基于数据挖掘的Prefix Span算法网络安全研究

鉴于传统用于网络安全防御的恶意数据检测算法耗时长、识别精度低、适用性差的问题,提出基于数据挖掘的Prefix Span网络安全防御算法研究。该研究在序列模式数据挖掘的理论研究基础上提出了Prefix Span算法,按照序列前缀生成投影数据库并去除非频繁项,引入相关度的概念完成算法的过程优化;基于Prefix Span算法构建了一种网络安全防御模型,对采集到的网络数据实施预处理、序列匹配与判定,实现对入侵数据的识别与检测,确保网络运行安全。仿真实验结果表明,提出的网络安全防御算法能够准确识别出不同类型的入侵数据,在检测精度和检测效率方面都有良好的表现。

一种改进的PrefixSpan应用层特征自动提取算法

针对基于DPI的网络流量识别中的指纹特征提取困难问题,文章提出了改进的基于Prefix Span算法的连续序列模式挖掘算法来提取应用层指纹特征。首先,改进的算法在挖掘应用层特征时加入了属性约束。其次,在进行频繁序列投影前,又引入剪枝策略。最后,通过实验表明该改进的算法在挖掘应用层指纹特征方面大大提高了效率,提取出来的特征可有效地应用于网络流量识别技术中。

基于改进Prefix Span的结构超手册修理方法推荐

针对当前民机结构超手册修理能力提升的迫切需求,提出了一种基于改进Prefix Span的结构超手册修理方法推荐模型。以某型国产民机结构超手册修理案例数据为样本,构建案例特征指标层次并对数据分级和结构化预处理,基于改进Prefix Span算法对案例损伤信息和修理方法频繁序列进行充分挖掘,生成超手册修理关联规则集,通过目标案例和频繁序列间相似度匹配,实现了超手册修理方法的智能推荐。测试结果表明,模型超手册修理方法推荐总准确率可达85.3%,显著高于改进前算法,具备良好的准确性和可用性,可为结构超手册修理决策、方案制定等提供一定的参考依据。

SPAN简化方法以及盘中风险控制模式研究

为了更有效率地适应期权业务发展,本文在研究境内外各交易所保证金模型和风险控制模式的基础上,提出一种逐笔计算简化参数SPAN算法。该算法通过业务层面简化和算法层优化,支持逐笔增量式计算。实验结果表明在简化参数的基础上,该算法与传统SPAN算法准确率相差无几,但逐笔计算1的吞吐量提升明显(在(35~41)万/秒之间)。此外,本文还提出了交易前逐笔预收、交易后逐笔返还的逐笔非线性风险控制模式和交易前逐笔预收、交易后实时异步返还的逐笔延迟释放风险控制模式,为相关系统设计者提供决策参考。

基于频繁子图挖掘的数据服务Mashup推荐

该文基于大量用户的数据服务Mashup方案历史记录,通过将其构造成图并进行频繁子图挖掘,形成包含数据服务关联关系的知识库,提出一种能够根据用户选取的数据服务推荐后续数据服务列表的推荐算法。在构建知识库的过程中考虑数据服务后续的一元操作,提出了数据操作单元的概念,方便分析数据服务之间的关联关系,并采用了g Span算法来挖掘数据服务的频繁子集。最后通过Yahoo!Pipes以及模拟数据集验证,该方法能够在用户创建数据服务Mashup的过程中有效快速地推荐数据服务。