最小差异度聚类在异常入侵检测中的应用

重点研究了异常入侵检测系统模型。针对现有模型中存在的对训练数据要求高、误报率高等问题,提出了一种基于最小差异度聚类的入侵检测方法。该方法将区间标量、序数变量、二元变量标称变量类型的属性映射到区间[0,1]上,计算每个数据对象之间以及与各个簇的差异度,很好地解决了异常入侵。在检测已知入侵方面,模型也有不俗表现。

基于Pet shop与Duwamish的多层架构设计与实现

分析了Microsoft在.NET中提出的Petshop与Duwamish体系架构,阐述了两种架构对应的Factory模式与Facade模式。通过比较两种架构和模式的特点,提出了结合两者优点,具有高扩展性、灵活而高效多层体系架构。以实际项目为例,给出了新架构的“高内聚、低耦合”、高性能、低代码错误率的具体实现。