基于改进SKNet-SVM的网络安全态势评估

为提高网络安全态势评估的准确率,增强稳定性与鲁棒性,提出一种基于改进选择性卷积核卷积神经网络和支持向量机的网络安全态势评估模型。首先,使用改进选择性卷积核代替传统卷积核进行特征提取,提高卷积神经网络感受野变化的自适应性,增强特征之间关联性。然后,将提取的特征输入到支持向量机中进行分类,并使用网格优化算法对支持向量机中的参数进行全局寻优。最后,根据网络攻击影响指标计算网络安全态势值。实验表明,基于改进选择性卷积核卷积神经网络和支持向量机的态势评估模型与传统的卷积神经网络搭建的态势评估模型相比,准确率更高,并且具有更强的稳定性和鲁棒性。

计算机类专业多课程相结合的综合实践教学改革——以软件工程、Web程序设计和数据库技术为例

本文提出了以软件工程、Web程序设计和数据库技术课程为例的多课程相结合的综合实践教学模式。每门课程在各自一学期的基础教学和实践后,教学团队和企业专家组织学生进行为期两周的综合实践教学,包括项目案例教学和学生项目实战,充分培养了学生的综合实践能力、团队协作能力、沟通能力、自主学习能力等,满足了用人单位对计算机专业高素质人才的需求。

基于相似网络和联合注意力的图嵌入模型

图注意力网络(graph attention network, GAT)将注意力机制与图神经网络融合,但模型只关注节点的一阶邻域节点,缺乏对高阶相似节点的考虑,同时在计算注意力分数时缺乏对节点结构特征的关注.为此提出一种基于相似网络和联合注意力的图嵌入模型.首先计算网络中的节点相似性,并将高相似度且未连接的节点对构建新边以形成相似网络.其次,引入结构相关性和内容相关性的概念,分别用于表征节点之间的结构关系和内容特征.通过融合两种相关性得分计算得到联合注意力分数.最后使用联合注意力分数对节点特征加权聚合,得到最终的节点嵌入表示.将本文所提算法在Cora、Citeseer和Pubmed 3个数据集上进行节点分类任务,准确率分别达到85.70%、74.30%、84.10%,与原始图注意力网络模型相比分别提高了2.70%、3.94%和2.60%.可见,所提出的算法可以得到更好的节点嵌入表示.

小时间尺度网络数据传输故障识别数学建模

在网络传输过程中,数据容量较大,受外界因素影响极易导致传输中断,从而出现信息缺失与传输误码。为解决中断故障造成的数据传输误差和缺失问题,提高网络利用率,保证网络的正常通信。因此,提出一种小时间尺度网络数据传输故障识别数学建模。建立传输的容错控制条件,分析小时间尺度网络的混沌状态和流量序列,描述网络中多层前向特征,调整各个尺度下权重和阈值。设定容错策略,对小时间尺度网络多项训练,得到网络的中断故障诊断。针对性预测缺失数据,通过函数计算预测误差及序列权重等参数,获得故障隶属度层和规则集合层间调节权值,完成中断故障容错识别。实验证明,所提方法提高了网络传输召回率,增加网络资源利用率,减少网络在中断故障下的传输误码率。

基于脉冲神经网络的类脑计算

针对当前重要国际科技前沿--类脑计算进行研究,讨论了类脑计算的研究内容、特点和研究现状.类脑计算不是简单的人脑神经元的模拟和神经元模型的应用,而是对人脑的信息处理规律、复杂的工作模式及思维、学习、推理、决策本质性机理的深层次模拟.脉冲神经网络比传统神经网络具有更好的生物似真性,并能同时融入时、空信息,更适用于受人类推理、判断、决策等思维过程启发的类脑计算.因此,介绍了脉冲神经网络的特点、脉冲神经元模型、脉冲编码,以及脉冲神经网络在模式识别等领域中的应用,并对基于脉冲神经网络的类脑计算方法和神经形态芯片的研究现状及未来的发展进行了讨论.基于脉冲神经网络的类脑计算会对未来的生活、经济发展产生深远影响.

基于时间因子和复合CNN结构的网络安全态势评估

为了解决传统的网络安全态势感知研究方法在网络信息复杂情况下准确率不高等缺陷,文中结合深度学习,提出了一种基于时间因子和复合CNN结构的网络安全态势评估模型,将卷积分解技术和深度可分离技术相结合,形成4层串联复合最优单元结构;将一维网络数据转换为二维矩阵,以灰度值的形式载入神经网络模型,从而有效发挥卷积神经网络的优势。为充分利用数据间的时序关系,引入时间因子形成融合数据,使网络同时学习具备时序关系的原始数据和融合数据,增强模型的特征提取能力,同时利用时间因子和点卷积建立时序数据的空间映射,提高模型结构的完整性。实验结果证明,所提模型在两个数据集上的准确率分别达到了92.89%和92.60%,相比随机森林和LSTM算法提升了2%~6%。

基于IPSO-BiLSTM的网络安全态势预测

针对复杂的网络安全态势预测问题,为了提高预测的收敛速度和预测精度,提出了一种基于改进粒子群优化双向长短期记忆(IPSO-BiLSTM)网络的网络安全态势预测模型。首先,针对所用数据集没有真实态势值的问题,采用了一种基于攻击影响的态势值计算方法,用于态势预测。其次,针对粒子群(PSO)算法易陷入局部最优值、搜索能力不均衡等问题,对惯性权重和加速因子进行改进,改进后的粒子群(IPSO)算法的全局和局部搜索能力平衡,收敛速度更快。最后,使用IPSO优化双向长短期记忆(BiLSTM)网络参数,提升预测能力。实验结果表明,IPSO-BiLSTM的拟合程度可达0.9946,其拟合效果和收敛速度均优于其他模型。

双路自编码器的属性网络表示学习

属性网络表示学习的目的是在保证网络中节点性质的前提下,结合结构和属性信息学习节点的低维稠密向量表示。目前属性网络表示学习方法忽略了网络中属性信息的学习,且这些方法中的属性信息与网络拓扑结构的交互性不足,不能高效融合网络结构和属性信息。针对以上问题,提出一种双路自编码器的属性网络表示学习(DENRL)算法。首先,通过多跳注意力机制捕获节点的高阶邻域信息;其次,设计低通拉普拉斯滤波器去除高频信号,并迭代获取重要邻居节点的属性信息;最后,构建自适应融合模块,通过结构和属性信息的一致性及差异性约束来增加对重要信息的获取,并通过监督两个自编码器的联合重构损失函数训练编码器。在Cora、Citeseer、Pubmed和Wiki数据集上的实验结果表明,与DeepWalk、ANRL(Attributed Network Representation Learning)等算法相比,DENRL算法在3个引文网络数据集上聚类准确率最高、算法运行时间最少,在Cora数据集上聚类准确率为0.775和运行时间为0.460 2 s;且DENRL算法在Cora和Citeseer数据集上链路预测精确率最高,分别达到了0.961和0.970。可见,属性与结构信息的融合及交互学习可以获得更强的节点表示能力。

基于时空图卷积网络的城市交通流预测模型

针对交通流的高度非线性和复杂性特征,构建了多因子图构建时空图卷积网络(multi-factor graph construction spatio-temporal graph convolutional network,MFGC-STGCN),进行交通流预测.提出了获取节点间空间关联性的图构建算法,通过考虑节点间交互交通流数量、交互时间代价,以及流出交通流相似度三个因子,构建图的邻接矩阵.基于图卷积网络(graph convolutional network,GCN),以图的邻接矩阵构建拉普拉斯矩阵,提取交通流的空间特征.基于门控线性单元(gated linear units,GLU),提取交通流的时间特征.使用石家庄二环范围的网约车数据对模型进行评价.结果表明:MFGC-STGCN的预测精度优于其他对比预测模型.

基于异质信息网络的文本相似性度量方法

文本相似性度量对基于文本的分类,聚类以及排序等有着广泛的影响。现有的大部分文本相似性度量方法不仅文本特征粒度单一化,而且忽略了非结构化文本数据中的结构化信息。该文将文本相似性度量问题转化为加权异质信息网络中的节点相似性度量问题,利用元路径的结构特性和语义特性度量文本的显式语义相似性,使其度量结果更准确并且更具有可解释性。首先,结合世界知识库,扩大文本特征粒度,构建加权文本异质信息网络,将非结构化文本类型数据表示为结构化的异质信息网络的形式。其次,挖掘元路径,并提出基于元路径的ω-PageRank-Nibble子图划分算法,得到包含给定文本节点集的局部图。根据局部图,计算并存储特定元路径的交换矩阵,为后续相似性度量降低时间及空间成本。最后,提出AllPathSim耦合相似性度量方法,度量文本类型节点的相似性。在图剪枝方面,利用基于元路径的ω-PageRank-Nibble算法划分子图,与处理整张图相比,时间成本和空间成本降低效果显著。在相似性度量方面,与同期最优的相同类型节点度量方法相比,AllPathSim耦合相似性度量方法与度量结果的相关系数在20NG和GCAT数据集上分别提高了6.1%和6.9%。

自监督对比的属性图联合表示聚类

现实世界中越来越多的复杂数据被表示为具有属性节点的图,因此属性图聚类是图挖掘中的一个重要问题。图神经网络在图结构数据的编码表示方面取得较好性能,但基于卷积操作或者注意力机制的图神经网络方法存在节点噪声、特征过度平滑、网络异质性、计算代价高昂等问题。基于深度学习方法如自编码器能够有效地提取节点属性表示,但不能包含丰富结构信息。因此提出了一种基于自监督训练和对比学习的图联合表示聚类方法(self-supervised contrastive graph joint representation clustering,SCRC)。使用自编码器预训练学习节点的属性表示,通过在图结构信息上增加对比损失信息,使用影响对比损失融合更加丰富的结构信息,联合图结构信息和属性表示,基于神经网络自监督训练机制迭代优化完成聚类任务。通过设计简单的线性模型,避免使用卷积和注意力机制,有效整合结构信息,使得运行速度更快。在广泛使用的引文网络数据上进行实验,对参数敏感性进行分析,验证了影响对比损失和自监督联合聚类的有效性。实验结果表明,所提出的方法取得了显著的性能提升,并且对节点噪声、特征过度平滑和网络异质性更具有鲁棒性。

基于拉格朗日对偶的小样本学习隐私保护和公平性约束方法

小样本学习旨在利用少量数据训练并大幅提升模型效用,为解决敏感数据在神经网络模型中的隐私与公平问题提供了重要方法。在小样本学习中,由于小样本数据集中往往包含某些敏感数据,并且这些敏感数据可能有歧视性,导致数据在神经网络模型的训练中存在隐私泄露的风险和公平性问题。此外,在许多领域中,由于隐私或安全等,数据很难或无法获取。同时在差分隐私模型中,噪声的引入不仅会导致模型效用的降低,也会引起模型公平性的失衡。针对这些挑战,提出了一种基于Rényi差分隐私过滤器的样本级自适应隐私过滤算法,利用Rényi差分隐私以实现对隐私损失的更精确计算。进一步,提出了一种基于拉格朗日对偶的隐私性和公平性约束算法,该算法通过引入拉格朗日方法,将差分隐私约束和公平性约束加到目标函数中,并引入拉格朗日乘子来平衡这些约束。利用拉格朗日乘子法将目标函数转化为对偶问题,从而实现同时优化隐私性和公平性,通过拉格朗日函数实现隐私性和公平性的平衡。实验结果证明,该方法既提升了模型性能,又保证了模型的隐私性和公平性。

基于标签增强的细粒度文本分类

文本分类是自然语言处理的一个重要分支,旨在通过训练给数据标注标签。但现有的方法仅仅考虑了标签和文本之间最浅显的语义关系,并没有考虑标签本身的额外语义信息,导致文本分类的准确率难以提升。针对此问题,提出一种基于标签增强的细粒度文本分类模型(FGTC),它根据已知信息对标签进行解释,丰富了标签和文档之间的语义联系。此外,FGTC进一步建模标签中短语的序列关系,并采用单词级别的细粒度标签注意力方法,充分挖掘了标签的有效信息。在四个基准数据集上进行了对比实验,结果表明,该模型在文本分类任务上的准确率得到有效提升。

融入时空自适应图卷积的运动想象信号解析

基于运动想象(motor imagery,MI)脑电信号的脑机接口(brain-computer interface,BCI)技术在脑卒中患者运动功能康复医疗应用中得到广泛关注和研究。然而MI信号具有低信噪比和个体差异性大的特点,导致脑电信号噪声过大从而影响分类性能。因此,如何充分提取MI信号特征以得到更高的单被试分类精度,以及如何训练一个在跨被试上表现优秀的通用模型是MI-BCI系统用于实际应用时急需解决的问题。针对该问题,提出了一种面向不同被试的时空自适应图卷积网络模型,从时空两个维度提取MI特征信号进行分类。模型包括四个模块:空间自适应图卷积模块、时间自适应图卷积模块、特征融合模块和特征分类模块。空间自适应图卷积模块通过通道间的特征相似性动态构造空间图表示,摆脱人为构造的图表示限制。时间自适应图卷积模块将脑电信号的时间序列划为多个时间片段,计算时间段间的相似性,自适应构造脑电信号的时间图表示,消除了噪声影响。最后,进行特征融合并分类。结果表明,在BCIIV2a数据集上使用10-折交叉验证的方法和HGD数据集上分别达到了90.45%和91.64%的平均分类精度,与目前性能较好的方法相比达到了更高的准确率,证明了该模型的有效性;使用迁移学习对不同个体进行实验,平均准确率提高了1.66个百分点,证明了模型的鲁棒性。

融合转移概率矩阵的多阶最近邻图聚类算法

聚类是根据样本之间的相似性将数据集划分为多个类簇。现有的大多数聚类方法都存在两个挑战:一方面,在定义样本间相似性时往往没有考虑样本的空间分布结构,无法构建稳定的相似度矩阵;另一方面,图聚类构造的样本图结构过于复杂,计算成本较高。为解决这两个问题,提出融合转移概率矩阵的多阶最近邻图聚类算法(MNNGC)。首先,综合样本的近邻关系和空间分布结构,将共享近邻定义的相似度进行趋密性加权,得到节点间的趋密性亲和矩阵;其次,利用节点间多阶概率转移预测非邻接点的关联程度,并通过融合多阶转移概率矩阵得到稳定的节点间亲和矩阵;再次,为进一步增强图局部结构,重新构建节点的多阶最近邻图,并对多阶最近邻图的局部结构分层聚类;最后,优化了边缘点分配策略。定位实验结果表明,MNNGC在合成数据集上的准确率(Acc)均优于对比算法,且在8个UCI数据集上的Acc为最大值。其中在Compound数据集上,MNNGC的Acc、调整互信息(AMI)、调整兰德指数(ARI)和FM指数(FMI)相较于基于局部密度峰值的谱聚类(LDP-SC)算法分别提高38.6、27.2、45.4、35.1个百分点。

h-Said-Ball基与h-Said-Ball曲线

h-Bezier曲线是Bezier曲线基于h-微积分意义下的推广模型.为增强Said-Ball曲线的造型能力,提高h-Bezier曲线递归求值速度,该文提出任意次的h-Said-Ball基函数,构造了h-Said-Ball曲线.通过分析Said-Ball曲线递归求值算法与Bezier曲线的转化关系,结合h-Bezier曲线的递归求值算法和h-Bernstein基函数的构造方式,得到任意次h-Said-Ball基函数的表达式.h-Said-Ball基具有非负,单位分解,端点插值等优良性质,和h-Bernstein基之间存在显式转换矩阵.进一步,定义h-Said-Ball曲线并分析其基本性质,推导递归求值算法和包络表示,h-Said-Ball曲线的求值计算量是h-Bezier曲线的一半.借助从h-Said-Ball曲线到h-Bezier曲线的割角算法,证明了h-Said-Ball基是全正基,从而h-Said-Ball曲线具有变差缩减性和保凸性.数值实例显示了h-Said-Ball曲线相比Said-Ball曲线的造型优势和灵活性.

A^(2)former模型在时间序列预测中的应用研究

时间序列预测在金融、医疗、交通和气象等领域发挥着重要作用。在长时间序列预测中,迫切需要提高预测的精度,解决内存不足等问题。近年来,Transformer模型在自然语言处理领域得以成功应用的同时,在预测研究领域也引起了学者们的广泛关注,Transformer变体Informer模型的研究在时间序列预测中取得了较大进展。本研究以Informer框架为基础,与加性注意力机制相结合,提出了A^(2)former模型。利用A^(2)former模型在ETT,WTH,ECL和PM2.5数据集上进行了长时间序列预测的实验,实验结果表明所提模型在长时间序列预测中表现出比基线方法(如Informer模型和LSTMa模型)更好的性能。A^(2)former模型不仅将计算时间复杂度降低到线性,而且可以实现更有效的序列建模。本研究的工作为时间序列预测提供了有益参考。

基于网约车数据的级联城市区域分析框架研究

针对城市区域的复杂性和多变性,提出了一个级联城市区域分析框架(cascaded urban area analysis framework,CUAAF),用来对城市区域进行时空聚类分析.首先,将城市区域划分为多个地理栅格.其次,采用新的区域时空行为指标(areabehaviorindex,ABI)评估任意2个栅格之间的相关性.接着,用Louvain算法对相应的栅格网络进行分析,得到聚类区域.在得到聚类区域后,可再次将该区域输入CUAAF框架,进行级联分析,得到更多分层信息.级联实验可以采用多种指标分析城市区域,从不同层次了解城市区域,获得更详细的城市区域信息.最后,分别用周中周末的数据做了对比实验,结果显示本文方法具有稳健性和数据敏感性.

基于监督学习的HSK阅读文本自动分级模型研究

针对HSK(汉语水平考试)各类阅读材料难度判定与等级对应中缺乏有效参照标准和分析工具的问题,以历年HSK真题阅读文本为研究对象,提取文本可读性特征,采用支持向量机、随机森林、极端梯度增强等9种监督学习算法,建立可将自选文本自动归类于相应HSK等级的模型,采用准确率、AUC等多项指标评价各模型的分级效果,并选择最佳模型制成在线工具。结果表明,监督学习在HSK阅读材料文本分析及分级方面具有较高性能,9种模型中极端梯度增强的分级效果最好,准确率为0.913,AUC为0.994。建立的分级模型和在线工具能够以较高的准确率对HSK自选文本进行分级,帮助用户有针对性地遴选文本,提高学习效率。

增强型群论优化算法求解折扣{0-1}背包问题

群论优化算法(GTOA)是基于群论方法提出的一个离散演化算法,非常适于求解以整型向量为可行解的组合优化问题。为了进一步提高GTOA求解折扣{0-1}背包问题(D{0-1}KP)的性能,首先指出了它的随机线性组合算子(RLCO)未能充分考虑当前个体位置信息的不足,基于个体基因保留策略对其进行改进。然后,在随机反向变异算子(IRMO)中引入增强0分量变异策略,用于处理因个体0分量无法及时变异而导致的解的质量下降、种群多样性降低等问题。在改进上述两个算子的基础上,提出了增强型GTOA(EGTOA),并基于它给出求解D{0-1}KP的新方法。随后,将改进策略应用于二进制GTOA(GTOA-2),提出了增强型GTOA-2(EGTOA-2)及其求解D{0-1}KP的新方法。为了验证EGTOA和EGTOA-2的性能提高程度与优异性,分别利用它们求解四类大规模D{0-1}KP实例,通过与GTOA、GTOA-2以及求解D{0-1}KP的已有8个最先进算法的比较表明:EGTOA和EGTOA-2求得最优解的能力比GTOA和GTOA-2提高了至少1.14倍,比8个最先进算法提高了5%~60%,它们的平均性能比GTOA、GTOA-2以及8个最先进算法的性能更佳。因此,EGTOA和EGTOA-2是当前求解D{0-1}KP的最佳算法。