人脸识别技术在智慧校园中的安全应用研究

人脸识别技术在智慧校园中的应用越来越广泛,但在应用过程中也带来了诸多安全方面的挑战。为了应对这些挑战,首先以应用角度为出发点,对人脸识别技术在校园中的主要应用场景进行归类总结。随后,对实际应用过程中存在的安全隐患进行分析梳理。最后,从技术防护、合法合规、运营管理等方面对人脸识别技术如何在校园中安全应用进行综合研究,提出相应的安全防护策略,以期该技术在智慧校园中的应用能够更加广泛深入,同时又安全合规。

基于智能感知的人脸细微表情情绪推定算法

人脸局部纹理的细微变化是判定情绪的关键视觉线索,但是表情的细微变化捕捉难度较大,且特征提取易出现偏差,提出一种基于智能感知的人脸细微表情情绪推定算法。通过滤波去除人脸图像干扰,采用差分法提取出连续图像中的人脸区域。使用Fisher线性变换确定RGB向量的最佳投影方向,区分人脸局部特征区域,提取细微表情特征。加入变分自编码器,将注意力模型嵌入到变分自编码网络中,根据网络关注推定不同类型情绪的重要特征。将未标记的特征输入到变分编码器中展开训练,同时将提取到的特征作为特征提取器,智能感知不同类型的面部表情,最终实现人脸细微表情情绪推定。仿真测试结果表明,所研究算法能够精准提取人脸细微表情特征,通过细微表情推定的情绪精度也较高,查全率和查准率可达97%,验证了该算法的可应用性。

智慧校园背景下人像库管理平台的建设及应用

随着智慧校园建设的不断推进,基于人脸识别的信息化应用也在逐步增多,但在目前实际应用场景中普遍存在管理和安全等方面的问题。对此,首先总结了智慧校园人脸识别应用中存在的问题,进而从建设原则和建设内容等方面详细介绍了人像库管理平台的建设实践经验,最后分析了平台在迎新报到、消费结算、门禁管理、会议签到等场景中的实际应用效果。实际应用表明,使用该平台可以有效统一管理人像数据,规范人脸识别技术的应用,提升管理效率和智慧化使用体验。

基于CAPE的数据安全能力框架设计

数据作为生产要素,通常采用采集、传输、存储、处理、交换、销毁6个过程来描述其生命周期,在每个生命周期结合具体业务场景进行安全需求分析。在数据生命周期中存在各种威胁和风险,随着数据参与生产的场景增多,数据开放的程度不断加深,迫切需要建立覆盖数据全生命周期的安全监测和防护能力框架。

基于AI学习的校园网络异常流量检测

随着校园网络建设的不断深入,校园网用户数量激增,校园网流量规模呈指数级增长,这对校园网络流量监测与异常流量监测提出了巨大的挑战。现有网络异常流量监测系统已无法满足需求,文章基于校园网络监测需求提出一种校园网络异常流量检测方法。对医学院校每日流量进行系统分析后抽样选取四种异常数据流,筛选出无意义的特征进行降维操作。基于AI学习构建多个异常流量检测模型,对真实场景下的校园流量进行检测。检测结果表明,该文方法具有较好的检测准确率和时效性,满足校园网络环境下对异常流量检测的需求。

基于乌鸦搜索算法的云计算用户任务调度仿真

大多数网络应用和任务均在云端部署,由于云资源的动态异构性,用户任务的调度过程易受网络装置、计算机CPU性能、信号强度等问题的干扰。提出基于乌鸦搜索算法的云计算用户任务调度方法。利用主成分分析法对云计算用户数据完成降维处理,避免冗余信息的干扰。基于此,构建任务模型,通过乌鸦搜索法更新适应度函数锁定最优目标函数,获取任务模型的最优解,实现基于乌鸦搜索算法的云计算用户任务调度。仿真结果表明,在100组云计算用户任务的调度中,研究方法的平均执行时间为78.3ms,成本系数低于0.4,综合服务质量的波动范围为0.8~1.0。

面向高维大数据的局部离群点并行检测算法

当前局部离群点并行检测算法在实现时,没有消除局部离群点中存在的冗余数据,存在k值不稳定、局部可达密度低、检测时间长的问题,严重影响数据的正常使用,于是提出面向高维大数据的局部离群点并行检测算法。根据信息熵原理采用E-PCA算法提取高维大数据的特征,并消除冗余特征,实现高维大数据的降维处理,提高算法的检测精度;为了在较短的时间内完成局部离群点的并行检测,结合Hadoop分布式平台中的Mapreduce分布框架和传统的离群点检测算法,在高维大数据中完成局部离群点的并行检测。仿真结果表明,所提算法的k值适中、局部可达密度高和检测时间短。

基于数据分析的高校健康管理软件实现与应用

本文介绍了校园师生健康管理应用的意义、设计架构并对其各个模块的建设和实施进行描述。最后,依据数据分析技术,举例说明该服务在师生健康跟踪管理、校务建设以及预警决策方面的应用,这是高校信息化建设的一次倒逼式升级创新。

数据点位置低延时智能挖掘方法与仿真

当前数据位置挖掘方法无法获取全局频繁项目集,导致上述方法存在效率低、时延长等问题。为此提出基于并行FPGrowth算法的数据点位置智能挖掘方法。将并行FP-Growth算法与MAP/Reduce结合,得到优化后的FPPM算法。利用FPPM算法的reducer函数计算事务数据集局部频繁项目集,并将其整合得到全局频繁项目集。计算每个项目集属性,利用增量分类法筛选出最佳属性,统计每个属性出现的概率,构建决策分支树,完成数据点位置的挖掘。以CPU占用率、挖掘时延、信息熵以及可扩展性为测试指标设计仿真。实验结果验证了所提方法在确保较低挖掘时延前提下实现了高效率挖掘,并具有理想的可扩展性。

基于自编码器算法的网络正常流量过滤方案

为解决网络应用层流量所带来的安全隐患与传统检测方法极大地消耗设备性能的问题,提出一种基于自编码器算法的网络正常流量过滤的解决方案。该方案对数据流量集进行规则预处理后,提取流行为上的统计特征,对提取的特征进行自编码器算法的模型过滤。实验结果表明,该方案可过滤掉大部分网络中的正常流量,相较于传统的流量检测方法,整体的过滤性能显著提升。

网络抖动下移动应用性能测试仿真

本文首先阐述了弱网络测试的理论依据并进行可行性分析,然后进行工具选型和方法探讨,紧接着在优化改造后的实验环境下分别使用单因子和多因子变更方法对抖动网络状态进行模拟仿真并监测应用的性能反馈,对结果进行统计并可视化分析,对未来改进方向做了展望。最后文章对实验过程和结论做了总结,实验中移动应用符合工程标准,且与网络仿真效果接近,说明网络抖动下的测试仿真方案切实可靠。