SDN中基于MS-KNN算法的LFA检测方法

针对一种新型的DDoS攻击—链路泛洪攻击(link-flooding attack,LFA)难以检测的问题,提出了SDN中基于MS-KNN(mean shift-K nearest neighbor)方法的LFA检测方法。首先通过搭建SDN实验平台,模拟LFA并构建LFA数据集;然后利用改进的加权欧氏距离均值漂移(mean shift,MS)算法对LFA数据集进行分类;最后利用K近邻(K nearest neighbor,KNN)算法判断分类结果中是否具有LFA数据。实验结果表明,相较于KNN算法,利用MS-KNN不仅得到了更高的准确率,同时也得到了更低的假阳性率。

基于SPME-GC-MS和电子鼻的鱼粉挥发性物质分析

为了能够全面、快速分析鱼粉的新鲜度,将电子鼻与顶空固相微萃取气质联用技术结合,以挥发性物质含量辅助评价鱼粉的新鲜度。首先,采用顶空固相微萃取方法对18种储藏时间鱼粉的挥发性物质进行了分析,得到不同储藏时间鱼粉的挥发性物质种类和含量,以及挥发性物质变化规律;采用多元线性回归方法和最近邻回归方法对鱼粉各类挥发性物质和表征新鲜度的标记物与电子鼻传感器响应建立了模型。结果表明:顶空固相微萃取气质联用(Solid phase microextraction-gas chromatography-mass spectrometry,SPME-GC-MS)共鉴定出101种,主要包括醇类化合物、醛类化合物等11类挥发性物质,其中醛酮类化合物种类较多。随着鱼粉逐渐腐败,气味阈值较低的醛类化合物相对含量逐渐降低、酮类化合物相对含量逐渐升高,并出现了二甲基三硫、三甲胺等表征鱼粉新鲜度的标记物;在储藏过程中,醇类化合物相对含量呈先上升后下降趋势;酸类化合物、含氮化合物、含硫化合物相对含量则呈上升趋势。与多元线性回归方法相比,最近邻回归方法具有更好的预测能力,测试集相关系数在0.7633~0.9999之间,均方根误差在0.0867%~8.4655%之间。

模式识别在火灾调查中的汽油分类问题的应用研究(英文)

在火灾调查中,检测汽油成分并对其进行正确分类尤为重要。运用GC-MS对90#和93#两种普通汽油的共50个样本进行检测,所得的GC-MS原始数据通过PCA方法进行处理,以提取有用信息,避免冗余变量进入后续计算。在此基础上应用KNN方法对这两种汽油助燃剂进行分类。结果表明,KNN方法对这两种汽油的分类准确率达到100%,且当初始数据未经标准化预处理时也能达到同样准确的分类效果。研究表明:将模式识别方法正确地运用到助燃剂鉴定和分类工作中有助于火灾调查。

KNN算法在动物油鉴别区分中的应用研究

气相色谱-质谱联用法(GC-MS)因其分离效率高、分析速度快、灵敏度高、检测线低等特点,被广泛应用于油脂分析鉴别领域。但与矿物油的鉴别相比,动物油类之间的主成分种类相近且含量集中,单纯通过GC-MS进行鉴别分析具有局限性,因此,区分常见动物油一直是司法鉴定领域中的难题。本文尝试运用GC/MS分析人油和5种常见动物油,通过对峰面积归一化法得出每个样品脂肪酸相对百分含量,结合KNN算法(K Nearest Neighbors,KNN)对人油与常见动物油进行建模区分。本实验以每个动物油脂样本中的6个主要脂肪酸相对含量(C14:0、C16:0、C16:1、C18:0、C18:1、C18:2)作为变量值,运用训练样本即为测试样本的方法进行交互验证,发现当k值等于3或4时,测试样本出错率最低,区分效果良好,人油测试样本分类准确率达到100%,并考察了6种脂肪酸相对含量作为变量的区分贡献值,结果C14:0区分贡献值最大。此方法相对于传统分析手段而言简单易行,提高了鉴别分析的效率和精度,尽管实验样本种类有限,但实验方法具有普遍意义。本文为动物油区分的进一步深入研究提供了一种新的思路和参考。