基于时域背离特征分析的托攻击检测算法

为提高托攻击检测的完整性、准确性和项目推荐可信度,使用托攻击评分与正常评分的数据差异度、正反序TOP窗口和后发评分特征以及密集评分特征,提出了一种基于时域背离特征分析的托攻击检测算法实现托攻击检测。实验结果表明:本文算法的F值平均为81.2%,最高可达92.7%,能同时提升托攻击检测的准确率、覆盖率,减少训练数据量,降低计算复杂度,同时还能兼顾托攻击防御。     

基于协同谱聚类的推荐系统托攻击防御算法

提出了一种基于协同谱聚类的推荐系统托攻击防御算法. 该算法首先使用谱聚类方法对协同聚类算法进行改进,以在用户和项目2个维度上同时进行聚类;接着在聚类基础上结合分级偏离平均度对用户进行项目推荐. 实验测试结果表明,在同等托攻击规模的情况下,该算法可以降低实施托攻击的用户和攻击数据对系统推荐结果的影响.     

基于属性相容性的随机森林算法

针对基分类器算法偏向选择多值属性以及大量对数运算引起运算复杂的问题,提出一种基于属性相容性的随机森林算法。引入粗糙集中的属性相容性,计算各个条件属性的相容度,利用宽相容度辅助严相容度构建分割属性的划分规则,重建基分类器的信息增益或信息增益率表达式。实验结果表明,改进算法在保持对数据量较多时有较高分类准确率前提下,对数据量较少时的分类准确率有显著提升,且降低了运算复杂度。     

基于深层卷积神经网络的图像美感度分类

针对图像美感度分类中出现的准确率低、美感特征描述差等问题,提出了一种基于深层卷积神经网络的图像美感度分类算法.首先将图片输入55层卷积神经网络自动学习并获得更加细致和深层次的美感特征,然后通过softmax分类器进行图像美感度分类,从而得到最优的分类结果.将该算法与多种传统算法和浅层深度卷积神经网络的算法进行对比实验,结果表明该算法在A1和A0数据库的准确率分别达到80.13%和87.32%,且在CUHKPQ数据库的6种场景下,获得了更好的分类准确率.     

基于社交网络中双重好友及用户偏好的协同过滤推荐

针对目前基于社交网络的协同过滤推荐算法只融入直接好友信息且不能有效防御概貌注入攻击等问题,提出一种融合双重好友及用户偏好的协同过滤推荐算法,通过设置合适的熟悉度阈值在社交网络的直接好友、间接好友中选取可信好友用户集作为目标用户K近邻候选集,在共同评分项目数的基础上,采用用户偏好相似度与评分相似度的加权相似度作为寻找近邻用户的标准,完成目标用户项目评分预测。在数据集Flixster上的实验结果表明,融合双重好友关系及用户偏好的推荐算法不仅具有较好的推荐准确率,还具有较强的抗概貌注入攻击能力。     

一种Android恶意行为检测算法

提出一种新的Android恶意行为检测算法,该算法使用系统调用序列和控制流序列表征Android应用程序的行为,通过分析已知恶意软件样本库,训练出一个恶意软件特征基和阈值,再计算Android应用程序与特征基的相似度,根据阈值判断目标是否为恶意软件.根据该算法,开发了一个Android恶意软件检测系统SCADect,并在华为U8860真机上对3 000个测试样本进行分类,准确率达到96.8%;针对包含混淆和加密操作的8簇237个恶意样本,该系统的检出率达到89%,明显优于工具Androguard.实验结果表明,SCADect能够抵抗混淆和加密攻击,提高恶意软件检测的准确率和降低误报率.     

一种应用层分布式拒绝服务攻击快速检测方法

提出一种基于应用层协议用户行为统计特征的快速攻击检测算法,能在高速网络环境中快速识别异常聚集流量,区分正常访问和应用层分布式拒绝服务攻击。该方法使用有限状态自动机理论描述了应用层协议正常用户行为和攻击行为的差异,构建了检测自动机模型。该方法将应用层协议用户行为抽象成一系列协议关键字的交互,主要根据应用层协议关键字的统计特征生成用户行为统计特征向量,构造基于逼近理想点排序算法的模型分类器,同时对模型进行训练得到最优分类距离阈值,从而对DDoS攻击行为作出判定。高速网络环境下的测试结果表明了此方法的有效性。     

一种可探测新颖类别的数据流分类算法

针对可探测新颖类别的数据流分类算法不能处理混合属性且新颖类别探测准确率不高,引入VFDTc算法作为基分类器学习算法,并改进新颖类别探测方法以处理混合属性数据和提高新颖类别的探测准确率。实验结果表明,改进后的算法具有较高的分类模型学习效率、数据流分类精度和处理速率。     

基于合群度-隶属度噪声检测及动态特征选择的改进AdaBoost算法

为了提高AdaBoost集成学习算法的数据分类性能,提出基于合群度-隶属度噪声检测及动态特征选择的改进AdaBoost算法. 综合考虑待检测样本与邻居样本的相似度及与不同类别样本集的隶属关系,引入合群度和隶属度的概念,提出新的噪声检测方法. 在此基础上,为了更好地选择那些能够有效区分错分样本的特征,在传统过滤器特征选择方法的基础上提出通用的结合样本权重的动态特征选择方法,以提高AdaBoost算法针对错分样本的分类能力. 以支持向量机作为弱分类器,在8个典型数据集上分别从噪声检测、特征选择及现有方法比较3个方面进行实验. 结果表明,所提算法充分考虑了噪声样本和样本权重对AdaBoost分类结果的影响,相对于传统算法在分类性能上获得显著提升.     

小样本纠错的多层入侵检测分类研究

入侵检测对于网络安全至关重要,不平衡或易混淆的训练样本往往导致传统入侵检测算法效率不佳。为此,提出一种小样本纠错的多层检测分类模型。首先,通过正交投影降维分类算法,使用入侵检测数据集的训练集构建第一层的初筛分类器,将待测样本粗分为三类;然后基于支持向量机及随机森林算法构造第二层和第三层的级联分类器组,每层逐步纠错前面层,并细分至五类;最后,用开源入侵检测评测数据集NSL-KDD进行实验。实验结果表明,本文的方法显著提高了对于拒绝服务攻击（Denial of Service,DoS）、探测攻击（Probe）、未经授权的远程访问（Remote to Local,R2L）类攻击样本的准确率,整体召回率及准确率优于同类研究。     

基于CNN和犹豫模糊决策的欺诈攻击检测

推荐系统能够有效缓解互联网的迅猛发展带来的信息过载问题,但欺诈攻击的存在制约了推荐系统的健康发展,因此如何准确、高效地检测欺诈攻击是推荐系统安全领域的重要问题。针对传统检测方法依赖专家知识人工提取特征的局限性以及已有基于深度学习的欺诈攻击检测方法存在的硬分类问题,利用卷积神经网络（CNN）自动获取用户空间和时间上的低维表示向量,提出了一种基于CNN和犹豫模糊集的欺诈攻击检测方法CNN-HFS。首先对每个用户分别从评分值、评分偏好和评分时间这三个视角抽取三个行为矩阵,利用双三次插值法对三个矩阵进行缩放得到对应的密集评分矩阵、密集偏好矩阵和密集时间矩阵;然后,将每个用户任意视角下的缩放矩阵视为一个图像,在三个不同视角下分别训练CNN,计算任意用户在每个视角下属于攻击用户类的隶属度;最后,引入模糊犹豫集对多视角下的检测结果进行综合决策,根据决策结果识别出攻击用户。实验结果表明,CNN-HFS在MovieLens 1M数据集上的F1值超过95%,在Amazon数据集上的F1值达到85%。与七种对比方法相比,CNN-HFS在两个数据集上均具有更高的检测精度、召回率及F1值。     

基于离散马尔科夫链的数据库用户异常行为检测

针对数据库系统内部攻击的问题,将基于用户行为的异常检测方法引入到数据库系统内部攻击检测中.将离散时间马尔科夫链(DTMC)应用到数据库系统异常检测中,构建了一种基于DTM C的用户行为异常检测系统.将用户提交的SQL语句作为用户行为特征进行分析,并利用DTM C分别提取了正常用户和待检测行为的行为特征,并将两者进行比较,如果两者的偏离程度超过了阈值,则判定行为异常.通过实验对所提出系统的可行性和有效性进行测试,结果表明,该系统可以较好地描述用户行为,并有效地检测出数据库系统内部攻击.     

具有抗攻击能力的信誉与信任模型

针对互联网第三方交易平台中的信誉体系容易受到欺诈行为攻击,以及不能真实反映买卖双方信任度的问题,提出一种基于社会网络的具有抗攻击能力的信誉与信任模型.基于交易者评分建立信誉评估算法,通过信任链传递算法建立基于社会网络的信任评估模型,并采用二维聚类过滤算法实现对欺诈数据的排查.通过引入纠偏参数,实现信誉值的客观化与信任值的主观化,为交易者做出最终交易提供决策帮助.实验表明,该信誉与信任模型能够客观反映交易者的服务质量以及交易双方的信任关系,并对不诚实反馈和串通欺骗等攻击行为具有较高的抵抗能力.     

基于Co-training方法的车辆鲁棒检测算法

针对复杂交通场景车辆检测算法自适应能力差的问题,提出了基于Co-training半监督学习方法的车辆鲁棒检测算法.首先,针对手工标记的少量样本,分别训练基于Haar-like特征的AdaBoost分类器和基于HOG(histograms of oriented gradients)特征的SVM(support vector machines)分类器,使其具有一定的识别能力;然后,基于Co-training半监督学习框架,将利用2种算法进行分类得到的新样本分别加入到对方的样本库中,增加训练样本数量,再次进行分类器的训练.由于这2类特征具有冗余性,各自检测出的正负样本包含对方漏检和误检的图像.由于样本数的增加,再次训练所得到的新分类器的鲁棒性得到了很大提高,能更加准确地检测出车辆,而且由算法对未标记样本进行分类标记,不再需要人为标记,提高了车辆检测算法的自适应能力.     

基于改进的AdaBoost和支持向量机的行人检测

针对AdaBoost算法在训练样本和特征较多时训练时间过长的问题,提出了一种改进的AdaBoot算法与支持向量机组合的分类器.对多重分类器的输出结果以非线性的方式组合,采用交替的方式轮流对不同的特征进行学习,将多重分类器处理完后的结果作为另一种输入样本,再以一个分类器做一次分类.实验表明该算法用于行人检测可行、性能稳定.     

基于选择性集成分类器的通用隐写分析

面对高维度的特征集和大规模的样本集,隐写分析技术对分类器的要求越来越高.在集成分类器的基础上提出了一种面向通用隐写分析的选择性集成分类器.首先基于随机森林生成若干个基分类器,然后利用基于遗传算法的选择性集成算法剔除掉个别影响整体性能的基分类器,最后根据遗传优化得到的最优权值向量赋予剩余的基分类器不同权值以用来加权投票集成.实验表明,提出的选择性集成分类器测试性能优于现有分类器,特别在基分类器数量较大、特征维数较高时与现有集成分类器相比,有效降低了检测错误率.     

分级结构的AdaBoost入侵检测方法研究

针对目前智能入侵检测方法存在不能同时满足检测精度和检测速度的要求问题,提出一种分级结构的智能入侵检测方法．该方法将改进的AdaBoost算法用于入侵特征的选择及构造每一级的Ada-域值分类器,并通过级连多个分类器来共同完成检测任务．设计并实现了Linux实时入侵检测实验平台,在此平台上训练和测试分级结构的智能入侵检测器．实验结果表明,该方法降低了运算复杂度;在保证高的检测率的同时,降低了虚警率;提高了处理速度,更适合入侵检测系统的实时处理要求．     

基于多特征分步模糊推理的边缘检测算法

基于Mamdani模糊推理的边缘检测,将多个特征作为整体进行一步推理,但不同特征难以兼顾对模糊边缘的敏感和噪声的抑制,导致算法鲁棒性下降. 为此,该文提出了一种基于重要性加权的分步推理算法,根据各特征对边缘敏感和噪声抑制的重要性分步进行模糊推理,并加权每步推理结果作为边缘隶属度. 并提出了一种基于面积近似的重心法改进算式,能更好兼顾解模糊的准确性和实时性. 实验结果表明了该算法的准确性、鲁棒性和实时性.