基于强化学习的软件定义网络安全

为加强软件定义网络的安全性,提出一种基于强化学习和统计分析的软件定义网络安全机制。采用离散小波变换将数据转化为小波系数,根据小波系数是否为正态分布,将网络流量划分为正常流量和异常流量;以预训练的数据集为强化学习的环境,并行地调节环境的行为和学习程序,学习神经网络分类器的最佳策略函数;设计软件定义网络的异常流量处理机制。仿真结果表明,强化学习机制增强了软件定义网络的安全性。

基于神经网络嵌入和动态社交的新闻推荐算法

传统基于社交网络的推荐系统均假设社交网络为静态的拓扑结构,而实际社交网络存在动态演化的特点。针对这种情况,设计一种基于神经网络嵌入和社交网络动态演化的新闻推荐算法。采用神经网络嵌入模型学习用户在时间域和社交网络域的动态表示;利用核映射将高维的动态表示映射至低维的向量空间;从时域和网络拓扑两个上下文识别局部的核心。基于新浪微博数据完成了新闻推荐实验,结果表明,引入用户时域行为信息能够增强协同过滤推荐算法的性能。