新疆大学:以双栈技术实现IPv6

网络升级设计原则新疆大学在进行IPv6校园网升级设计时，主要遵循了以下原则：1．商性能：网络要求具有数据、图像、语音等多媒体实时通讯能力。主下网廊提供可保证的服务质量和充足的带宽。2．高可靠性：网络系统是日常业务和各种应用系统的基础设施，应保证工作日和重点时期不间断运行。

网络地址转换(NAT)技术及其在校园网中的应用

通过对实际模型的案例分析，由浅入深地介绍了利用NAT技术实现校园网部分应用的方法和技巧，并且分析了NAT过程中可能存在的一些潜在问题，给出了相应的解决方案。

基于深度信念网络的CYP450 2C9抑制性分类

细胞色素P450 2C9 (Cytochrome P450 2C9)是人体肝脏中重要的代谢酶,参与多种药物代谢,约占CYP450蛋白总量的15%～20%。利用深度学习思想,提出基于深度信念网络DBN (Deep Belief Network)的CYP450 2C9抑制性分类模型。实验选用13 000个化合物作为数据集,采用Pub Chem和MACCS分子指纹进行分子结构表征。利用DBN的半监督学习方式从预处理后的特征中学习更本质的特征表示,避免人工提取特征的过程,实现CYP450 2C9的抑制性分类。实验结果表明:在同等条件下,DBN相比于SVM和ANN具有明显优势,平均分类准确率为80.6%,灵敏度(SE)为86.9%,特异性(SP)为66.2%,对药物筛选和新药研发具有积极意义。

划分子网的无线传感器网络分簇算法

为延长无线传感器网络的生存时间,理想的分簇算法,簇首应该分布均匀,节点负载均衡,无"热区问题"。提出并实现了一种基于子网划分的无线传感器网络分簇算法CADS,综合不均匀分簇和节点负载均衡的思想,较全面地达到这一目的。模拟实验结果显示,CADS协议的网络生存时间、能量有效利用率均明显优于经典分簇协议LEACH。

基于真实IPv6源地址的网络接入认证技术研究

提出了一种新的基于真实IPv6源地址的网络安全接入认证方法。此方法在IPv6无状态地址自动配置过程中加入802.1X认证技术,只有经过授权的节点才能获得IPv6全局地址,同时改进了802.1X认证流程,使管理者可以主动获得节点用户的全局IPv6地址。该方法既保留了IPv6"即插即用"的优点,又从源头上保证接入网络的安全性。

网络地址转换(NAT)技术及其在企业网中的应用

本文通过对实际模型的案例分析,由浅入深地介绍了利用NAT技术实现企业网部分应用的方法和技巧,并且分析了NAT过程中可能存在的一些潜在问题,给出了相应的解决方案。

利用访问控制列表提高网络安全及实例

本文以cisco路由器为例,结合实际网络结构,详细介绍了如何利用访问控制列表来提高网络安全性能。

异构网络环境下综合计费与查询系统的研究与实现

主要介绍了一个异构网络环境，较为全面灵活的，适合一般网络中心计费系统的设计和实现方法，阐述了计费系统中数据的采集、处理、存储和利用Ｗｅｂ技术与数据库交互以及发布数据的方法。

深度信念网络的恶意代码分类策略研究

恶意代码的分类是恶意代码分析领域研究的重要问题之一.为解决这一问题,提出深度信念网络(Deep Belief Netw orks,DBN)的恶意代码分类策略.首先,从样本集中提取恶意代码图像特征、指令语句中的频度特征;其次,为确保准确率的提高,将上述两类特征进行融合,训练深度信念网络模型中的限制玻尔兹曼机(Restricted Boltzmann Machine,RBM)和反向传导算法(Back Propagation,BP).实验结果表明,提出的深度信念网络模型对恶意代码的分类平均准确率可达95.7%,明显高于传统浅层机器学习模型KNN的94.5%.

独立RNN和胶囊网络的维吾尔语事件缺失元素填充

提出了注意力机制独立循环神经网络和胶囊网络并行的维吾尔语事件缺失元素填充模型(Att_IndRNN_CapsNet).首先,抽取18项事件和事件元素的内部特征,作为结合注意力机制的独立循环神经网络模型的输入,进一步获取高阶特征;同时,引入词嵌入技术将事件触发词和候选元素映射为词向量,通过胶囊网络挖掘事件和事件元素的上下文语义特征;然后,将两种特征融合,作为分类器的输入,进而完成事件缺失元素的填充.实验结果表明,该方法用于维吾尔语事件缺失元素填充准确率为86.94%,召回率为84.14%,衡量模型整体性能的F1值为85.52%,从而证明了该方法在维吾尔语事件缺失元素填充上的有效性.

基于深度信念网络的维吾尔语事件伴随关系识别

维吾尔语事件伴随关系是维吾尔语语言中常见且重要的关系之一。结合对维吾尔语语言特点的研究,该文提出一种基于深度信念网络的维吾尔语事件伴随关系识别方法,根据维吾尔语语言特性和事件伴随关系的特点,抽取12项基于事件结构信息的特征;同时充分利用事件对所对应的两个触发词之间的语义信息,引入Word Embedding计算两个触发词之间的语义相似度。而后融合两类特征作为DBN模型的输入进行训练,最后将训练结果作为softmax分类器的输入实现维吾尔语事件伴随关系的识别。该方法用于维吾尔语事件伴随关系的识别准确率P为81.89%、召回率R为84.32%、F1值为82.48%。实验结果表明,与支持向量机方法相比,基于DBN模型的方法取得更好的识别效果。

基于深度置信网络的维吾尔语人称代词待消解项识别

针对维吾尔语人称代词指代消解研究忽略了待消解项识别而引入了噪声的问题,提出一种基于深度置信网络(Deep Belief Networks,DBN)的维吾尔语人称代词待消解项识别方法。在分析维吾尔语人称代词语法特征和语言规则的基础上,总结出包含10项特征的维吾尔语人称代词待消解项特征集。所提方法首先通过逐层贪婪地训练每一层受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)网络,来保证特征向量映射到不同的特征空间,尽可能多地保留特征信息;并在最后一层设置BP网络,对RBM输出的特征向量进行分类,以有监督的方式训练整个网络并进行微调。实验结果表明,所提方法正确识别维吾尔语人称代词待消解项的准确率达到95.17%,比SVM算法提高了9%,从而验证了其有效性和可行性。

基于均方误差的8位深度神经网络量化

为模型量化后具有更高的准确度,提出以量化均方误差(QMSE)为指标的确定量化系数的方法,针对量化后性能损失严重的小型网络,进一步提出更新统计参数(USP)的方法。QMSE将量化过程中的舍入和截断操作产生的噪声相结合,以此作为选取合适量化系数的指标;USP通过更新批次归一化层中的均值和方差,矫正模型量化产生的均值和方差偏移。实验结果表明,在不进行重训练的情况下,使用QMSE+USP对常见的深度神经网络量化,模型性能优于其它算法。

基于LightGBM的网络入侵检测研究

针对传统的常用机器学习算法在网络入侵检测中存在准确率不够高、训练速度慢的缺点,提出基于特征选择、LightGBM的网络入侵检测系统。使用PCA进行特征选择,采用QPSO为LightGBM算法选择最优参数,在Spark集群上运行,缩短了训练时间。此外,由于使用了基于PCA的特征选择方法,仅使用了41个特征中的9个(21.95%),达到优于使用全部特征训练模型的性能。在NSL-KDD数据集上测试了提出的系统的性能,其能准确、快速地对入侵行为样本进行识别。

基于生成式对抗网络的恶意URL数据生成与检测

针对基于机器学习的恶意网页识别中对数据集的收集和标注敏感的问题,提出了一种基于生成式对抗网络(GAN)的检测方法,并且设计了编码器,将恶意URL进行字符级编码。通过使用少量样本训练模型,通过GAN拟合真实样本的能力,生成恶意网页样本。本文在传统GAN的基础上增加了一个判别器用来判别良性和恶性网页,达到了判别恶意网页的作用。最后通过横纵对比实验,分别验证了生成数据的可行以及判别模型可以达到当前有监督分类器相当的效果。

贝叶斯网络研究现状与发展趋势的文献计量分析

本文以web of science中近10年2930篇与贝叶斯网络有关的文献为研究对象,基于文献计量内容分析方法系统地回顾了国内外在贝叶斯网络领域的关注点、研究脉络的发展规律、存在的共性与差异性和研究现状。研究发现,截至目前,特别是在神经网络盛行的现在,贝叶斯网络可以凭借其具有较强的数学可解释性,在智能计算领域的贡献不断深化且具有极大的潜力。分析结果有助于为我国贝叶斯网络研究领域的学者提供研究现状及进展的参考。

基于降噪自编码神经网络的化合物毒性预测方面的研究

常规毒理学实验方法周期长、耗资高,对现代药物研发和环境化合物安全性评估具有局限性,通过对化合物毒理性研究,提取1 047维分子指纹特征,提出去噪自编码神经网络无监督学习机制及对腐败特征的自联想学习特性提取隐含毒性化合物特征,实现化合物毒性预测和毒性化合物的活性预测。该方法在化合物毒性预测和活性预测中的预测精度分别为79.825%、80.85%,敏感性分别为79.62%、80.25%,特异性分别为80.03%、81.45%。实验结果表明,去噪自编码网络较浅层机器学习更适用于高通量化合物毒性预测,较传统自编码网络更具优越性。

联合分层注意力网络和独立循环神经网络的地域欺凌识别

为提高对文本语境深层次信息的利用效率,提出了联合分层注意力网络(HAN)和独立循环神经网络(IndRNN)的地域欺凌文本识别模型——HACBI。首先,将手工标注的地域欺凌文本通过词嵌入技术映射到低维向量空间中;其次,借助卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)提取地域欺凌文本的局部及全局语义特征,并进一步利用HAN捕获文本的内部结构信息;最后,为避免文本层次结构信息丢失和解决梯度消失等问题,引入IndRNN以增强模型的描述能力,并实现信息流的整合。实验结果表明,该模型的准确率(Acc)、精确率(P)、召回率(R)、F1和AUC值分别为99.57%、98.54%、99.02%、98.78%和99.35%,相比支持向量机(SVM)、CNN等文本分类模型有显著提升。

皮肤癌病变组织分割的多通道并行U型网络

医学图像分割已经成为辅助诊断当中重要的一环.受困于单通道模型特征提取能力的限制,网络所能获取的信息总量有限,导致性能无法进一步提升.针对信息数量不足的问题,提出了一种多通道模型.与单通道模型相比,多通道模型提供了更多互补的特征信息,有助于更好地进行特征提取与数据表达.结果如下:(1)设计了动态卷积发散模块(DSC BM),用于构建多通道模型.(2)设计了动态卷积集束模块(DSC AM),用于融合多尺度特征.(3)使用动态卷积发散模块与动态卷积集束模块构建多通道并行U型网络(MCPU-Net).所提出的方法在国际公开数据集ISIC2017进行训练和评估,MCPU-Net的总体Acc指标为0.933,JI指标为0.772.

切片循环神经网络和胶囊网络的性别欺凌识别

构建基于语境的中文性别欺凌语料库,提出了一种基于语境、结合注意力机制的切片循环神经网络和胶囊网络并联联合算法模型(CASC)。相比传统基于词法规则、句法分析等深度学习神经网络,上述方法可以获取时序词级、句子级、段落级等多个层级高级信息和全局语义信息。同时通过分析上下文语境,挖掘欺凌词之间的依赖关系和深层语义特征,来提高特征表征能力。实验结果表明,上述方法用于网络性别欺凌文本识别精确率为95.33%,召回率为95.83%,衡量模型整体性能的F值为95.58%,准确率为98.78%。从而证明上述方法用于识别性别欺凌文本的有效性。