软件潜在溢出漏洞是指软件中存在的安全漏洞,会导致软件运行过程中出现错误或性能下降等问题。为了准确检测出软件潜在溢出漏洞,提出一种基于LSTM-SVM的软件潜在溢出漏洞检测方法。将采集到的软件潜在溢出漏洞数据展开预处理,提取软件...软件潜在溢出漏洞是指软件中存在的安全漏洞,会导致软件运行过程中出现错误或性能下降等问题。为了准确检测出软件潜在溢出漏洞,提出一种基于LSTM-SVM的软件潜在溢出漏洞检测方法。将采集到的软件潜在溢出漏洞数据展开预处理,提取软件潜在溢出漏洞特征。考虑到软件潜在溢出漏洞的时序性和特征维度等,将长短期记忆(Long Short Term Memory,LSTM)和支持向量机(Support Vector Machine,SVM)两者有效结合,建立LSTM-SVM的软件潜在溢出漏洞检测模型,通过模型检测样本类型,实现软件潜在溢出漏洞检测。实验结果表明,所提方法有效提升软件潜在溢出漏洞检出率,降低误报率和漏报率,且检测时间低于70ms。展开更多
为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine,SVM)、监督学习与长短期记忆(long short term memory,LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛...为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine,SVM)、监督学习与长短期记忆(long short term memory,LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation,NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识别出大数据中的异常驾驶行为并确定其种类。展开更多
基坑开挖引起的地面沉降是基坑工程中需要注意的关键性问题,其具有出现区域广泛、发生灾害后果恶劣等特点。为了对基坑沉降进行准确有效的预测,以杭州市某基坑为工程背景,分别采用LSTM(Long Short Term Memory)神经网络和SVM(Support Ve...基坑开挖引起的地面沉降是基坑工程中需要注意的关键性问题,其具有出现区域广泛、发生灾害后果恶劣等特点。为了对基坑沉降进行准确有效的预测,以杭州市某基坑为工程背景,分别采用LSTM(Long Short Term Memory)神经网络和SVM(Support Vector Machines)对基坑沉降建立了预测模型,并通过预测任务评价指标和散点图误差线来检验模型的预测精度。研究结果表明:LSTM模型相比SVM模型表现出了更高的预测精度,更适用于基坑沉降的预测问题,并可为施工现场提供可靠的理论参考。展开更多
文摘软件潜在溢出漏洞是指软件中存在的安全漏洞,会导致软件运行过程中出现错误或性能下降等问题。为了准确检测出软件潜在溢出漏洞,提出一种基于LSTM-SVM的软件潜在溢出漏洞检测方法。将采集到的软件潜在溢出漏洞数据展开预处理,提取软件潜在溢出漏洞特征。考虑到软件潜在溢出漏洞的时序性和特征维度等,将长短期记忆(Long Short Term Memory,LSTM)和支持向量机(Support Vector Machine,SVM)两者有效结合,建立LSTM-SVM的软件潜在溢出漏洞检测模型,通过模型检测样本类型,实现软件潜在溢出漏洞检测。实验结果表明,所提方法有效提升软件潜在溢出漏洞检出率,降低误报率和漏报率,且检测时间低于70ms。
文摘为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine,SVM)、监督学习与长短期记忆(long short term memory,LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation,NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识别出大数据中的异常驾驶行为并确定其种类。
文摘基坑开挖引起的地面沉降是基坑工程中需要注意的关键性问题,其具有出现区域广泛、发生灾害后果恶劣等特点。为了对基坑沉降进行准确有效的预测,以杭州市某基坑为工程背景,分别采用LSTM(Long Short Term Memory)神经网络和SVM(Support Vector Machines)对基坑沉降建立了预测模型,并通过预测任务评价指标和散点图误差线来检验模型的预测精度。研究结果表明:LSTM模型相比SVM模型表现出了更高的预测精度,更适用于基坑沉降的预测问题,并可为施工现场提供可靠的理论参考。