访问美国德雷克塞尔大学计算机专业的见闻及启示

1背景介绍 在江苏省政府2003年度公派留学计划“访问学者”项目资助下，我于2006年3月-2007年2月对美国德雷克塞尔大学（Drexel University）进行了访问研究。在美期间，我观摩了信息科学与技术学院信息处理专业、软件工程以及工程学院计算机科学与技术系计算机科学专业的软件工程、数据结构、数据库及数据库管理系统、高级人工智能、数据挖掘、数字图书等的教学，

基于多标记与半监督学习的入侵检测方法研究

机器学习所关注的问题是系统如何随着经验积累自动提高分类性能,这与入侵检测通过对外界入侵进行自我学习来提高其检测率和降低误报率是一致的。因此把机器学习的理论和方法引入到入侵检测中已成为一种有效方案。文中结合多标记与半监督学习理论,将ML-KNN算法应用于入侵检测系统。在KDD CUP99数据集上的仿真结果表明,该方法在入侵检测中能获得高检测率和低误报率。

基于优化栈式降噪自动编码器的路面不平度检测

路面不平度严重影响着路面的使用寿命和乘坐的舒适性,为了根据路面谱密度检测路面平整度,提出了一种根据深度学习思想的优化栈式降噪自动编码器(SDAE)的路面不平度检测方法。以四自由度车辆振动模型为基础,将通过ADAMS仿真得到的汽车质心垂直加速度功率谱和汽车质心俯仰角加速度功率谱为输入样本,并利用优化后的降噪自动编码器对路面进行检测和分类,试验结果表明:基于优化后的栈式降噪自动编码器的路面不平度检测精度高达95.7%,提高了检测的准确率,并改善了传统方法的复杂流程,适用于路面不平度检测。

基于深度学习和半监督学习的入侵检测算法

深度学习是一种具有自动学习能力的智能算法,通过自我学习到的经验而动态地提升分类的能力。深度学习的思想与入侵检测中通过学习而提高检测率和降低误报率的思想是相同的。对于入侵检测准确率不高的情况,提出了一种基于深度学习和半监督学习的入侵检测方法,该方法使用深度学习对特征提取和后验概率对未标记数据进行分类,提高了分类性能。使用KDD CUP99数据集对算法准确性进行了验证,实验结果验证该方法能够有效改善入侵检测系统性能。

网络隐蔽通道检测系统模型设计

利用TCP/IP协议中建立隐蔽通道来进行非法通信已经成为网络安全的重要威胁。论文首先以IP协议和TCP协议为例,简要介绍了TCP/IP协议下网络隐蔽通道的建立方法和检测特点,针对目前检测工具主要面向特定隐蔽通道的特点,结合协议分析和流量分析方法提出了一种网络隐蔽通道检测系统的设计模型,为隐蔽通道的综合性检测提供了一种新的思路。