的一致性检测,任何攻击者都无法通过推断采样来绕过LPV的检测.作者在开源Floodlight控制器和ofsoftware13软件交换机中实现了LPV并在Mininet中进行了仿真实验,实验结果表明LPV能够检测及定位数据包篡改、流量劫持等转发异常行为,同时仅引入了大约10%的平均转发延迟和小于10%的通信开销.

基于GhostNet的机器人对番茄叶片目标检测算法

为了在农业机器人上部署面向番茄叶片图像的识别和检测系统,实现准确和快速检测的双重要求,在YOLOv4和YOLOv4(tiny)目标检测算法的基础上,设计了基于GhostNet模块的YOLOv4-Ghost Net和YOLOv4(tiny)-GhostNet两种检测算法,其中,YOLOv4(tiny)属于YOLOv4的轻量级检测算法,进一步提升机器人对番茄叶片图像的识别检测精度和检测速度。实验结果表明,引入Ghost Net模块的深度学习检测算法,在实现模型参数量减少的情况下,保证了网络模型的特征提取和表达能力。YOLOv4(tiny)-G hostNet的平均检测率为95.44%,相比于YOLOv4、YOLOv4-GhostNet和YOLOv4(tiny),平均检测率分别提高了2.21、13.99、10.21个百分点。同时YOLOv4(tiny)-GhostNet的模型参数量不足YOLOv4的1/13,模型参数明显的缩减,极大地提高了检测算法的优势。

增强支持向量机和遗传算法的WSN安全研究

针对开放式WSN连接到互联网上的智能设备数量和多样性迅速增加而导致的入侵检测误报和入侵检测准确性等问题,提出一种基于增强型支持向量机(Enhanced Support Vector Machine,ESVM)分类和遗传算法(Genetic Algorithm,GA)特征选择的智能轻量级物联网入侵检测算法。该算法进行预处理以将入侵数据集的复杂流量转换为SVM的可读格式,采用交叉和变异算子智能选择信息量最大的流量特征以降低无线网络流量的维数,使用ESVM算法执行分类以更有效地识别入侵攻击检测。实现结果表明,该算法在选择最优流量和提高检测精度方面均有明显改善。

一种高效的系统扫描检测方法

系统扫描检测是网络入侵检测与预警系统的重要组成部分。传统基于统计的系统扫描方法具有阈值、时间窗口难以设定,而且难以检测隐蔽扫描等不足。该文提出一种基于TCP包头异常检测的系统扫描检测方法THAD。通过学习到达被保护主机的TCP包的端口(Port)和标记(Flag)的分布特征,THAD可计算出每个到达TCP包的异常值,并结合TCP协议本身的特征对检测方法进行优化。测试表明,THAD可以有效地检测包括慢扫描和隐蔽扫描等多种系统扫描行为,与已有多种检测方法相比,THAD显著提高了检测的准确性,并提高了检测的效率和实时性。

基于GAIG特征选择算法的轻量化DDoS攻击检测方法

为了提高基于分类的DDo S攻击检测方法的实时性,通过结合轻量级入侵检测提出了以遗传算法为搜索策略、信息增益为子集评估标准的filter型特征选择算法(feature selection based on genetic algorithm and information gain,GAIG),提取具有高区分度的相对最小特征子集。在此基础上对比了Nave Bayes、C4.5、SVM、RBF network、Random forest和Random tree这六种常用分类器的性能,并选取Random tree构建了一种轻量化的DDo S攻击检测系统。实验结果表明,GAIG算法使分类器在尽可能不降低分类精度的同时,提高分类速度,从而提高分类检测的实时性。该轻量化攻击检测系统比一般的分类模型具有更好的检测未知攻击的能力。

改进YOLO v4-tiny的火焰实时检测

为解决火焰实时检测参数量大、对硬件计算能力要求高等问题,提出了改进型YOLO v4-tiny的轻量级火焰实时检测模型。首先,对模型的参数进行了修剪;其次,通过在模型的浅层加入改进型的CSP-RFBs,扩大网络浅层的感受野;然后,对CSP-ResNet的框架进行改进,提出了速度更快、准确率更高的沙漏型CSP-ResNet;最后,在网络深层采用改进型CSP-SPPs,对多重感受野进行进一步融合。实验结果表明,改进型YOLO v4-tiny模型的准确率可达48.5%,较原模型提升了15.5%;模型的参数量和权重文件大小分别为2.45 BFLOPs和16.3 Mb,分别比原模型减少了63.9%和30.6%。在移动开发板NVIDIA Jeston Xavier上FPS可达49.6,比原模型提升了21.9%。

针对弱小无人机目标的轻量级目标检测算法

为解决无人机“滥用”带来的安全隐患,针对现有基于深度学习的无人机目标检测算法复杂度较高,导致模型训练耗时长、占用计算资源大、输入图像尺寸受限、检测速度慢等问题,提出了一种轻量级无人机目标检测(DTD-YOLOv4-tiny)算法。所提算法以YOLOv4-tiny为基础,通过K-means++聚类算法对Anchor box进行优化,并增加52×52尺寸特征图的检测头,拓展了算法对小目标的适用范围,再结合ShuffleNetv2轻量化骨干网络,使用reorg_layer下采样和sub-pixel上采样的方式,分别对YOLOv4-tiny算法的Backbone、Neck和Head进行优化,最终得到的模型大小仅为1.4 MB,浮点运算量(GFLOPs)仅为1.1的DTD-YOLOv4-tiny轻量级检测算法。实验结果表明,DTD-YOLOv4-tiny检测模型在不限制图像输入尺寸的同时,保证了较低的运算资源占用和高的检测实时性,同时降低参数量后的算法在面对原始大尺寸图像时也可以保持准确性。在Drone-vs-Bird 2017数据集上使用960×540尺寸的图像作为输入时,所提算法的平均精度(AP)@50值达到95%,在RTX2060显卡上的检测速度达到113 frame/s;在TIB-Net数据集上使用1920×1080尺寸的图像作为输入时,所提算法的AP@50值达到85.1%,在RTX2080Ti显卡上的检测速度达到119 frame/s。