物联网智能终端安全相关技术研究

随着物联网技术发展与能源生产的日益紧密结合,更多的物联网智能终端也开始在发电领域中实现了巨大功能。但企业终端用户通常无法全面了解物联网智能终端的安全风险和漏洞,也无法完成大量安全评估需求。针对物联网智能终端的主要安全风险特点,对固件进行了测试和分级,并开展了对常见漏洞、硬编码密码、潜在安全风险等的检测;同时采用了模糊测试和远程扫描等策略,对物联网智能端点进行了漏洞挖掘测试。实验结果表明,本研究项目能够更有效地检测出物联网硬件的安全性,从而解决了行业内对物联网智能端口的安全性要求。

基于彩色-深度传感器的电容层析成像图像重建方法

工业过程层析成像使用非干扰传感器获取过程容器、反应器等内部状态的二维或三维图像,因在工业应用中获取的电容层析成像资料和信息量有限,难以对影像进行精准、稳定的重构。为此,设计基于彩色-深度(Red Green Blue-Depth,RGB-D)传感器的电容层析成像图像重建方法。利用RGB-D传感器采集电容层析成像图像,采用非局部均值-权重法剔除图像中的噪声后,将图像输入到随机森林分类器中,提取图像的轮廓特征。通过快速投影Landweber算法对轮廓特征求解后,利用电容物质分布的重组完成电容层析成像图像的重建。实验结果显示:所提方法的峰值信噪比数值在35 dB附近波动,结构相似性数值在0.89~1.03之间,重建耗时在4.1 s以下,具有较好的重建效果、质量和结构相似性,能够有效提高重建效率。

一种广域无线传感网络移动Sink节点路径规划方法

在广域无线传感网络中,大量Sink节点处在移动状态,路径规划过程易受其他节点特征的干扰,导致规划效果较差,提出一种针对广域无线传感网络的移动Sink节点路径规划方法。利用Sink数据采集协议确定节点的最佳位置,通过计算最大网络寿命成本比确定节点的最佳数量后,根据节点的最佳位置和数量规划出最大容量路径。依据最大容量路径计算出Sink节点在四个方向上的权值系数,并沿着最大权值系数的方向移动,完成广域无线传感网络移动Sink节点路径规划。仿真结果表明,所提方法的运行时间低于6 s、路径长度最长为53 cm、拐点数量少于9个、迭代次数高达69次。

光纤传感网络小样本入侵信号边际谱标记检测

光纤传感网络中,小样本人工入侵信号由于没有入侵经验数据做识别背景,其首次入侵特征标记一直是一个难点。设计了一种光纤传感网络小样本人工入侵信号动态提取方法。首先采用高斯滤波器对光纤传感网络信号做去噪处理,消除光纤传感网络信号中存在的噪声信号对入侵信号提取产生的干扰。然后结合希尔伯特变换方法和经验模态分解方法,构建光纤传感网络信号的Hilbert边际谱。将光纤传感网络信号的Hilbert边际谱作为信号的标记特征,输入SVM分类器中,完成光纤传感网络小样本人工入侵信号的动态提取。仿真结果表明,所提方法的噪声信号、敲击信号和晃动信号事件识别率平均值分别为95.5%、91.5%及89.5%,当时域信号采样点数量为5 000个时,所提方法的信号提取时间为0.245 s。

云基础设施的恶意软件检测方法

云基础设施的恶意软件检测是必要的。为了避免被恶意软件发现,针对云基础设施的特点,设计了一个外部的恶意软件检测器。首先,利用一个具有特殊权限且位于目标之外的虚拟机收集可疑进程的系统调用;然后,将收集到的系统调用转换为进程的行为图;最后,利用行为图间的相似性来判断可疑进程是否为恶意软件。实验结果表明,平均检测率为89%,误报率低于5%,检测器对客户虚拟机的性能影响不大,且能够抵抗添加率低于30%的系统调用攻击。

Spark环境下并行萤火虫群优化算法设计与实现

为克服组合优化问题在单机模式下求解存在的时间复杂度和空间复杂度上的缺陷,借助并行计算框架Spark,将萤火虫种群进行划分,各子群并行进行局部最优解的构造并进行结果共享,从而获得全局最优解。通过TSP问题求解进行验证,实验结果证明改进算法具有可行性,并与Hadoop环境下同等实验条件的运行时间进行对比,证明了改进算法运行效率高于Hadoop环境下10倍以上。

基于改进深度卷积神经网络的网络流量分类方法

机器学习方法对网络流量分类的前提是假设流量具有独立同分布性,而实际情况下流量特征不断发生变化,导致该方法在处理海量、不具备独立同分布的流量数据时开销较大,计算复杂度较高,精度较低.针对上述问题,本文提出一种新的分类模型.该模型将PCA算法与改进的深度卷积神经网络分类模型(improved deep LeNet-5 convolutional neural networks,LCNN)相结合进行流量分类.前者进行降维分析,发现影响检测精度的关键特征,后者采用自主特征学习方式提升分类精度.实验表明,本文方法的内存开销较之前方法降低了3.2%,检测精度提升了5%~8%.