基于特征约简与多层极限学习机的网络流量异常检测

来源 :现代电子技术 | 被引量 : 0次 | 上传用户:zzdlily_4000
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对网络流量异常检测目前存在的数据维度大、冗余数据较多、准确率较低等问题,提出一种基于层次聚类和自编码器并结合多层极限学习机的网络流量异常检测模型.首先考虑数据特征之间的相关性,根据数据特征之间的相似性距离对特征维度进行层次聚类划分,将相关性较高的特征划分到同一特征子集中;然后利用自动编码器对每个特征子集进行约简,消除冗余信息降低检测数据计算量;最后以多层极限学习机作为分类器,利用约简后的特征数据进行网络流量异常检测建模.实验结果显示,文中模型在UNSW-NB15数据集上准确率达到了0.992,精确率达到了0.997.与其他检测方法相比,文中方法可以有效地约简数据特征,提高了检测的准确率和网络流量异常检测的性能.
其他文献
针对传统均匀直线阵列的相干目标波达方向估计算法的自由度受限于实际阵列阵元数目的问题,提出基于MUSIC算法的单基地发射/接收和协阵列DOA估计方法.该方法将互质MIMO阵列虚拟成等效的和协阵列,找到和协阵列中的连续子阵和半连续子阵,并运用多频操作填补半连续子阵中的孔洞,使之与连续子阵形成一个更长的新连续子阵;然后通过矩阵重构算法解相干,该方法极大地提高了算法的自由度,可以根据目标的个数灵活调整虚拟发射/接收阵元的数量,使复杂度尽可能降低.但该方法涉及到高维矩阵的特征值分解,复杂度仍然很高,因此文中引入传播
广播式自动相关监视(ADS-B)是民航新一代空中交通管制系统的重要基础设施,是保障飞行安全、提高运行效率的重要技术手段.目前ADS-B系统监视性能评估大都存在评估指标与评估方法单一,难以全面反映监视性能的问题.针对这些问题,参考欧洲航行安全组织技术规范,设计实现了航空器监视性能评估系统,对中国民航大学ADS-B实验地面站提供的监视数据进行航迹滤波,并分别统计在天津机场终端区和航路航线两个场景下水平位置更新概率达标比率、3D位置丢失比率等14个监视性能指标.对天津机场终端区的监视数据评估表明,ADS-B实验
为进一步均衡无线传感器网络能耗,提出一种基于遗传算法改进的异构无线传感器网络分簇算法.在簇头选举阶段,分析传感器节点剩余能量、节点分布位置、节点的邻居节点密度因素,通过遗传算法寻优,选举出每轮最佳数目的最优簇头集;同时为解决周期性分簇造成的能量损失,建立簇头更新策略,降低簇头集更新频率.仿真结果表明,该算法与SEP、LEACH和TSEP算法相比较,第一死亡节点出现时间分别推迟了44.59%,69.4%和8.85%,网络寿命延长了174%,47.78%和71.33%.
针对当今核物理实验领域对数据传输系统提出的高性能、高稳定性要求,完成了基于FPGA的万兆以太网TCP/IP传输系统的设计.文中主要工作在于精简优化传统TCP/IP协议栈,对TCP/IP协议栈模块自顶向下进行模块化设计,并调用10 Gbit Ethernet MAC与PHY的IP核配合使用,在FPGA内部实现基于IEEE 802.3的TCP/IP协议数据的接收、缓存、控制、发送等功能.此外还搭建了万兆以太网测试平台,对本设计的基本功能进行全面测试:完成了ARP协议报文的请求与应答、ICMP协议报文的请求与应
人脸深度伪造图像的生成过程是对目标人脸进行替换,由于不同图片的肤色和光照等差异,在人脸周围会产生比较分散的伪影边界,且对人脸进行裁剪之后会包含部分背景信息的干扰.针对深度伪造图像的生成特点,区别于常规的CNN分类识别网络,设计了一种符合伪造痕迹特点的检测网络.首先,利用Resnet34卷积神经网络对待检测的图像提取初步的伪造特征;其次,经过空洞卷积提高网络模型的感受野来更好地捕获比较分散的伪造痕迹;再由空间注意力模块进行权重的重加权,减少其他背景信息的干扰;最后使用多层全连接神经网络对特征进行分类,达到对
针对目前在非结构环境下草莓识别准确率较低的问题,提出一种改进的Otsu阈值分割与分水岭算法相结合的成熟草莓图像分割算法.首先,将采集的图像进行双边滤波去除噪声,其次利用果实色差的关系,将RGB颜色空间转换成YCrCb颜色空间并提取Cr分量.通过改进的Otsu阈值分割算法对草莓图像进行初次分割,针对连通区域的草莓目标利用分水岭分割算法进行二次分割.实验结果表明,改进的Otsu分割算法在复杂场景下分割成熟草莓果实的正确率为90%,较传统Otsu分割算法提高了15%.分水岭算法正确分割重叠、遮挡草莓目标的分割率
针对小样本识别问题引入胶囊模型,并将其与卷积神经网络相结合进行改进,以提升神经网络的性能.首先,在模型构建过程中引入提取目标图像的不同维度特征信息,进而利用单位卷积代替传统神经网络中的池化层,实现不同维度间的特征融合,这一操作可以在简化特征参数的同时提升特征表达能力;然后,通过胶囊网络对卷积模块所提特征做进一步处理,提取图像的位置信息,以获得更具有鲁棒性的分类特征.实验结果证明,相对于传统卷积神经网络、支持向量机和决策树算法,改进的分类模型在宝石小样本数据集上具有更好的识别效果.
针对多边形的拓扑性不足造成析取正态水平集(DNLS)模型边缘拟合不完整的问题,提出一种基于高斯马尔可夫随机场(GMRF)模型的析取正态水平集图像分割算法.该算法提取图像的颜色通道信息,利用GMRF模型描述不同颜色通道的纹理特征;重写DNLS模型能量函数,将图像纹理信息、色彩信息加权融入,以颜色特征和纹理特征的组合作为对图像进行分割的依据.在演化迭代过程中,使用分段学习率减少迭代次数,实现快速收敛.该算法降低了噪声对图像的影响,提高了DNLS模型的边缘拟合能力.改进算法通过利用图像的色彩信息及纹理细节信息,
稀疏解混能够有效地规避高光谱场景中缺少纯像元和估计端元数目的两个瓶颈问题,因而成为目前广泛研究的光谱解混技术.针对协同稀疏解混模型在边界上容易出现错误识别的问题,结合字典削减策略和低秩表示,提出一种协同稀疏低秩的解混模型.该方法同时施加稀疏和低秩约束在丰度矩阵上,并对协同稀疏模型的?2,1混合范数采用加权策略,使得行稀疏性得到了增强,同时也使用非凸logdet(·)作为秩的光滑替代函数.由于提出方法充分利用了高光谱数据的空间信息和光谱信息,因此获得了比协同稀疏回归模型更准确的解混结果.最后利用著名的交替方
超声医学图像灰度集中、对比度较差,针对传统分割方法效果不理想的问题,提出统计聚类与马尔科夫随机场(MRF)无向图模型的医学图像分割算法.医学图像的统计结构反映了图像空间区域的聚类特征,选定其灰度统计特性的局部峰值对应的灰度值作为K均值算法的初始聚类中心能较好地定位各区域,应用基于统计信息的聚类算法对医学图像进行初始分割;在此基础上构建各区域的无向图模型,建模二阶邻域系统描述像素标记间联系,医学图像的整体特征场采用高斯混合模型表征,并采用高斯模型建模标记相同的灰度特征场;最后,求解其局部能量最小的标记场,实