基于G-K算法的网络安全态势预测模型

针对普通Kalman算法在网络安全态势预测中对初始数据的依赖性较高,且预测精度不够高的问题,本文提出了一种基于G-K算法的网络安全态势预测模型。首先利用灰关联熵分析方法选出影响网络安全态势的关键因素,然后结合关键因素建立网络安全态势的多元关系模型,最后选用KDD-cup99的部分数据作为实验数据源对改进算法进行实例仿真。结果表明,G-K算法能够快速跟踪网络安全态势的变化趋势,预测精度优于普通Kalman算法。

基于改进G-K算法的多节点网络安全态势预测模型

影响多节点网络安全态势的因素有很多,传统方法未考虑影响因素,导致预测精度低。为此,构建一种新的改进G-K算法的多节点网络安全态势预测模型。通过灰熵均衡关联度实现关联分析,通过关联分析法对影响多节点网络安全态势的因素进行研究,按照关联程度大小获取重要因素。依据多节点网络日志信息,从主机层、服务层和系统层对多节点网络安全态势值进行计算。分析改进G-K算法预测基本思想:通过多节点网络安全态势重要影响因子值与安全态势值计算状态向量,利用当前状态矢量观测向量对多节点网络安全态势在下一段时间的值进行描述。在此基础上,构建改进G-K算法的多节点网络安全态势预测模型。实验结果表明,采用构建的模型对多节点网络安全态势进行预测,有很高的预测精度,对突变态势也可有效预测。

基于改进G-K算法的多节点网络设备管理系统设计

移动互联网领域正在发生十分深刻的变革,传统的技术和设备已无法适应当前的社会发展需求.结合改进G-K算法,提出一种基于改进G-K算法的多节点网络设备管理系统.采用MVC运行模式对系统进行详细的分析和介绍,将系统划分为三个不同的模块进行处理以及界面交互操作,同时通过界面对最终的结果进行可视化展示.结合关联分析方法对影响多节点网络设备安全的影响因素进行分析,利用改进的G-K算法计算网络安全态势的重要影响因子值以及状态向量,进而进行预测,通过预测结果进行多节点网络设备管理.测试结果表明,所设计系统不仅管理费用较低,同时还具有较高的执行效率.

G-KSVD字典及其在滚动轴承故障信号稀疏表示中的应用

针对传统学习字典中缺少原子相干性分析的问题和最优原子选择问题,提出了一种基于有效奇异分量的G-K奇异值分解(G-KSVD)字典学习方法。基于信号相干性提出自相关函数脉冲能量比(ACFPER),并以此为指标对奇异分量进行筛选,实现信号的降噪,利用包含故障信息较多的分量对字典原子进行更新和系数求解,从而达到增强信号中冲击成分的目的,并通过减少反馈层来降低时间成本。利用仿真信号和实际轴承信号对所提方法进行有效性及重复性的验证,结果表明,G-KSVD算法在有效区间内具有良好的去噪效果和较低的时间成本。

聚类法模糊系统建模的研究与进展

二十世纪九十年代以来,模糊系统的研究与应用得到快速地发展。从输入-输出数据出发建立模糊系统也成为控制领域一个研究热点。本文综述并分析了二十年来聚类法模糊系统建模研究的重要成果,并指出了进一步的研究方向。

ANALYSIS AND COMPUTATIONAL ALGORITHM FOR QUEUES WITH STATE-DEPENDENT VACATIONS I:G/M(n)/1/K

In this paper we study a queueing system with state-dependent services and state-dependent vacations, or simply G/M（n）/1/K. Since the service rate is state-dependent, this system includes G/M/c and G/M/c/K queues with various types of station vacations as special cases. We provide a recursive algorithm using the supplementary variable technique to numerically compute the stationary queue length distribution of the system. The only input requirement is the Laplace-Stieltjes transform of the interarrival distribution as well as the state-dependent service rate and state-dependent vacation rate. In a subsequent companion paper, we study its dual system M（n）/G/1/K queue with statedependent vacations.