用户思维下电商平台流量池构建--基于拼多多的研究

以拼多多流量池的构建为案例,研究电商平台流量池的构建。研究发现:在流量获取阶段,用户点击平台是基于用户基本需求通过电商平台的促销信息场景完成的;在流量转化阶段,用户使用电商平台是基于用户交流互动通过平台的信任分享场景完成的;在流量挖掘阶段,用户再次使用电商平台是基于用户偏好意愿通过电商平台的销售引导场景完成的。因此,用户思维是电商平台构建流量池的基础。从用户思维出发,建立相应的场景来实现用户行为,是电商平台构建流量池的主要途径。用户思维下,电商平台在构建流量池的基础上可实现品牌化价值创造、社交化价值传播、智能化价值创造的资源利用和价值创新。

校园网挖矿行为自动识别处置系统

针对校园网公网IP地址众多、挖矿行为处置周期长等困难,基于挖矿行为的共同特性,设计一套校园网挖矿行为自动识别处置系统(ARDSM).运行结果表明:该系统在挖矿行为发生时能实时阻断挖矿通信流,及时为校内挖矿终端的定位、取证和整改提供准确信息.

基于改进的一维卷积神经网络的异常流量检测

针对传统机器学习方法对特征依赖大、基于深度学习的检测方法效率低以及易过拟合的问题,提出一种基于改进的一维卷积神经网络(ICNN-1D)的异常流量检测方法(AFM-ICNN-1D)。与传统卷积神经网络(CNN)采用的“卷积-池化-全连接”结构不同,ICNN-1D主要由2个卷积层、2个全局池化层、1个dropout层和1个全连接输出层构成;其次,将预处理后的数据输入到ICNN-1D中,并将经过两次卷积之后的结果作为全局平均池化层与全局最大池化层的输入,之后将所得到的输出数据进行合并再送入全连接层进行分类;最后根据分类结果与真实数据对网络模型进行调优,再将训练好的模型用于异常流量检测。CIC-IDS-2017数据集上的实验结果显示,AFM-ICNN-1D的精准率和召回率均达到了98%,优于对比的k近邻(kNN)和随机森林(RF)方法;而且与传统的CNN相比,该方法的参数减少了约97%,训练时间缩短了约40%。实验结果表明,AFM-ICNN-1D具有较高的检测性能,能减少训练时间、避免过拟合现象的发生,而且能更好地保留流量数据的局部特征。

基于DAPA的卷积神经网络Web异常流量检测方法

针对Web攻击流量检测问题,提出一种基于动态自适应池化算法(Dynamic Adaptive Pooling Algorithm,DAPA)的卷积神经网络模型。首先将数据集中每一条请求流量进行剪裁、对齐、补足等操作,生成一系列50×150的矩阵数据A作为输入,然后搭建基于动态自适应的卷积神经网络模型去进行异常流量检测,使之可以根据特征图的不同,动态地调整池化过程,在网络结构中添加Dropout层来解决流量特征提取过程中的过拟合问题。实验表明,该方法比未使用动态自适应池化的方式精确度提升了1.2%,损失值降低了2.6%,过拟合问题也得到了解决。

信息审计系统中内容关联还原的设计与实现

互联网的飞速发展给信息审计系统中的内容还原提出了新的挑战。为了实现完整的内容还原,引入双向内容流表结构,实现了基于TCP序列号偏移的数据包存储,避免了数据包重传/乱序带来的问题。设计了基于IP对哈希索引的多连接关联还原,实现了多连接传输同一内容的准确还原。为了提高还原的性能,设计了基于多分配子的静态内存池,理论分析了优化的分配子大小设置问题。最后,以HTTP内容还原为例,验证了还原系统。

基于BP神经网络的跌扩型消力池设计应用

增大跌扩型底流消力池的突扩宽度和跌坎深度,可以有效降低消力池内临底流速和改善出池水流流态,一定程度上减小消力池长度。基于试验研究结果,应用BP神经网络理论,以突扩宽度、跌坎深度及测点距离作为模型输入参数,临底流速作为输出参数,建立BP神经网络预测模型。结果表明,所预测的临底流速模型参数试验值与预测值之间的平均相对误差<10%,决定系数R2达到0.9776,亦即基于智能算法的预测模型能够对水工模型试验研究形成很好补充。在此基础上,进一步给出了突扩宽度、跌坎深度变化和不同跌扩组合变化对消力池池长的影响。相对而言,增加突扩宽度对消力池长度减小的影响小于增加跌坎深度;同时增加突扩宽度和跌坎深度,能够更有效地降低消力池所需要的长度。

结合混合池化的双流人脸活体检测网络

目的人脸识别技术在很多领域起着重要作用,但大量的欺诈攻击对人脸识别产生了威胁,比如打印攻击和重放攻击。传统的活体检测方法是以手工方式提取特征且缺乏对时间维度的考虑,导致检测效果不佳。针对以上问题,提出一种结合混合池化的双流活体检测网络。方法对数据集提取光流图像并进行面部检测,得到双流网络的两个输入;在双流网络末端加入空间金字塔和全局平均混合池化,利用全连接层对池化后的特征进行分类并进行分数层面的融合;对空间流网络和时间流网络进行融合得到一个最优结果,同时考虑了不同颜色空间对检测性能的影响。结果在CASIA-FASD(CASIA face anti-spoofing database)和replay-attack两个数据集上做了多组对比实验,在CASIA-FASD数据集上,等错误率(equal error rate,EER)为1.701%;在replay-attack数据集上,等错误率和半错误率(half total error rate,HTER)分别为0.091%和0.082%。结论结合混合池化的双流活体检测网络充分考虑时间维度,提出的空间金字塔和全局平均混合池化策略能有效地利用特征。针对包含多种攻击类型、图像质量差异较大的数据集,本文提出的网络模型均能取得较低的错误率。