共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
3.
4.
基于数据挖掘技术的网络入侵检测技术研究 总被引:1,自引:0,他引:1
在此对基于数据挖掘技术的网络入侵检测技术进行研究。考虑到常规BP神经网络建立的网络入侵检测技术存在由于BP神经网络容易陷入最小值导致检测效率和准确率低下等问题,使用粒子群算法对BP神经网络模型进行优化,使用动态惯性权重系数以确定BP神经网络的参数,并将网络入侵流量特征与BP神经网络的参数组合并编码成一个粒子以实现网络入侵流量特征与BP神经网络的参数的同步选取。通过使用KDD CUP99数据库的入侵流量数据对使用该方法以及常规BP神经网络建立的检测模型进行训练和测试,结果表明,研究算法建立的检测模型具有更高的检测效率以及检测准确率。 相似文献
5.
信息化时代的到来使我国的现代化建设又迈向了一个新台阶。网络通信中的异常数据又引起了众多网络安全问题,严重影响了社会的安全和经济的发展。针对上述背景,对网络通信中的异常数据检测技术进行研究,主要从基于SNMP的数据异常检测技术,BP神经网络阈值检测技术,AR模型流量异常检测技术,关联挖掘异常检测技术四个方面进行研究,以解决网络通信中的数据异常问题。 相似文献
6.
《现代电子技术》2016,(3):90-93
考虑到常规BP神经网络算法容易陷入局部最优解,所建立的网络遗传流量检测模型检测效率低,准确率不高等问题,提出一种改进型GA优化BP神经网络算法,并使用其建立网络遗传流量检测模型。常规遗传算法在搜索过程中,往往会由于出现影响生产适应度高的个体而对遗传算法搜索过程产生影响的现象发生,因此需要对常规遗传算法进行改进。使用的方法是通过混合编码方式进行改进,同时对交叉算子、变异算子、交叉概率以及变异概率等参数进行优化修正。使用KDD CUP99数据库中的网络异常流量数据进行实验研究,研究结果表明,所提出方法的检测性能要明显优于常规算法,其对BP神经网络的结构、权值以及阈值进行同步优化,避免了盲目选择BP神经网络结构参数带来的问题,避免了常规BP神经网络容易陷入局部最优解的问题。 相似文献
7.
8.
针对用电数据检测时受电量敏感度的影响,导致异常数据检测时电能消耗过量的问题,提出了基于循环神经网络的异常用电数据检测方法。在循环神经网络体系中,根据窃电系数指标求解结果,计算电量压差的实际数值,实现对异常用电数据特征的提取。构建异常数据样本集合,通过填充缺失数据的处理方式,推断检测评价指标所属区间范围,完成基于循环神经网络的异常用电数据检测方法的设计。对比实验结果:循环神经网络作用下,由异常用电数据造成的电能消耗量最高为3.2×108kW·h,不会引发明显的电能过量消耗问题,符合维护电网运行稳定性的实际应用需求。 相似文献
9.
提出基于相似数据并结合小波分析的数据预处理模型,并运用基于反向传播(BP)神经网络风速预测模型预测风速。该方法从大量的历史数据样本中提取相似数据创建训练样本,采用小波分解将风速信号分解成低频趋势信号和高频随机信号,采用BP神经网络建模,合成得到风速预测数据。通过某风电场的实际风速数据验证结果表明,相似数据有效地提高了数据的相关度,小波分解使BP神经网络模型更好地拟合风速信号的低频和高频特性,提高了预测精度。 相似文献
10.
光通信系统易受多种因素影响,传统方法的光通信系统异常数据检测错误率高,检测效率,为了获得理想的光通信系统异常数据检测结果,设计了基于聚类分析提取特征的光通信系统异常数据检测方法。首先设计光通信系统数据传输模型,采用聚类算法提取光通信系统异常数据特征,然后采用深度学习算法建立光通信系统异常数据检测模型,并采用遗传算法优化深度学习算法,最后进行了光通信系统异常数据检测仿真实验,结果表明:本方法的光通信系统异常数据检测正确率超过98%,光通信系统异常数据检测时间为21.6 ms,具有一定的实际应用价值。 相似文献
11.
文章设计了一种基于深度神经网络的电能计量异常筛选方法,其通过拉格朗日插值方法对电能计量数据实施丢帧处理,分别筛选出电量异常的特征数据、用电异常的特征数据以及接线异常的特征数据,将遗传算法与深度神经网络中的BP神经网络相结合,构建电能计量异常筛选模型,实现电能计量异常筛选。测试结果表明,该方法筛选中的分类精度较高,最高可达98.52%;在实验数据中加入畸变数据后,该方法的电能计量异常筛选误差仍较低。 相似文献
12.
廖竣锴 《信息安全与通信保密》2005,(10):85-87
本文针对流量异常,提出了一种使用神经网络的检测方法。在仔细分析网络流量异常的基础上,提取流量特征数据,经预处理后供优化的BP神经网络分析,可准确检测出流量异常。测试结果表明,该模型对流量异常的检测有较高的准确性。 相似文献
13.
14.
基于BP-MC模型的大型机电设备备件需求预测研究 总被引:1,自引:0,他引:1
针对大型机电设备备件需求具有非线性和随机波动性的特点,建立基于马尔科夫链修正的BP神经网络预测模型.以提高模型的预测精度。通过对训练样本的学习,利用BP神经网络实现了对备件需求时间序列的滚动预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于实际预测中,结果表明该模型优于BP神经网络单项预测模型,具有精度高、科学可靠的特点,为大型机电设备备件需求预测提供了新的途径。 相似文献
15.
由于入侵检测的数据都是海量高维数据,提出一种基于主成分分析(PCA)的特征提取方法,以提高入侵检测的处理效率。选用Kddcup’99网络连接数据集进行预处理和PCA特征提取后,分别通过BP神经网络和Kohonen神经网络进行训练和测试,分析检测率,误报率,训练时间和检测时间。实验结果表明,基于PCA的BP神经网络能减小入侵检测的运算量,提高入侵检测的识别效果。 相似文献
16.
17.
为了降低历史负荷数据噪声对负荷预测的影响,提高电力负荷的预测精度,提出了一种基于小波去噪和BP神经网络的电力负荷预测方法。首先,对所得电力负荷数据进行了小波变换去噪处理,有效去除了噪声,然后利用BP神经网络在非线性处理中的优异特性,对小波去噪后的电力负荷进行了BP神经网络建模训练及仿真。实验结果表明:相比于其他电力负荷模型,该方法可以有效提高电力负荷的预测精度,是一种有效的电力负荷预测方法。 相似文献
18.
19.