基于深度生成模型的医院网络异常信息入侵检测算法

为保障医院信息网络的安全管理,避免医疗信息泄露,提出了基于深度生成模型的医院网络异常信息入侵检测算法。采用二进制小波变换方法,多尺度分解医院网络运行数据,结合自适应软门限去噪系数提取有效数据。运用最优运输理论中的Wasserstein距离算法与MMD(Maximun Mean Discrepancy)距离算法,在深度生成模型中,对医院网络数据展开降维处理。向异常检测模型中输入降维后网络正常运行数据样本,并提取样本特征。利用深度学习策略中的Adam算法,生成异常信息判别函数,通过待测网络运行数据与正常网络运行数据的特征对比,实现医院网络异常信息入侵检测。实验结果表明,算法能实现对医院网络异常信息入侵的高效检测,精准检测多类型网络入侵行为,为医疗机构网络运行提供安全保障。

SAR目标增量识别中基于最大化非重合体积的样例挑选方法

为了确保合成孔径雷达(SAR)自动目标识别(ATR)系统能够迅速适应新的应用环境,其必须具备快速学习新类的能力。目前的SAR ATR系统在学习新类时需要不断重复训练所有旧类样本,这会造成大量存储资源的浪费,同时识别模型无法快速更新。保留少量的旧类样例进行后续的增量训练是模型增量识别的关键。为了解决这个问题,该文提出基于最大化非重合体积的样例挑选方法(ESMNV),一种侧重于分布非重合体积的样例选择算法。ESMNV将每个已知类的样例选择问题转化为分布非重合体积的渐近增长问题,旨在最大化所选样例的分布的非重合体积。ESMNV利用分布之间的相似性来表示体积之间的差异。首先,ESMNV使用核函数将目标类别的分布映射到重建核希尔伯特空间(RKHS),并使用高阶矩来表示分布。然后,它使用最大均值差异(MMD)来计算目标类别与所选样例分布之间的差异。最后,结合贪心算法,ESMNV逐步选择使样例分布与目标类别分布差异最小的样例,确保在有限数量的样例情况下最大化所选样例的非重合体积。

基于最大均值差异测度的装配体相似性研究

基于距离的装配体相似性度量方法由于忽略了对距离分布的分析,在其案例初筛过程中,采用该方法时易导致丢失部分相似的案例。针对这一问题,提出了一种基于最大均值差异(MMD)的装配体相似性度量方法。首先,利用装配体中零部件数量及零部件类型数量、连接数量及连接类型数量,共4个参数,将装配体模型化为一维数据集合;然后,使用最大均值差异(MMD)算法,将表示装配体模型的一维数组映射到再生核希尔伯特空间(RKHS),在该空间内计算出装配体间的距离,并利用离散系数对距离进行了统计学分析;最后,通过基于实例的实验和基于装配体参数生成规则的仿真比较实验对其进行了验证。实验及研究结果表明:在准确度上,MMD算法与欧氏距离(ED)和加权距离(WD)算法一致;在鲁棒性上,无论进行相似性分析的两装配体零部件数量是否一致,该方法的距离分布在零部件数量超过6个后即可达到基本稳定,最高离散系数约为WD算法的23%,距离分布的鲁棒性有了较大程度的增强。

异常数据恒虚警检测的非参数方法

针对异常数据和/或数据序列的检测,根据再生核希尔伯特空间最大平均偏差异常数据和/或数据序列检测算法,发展出了一种恒虚警检测异常的非参数方法。将来自正常数据的最大平均偏差描述成了一个统计分布,分析表明:奈曼—皮尔逊假设检验可利用这个分布来进行异常假设检验,而bootstrap重采样技术或期望最大算法则可估计出正常数据或数据序列的统计分布,尽管在给定虚警率的条件下,异常假设检验所需的判决门限可由估计到的统计分布计算获得,但可以利用蒙特卡罗积分的方法来简化这个计算。数值仿真的结果验证了提出方法的有效性,同时,表明所提方法优于文献中报道的方法。