新品推荐

赛门铁克推出数据丢失防护全新解决方案近日,赛门铁克宣布推出数据丢失防护解决方案全新版本（Data LossPrevention,DLPv．10）。作为业界首个开放式的数据丢失防护（DLP）平台,它为企业用户发现和解决数据丢失问题提供了更灵活的选择。以信息为中心的安全正逐渐成为企业部署安全策略的核心,而数据丢失防护的重要性也愈发凸显。     

阳盘——基于Windows的移动存储设备保护系统

随着信息技术的飞速发展,移动存储设备的使用越来越广泛,然而移动存储设备的丢失甚至是盗用一直困扰着广大用户,并由此引发出一系列数据泄密问题。阳盘-基于Windows的移动存储设备保护系统,其核心是在总体控制移动存储设备使用权限的基础上,加强移动存储设备数据管理,防止设备丢失,找回丢失设备中的重要数据。该系统的主要功能:身份验证检测用户合法性、数据隐藏保护用户私密信息、数据加密防止用户数据泄露、数据回传找回用户丢失数据、日志系统记录设备使用情况、关机提示减少设备丢失几率。经验证,通过以上功能,阳盘系统有效地保护了丢失设备中的用户信息,能帮组用户成功找回丢失的数据,并大大降低了设备丢失的可能。     

应对U盘数据丢失的几点措施

通过分析U盘数据丢失的几种情况,提出对应的解决措施。提出在第一时间要重视对存储介质做完全备份来保存数据丢失"现场",再尝试各种方法来恢复丢失的数据。使普通用户在发现U盘数据丢失后也能从容应对,通过简易有序的方法最大程度挽回损失。     

丢失数据恢复系统的设计与实现

针对公路通行费微机收费管理系统中出现的上传数据丢失问题，采用计算机网络和数据库技术，通过对各车道机上传到服务器中的数据进行检索搜寻，查找“丢失”的数据，并从产生数据“丢失”的车道机原始数据文件中搜寻“丢失”的数据，将“丢失”的数据传到上传数据暂存文件中，由微机收费管理系统中的数据传送机制，将数据上传至服务器，完成“丢失”数据的自动恢复。     

六招防服务器数据意外丢失

服务器数据意外丢失了怎么办,已经丢失或尚未丢失的读者不妨看看以下六招,或许能让你远离丢失数据的窘境.     

关于数据恢复技术要点的探讨

在计算机应用过程中,因诸多因素引起的数据信息丢失或被破坏的现象十分常见。通常情况下,丢失或被破坏的数据信息,是计算机操作系统可观察到的丢失信息,丢失数据也仍旧存在于数据存储区,及时正确的恢复数据一般是可以实现的。基于此,本文对计算机数据恢复技术要点展开分析,旨在为计算机数据恢复与相关数据信息维护提供有利的参考依据。     

赛门铁克推出数据丢失防护全新解决方案DLPv.10

赛门铁克公司近日宣布推出数据丢失防护解决方案全新版本（DataLossPrevention,DLPv.10）。作为业界首个开放式的数据丢失防护（DLP）平台,它为企业用户发现和解决数据丢失问题提供了更灵活的选择。以信息为中心的安全正逐渐成为企业部署安全策略的核心,而数据丢失防护的重要性也愈发凸显。     

Blue Coat推出新的数据丢失防护设备，简化部署并降低操作复杂性

应用交付网络技术领导厂商Blue Coat系统公司近日宣布推出在单一集成设备中提供综合数据丢失防护的Blue Coat数据丢失防护（DLP）系列设备．在不增加复杂性的情况下实现法规遵从。通过在其安全网关解决方案加入数据丢失防护设备,Blue Coat现在可同时防御入站恶意威胁和出站数据丢失。     

数据丢失防护全新解决方案DLPv.10

赛门铁克于近日宣布推出数据丢失防护解决方案全新版本（Data Loss Prevention,DLPv．10）。作为业界首个开放式的数据丢失防护（DLP）平台,它为企业用户发现和解决数据丢失问题提供了更灵活的选择。以信息为中心的安全正逐渐成为企业部署安全策略的核心,而数据丢失防护的重要性也愈发凸显。     

数据丢失情况下的最小二乘参数辨识算法

现有系统参数辨识方法大多是建立在输入输出数据可以完全测量和完全获取的基础上,而在实际系统中,由于传感器故障或网络传输机构故障,使得数据丢失现象经常发生。研究一类线性系统在输入或输出数据丢失情况下的系统辨识问题,并将数据丢失现象描述为随机伯努利序列,在此基础上提出新的辨识算法来估计数据丢失情况下系统的参数。最后,通过仿真示例验证所提算法对数据丢失的影响。结果表明,所提出的算法相较于递推最小二乘法有更好的收敛性。     

PPDM中面向k-匿名的MI Loss评估模型

隐私保护数据挖掘（PPDM）利用匿名化等方法使数据所有者在不泄露隐私信息的前提下,安全发布在数据挖掘中有效可用的数据集。k-匿名算法作为PPDM研究使用最广泛的算法之一,具有计算开销低、数据形变小、能抵御链接攻击等优点,但是在一些k-匿名算法研究中使用的数据可用性评估模型的权重设置不合理,导致算法选择的最优匿名数据集在后续的分类问题中分类准确率较低。提出一种使用互信息计算权重的互信息损失（MI Loss）评估模型。互信息反映变量间的关联关系,MI Loss评估模型根据准标识符和标签之间的互信息计算权重,并通过Loss公式得到各个准标识符的信息损失,将加权后的准标识符信息损失的和作为数据集的信息损失,以弥补评估模型的缺陷。实验结果证明,运用MI Loss评估模型指导k-匿名算法能够明显降低匿名数据集在后续分类中的可用性丢失,相较于Loss模型和Entropy Loss模型,该模型分类准确率提升了0.73%~3.00%。     

基于桌面云的涉密数据检测系统的研究与设计

目前,桌面虚拟化技术正在蓬勃发展,其网络的开放性很难保障业务涉密数据的安全性,金融行业的业务数据可能通过网络发送到不安全区域。文章通过集成赛门铁克数据泄漏防护技术,对所有需要传输的文件进行数据安全扫描。倘若检测到传输的文件涉及敏感数据,系统先对其进行拦截,管理员再对拦截后的文件进行审批,最终决定是否放行文件。通过分析和测试,证实该方案是可行的,且系统达到了预定的安全等级。     

A conceptual methodology for evaluating security requirements for data assets

Data assets are as important to an organization as financial, plant or other assets, but no simple method exists to quantify their importance. This determination must be mased on an understanding of the assets' potential for compromise, intrinsic and relative values, and the cost of reducing vulnerability. To reduce the problem to manageable proportions types of data must be reduced to a moderate number of sets within which there is similarity in all these factors. If then the value of each class is assessed, a total can be established. This paper discusses the relationships between this total, which is the maximum “Potential Asset Loss,” and costs involved in establishing a security program.     

证券公司客户综合分析系统的设计与实现

介绍基于数据仓库与数据挖掘技术的证券公司客户综合分析系统的设计与实现,其中着重介绍了系统的设计原则、设计思想以及有证券特色的数据挖掘模型及其应用等重要内容。用k-Means聚类方法构建了客户偏好细分模型,将客户有效划分为8群;利用决策树及Logistic回归相结合构建了客户流失预警模型,结果表明该模型对客户流失捕获率有很大提升。     

自适应聚焦损失的图像目标检测算法

现代目标检测算法仍然存在由现有目标检测架构引起的正负样本不平衡和训练数据引起的难易样本不平衡。现有方法一般采用基于类别频率的重采样或基于类别预测概率的重新加权,虽然减轻了类别的不平衡问题,但是引入了新的超参数,为每个训练任务需要进行大量的手动调整超参数。为此在现有Focal Loss损失函数基础上提出了一个新的损失函数自适应聚焦损失（Adaptive Focal Loss）,使模型聚焦于对训练过程贡献更大的困难样本,并且可自适应地调整超参数。根据训练过程中每批图像标签中的正负样本数量计算出自适应的加权因子来实现对正负样本的动态平衡。根据训练过程中不同阶段各类真实标签的期望概率计算出自适应的调制因子来自适应地平衡难易样本。为验证方法的有效性,在PASCAL VOC2007测试数据集中平均精度均值达到80.75%,相比较于原算法提高了3.45个百分点。在PASCAL VOC2012测试数据集中平均精度均值达到77.17%,相比较于原算法提高了1.87个百分点。实验结果表明,把Adaptive Focal Loss作为网络的损失函数,相比于原始的Focal Loss损失函数检测精度有所提升,并具有较大的实用价值。     

改进残差神经网络实现心音分类

心音的变化可以较早表征心脏疾病体征,基于深度学习实现心音信号分类具有心脏疾病临床辅助无创诊断作用。秉承特征获取简易和深度学习模型简单理念,设计了融合CBAM注意力机制、Focal Loss损失函数和多尺度特征的ResNet152网络模型对PhysioNet/CinC 2016心音数据集进行深度学习;详细介绍了CBAM注意力机制以及在网络瓶颈结构中的融合方式、Focal Loss损失函数原理、多尺度特征获取方式,并设计了5组对比消融实验和横向对比实验。实验结果表明,CBAM注意力机制、Focal Loss损失函数和多尺度特征提高了ResNet152基线网络模型分类准确率。     

基于Focal Loss和卷积神经网络的入侵检测

入侵检测是信息安全防护领域中的一个重要环节.随着网络技术的发展,主动防御网络入侵变得越来越重要,同时入侵数据变得更加海量、复杂和不平衡,这导致传统的入侵检测技术的检测性能比较低,因此如何提高入侵检测系统的性能对于不平衡数据集的检测性能是一项巨大的挑战.传统的CNN模型对于处理复杂的数据具有很好的性能,但是在处理不平衡数...     

结合改进VGGNet和Focal Loss的人脸表情识别

针对目前表情识别准确率偏低,表情数据集中类别样本类间差异小、类内差异大以及误标注样本产生的误分类等问题,提出了一种结合改进VGGNet和Focal Loss的人脸表情识别算法。在迁移学习的基础上,通过设计新的输出模块对VGGNet模型进行改进,提升了模型的特征提取能力,能够较好地避免过拟合现象;通过设置概率阈值对Focal Loss进行改进,避免误标注样本对模型分类性能产生影响。实验结果表明,该模型在CK+、JAFFE以及FER2013数据集上的识别准确率分别达到了99.68%、97.61%和72.49%,在实际应用中泛化能力突出。     

基于代码图像合成的Android恶意软件家族分类方法

代码图像化技术被提出后在Android恶意软件研究领域迅速普及。针对使用单个DEX文件转换而成的代码图像表征能力不足的问题,提出了一种基于代码图像合成的Android恶意软件家族分类方法。首先,将安装包中的DEX、XML与反编译生成的JAR文件进行灰度图像化处理,并使用Bilinear插值算法来放缩处理不同尺寸的灰度图像,然后将三张灰度图合成为一张三维RGB图像用于训练与分类。在分类模型上,将软阈值去噪模块与基于Split-Attention的ResNeSt相结合提出了STResNeSt。该模型具备较强的抗噪能力,更能关注代码图像的重要特征。针对训练过程中的数据长尾分布问题,在数据增强的基础上引入了类别平衡损失函数（CB Loss）,从而为样本不平衡造成的过拟合现象提供了解决方案。在Drebin数据集上,合成代码图像的准确率领先DEX灰度图像2.93个百分点,STResNeSt与残差神经网络（ResNet）相比准确率提升了1.1个百分点,且数据增强结合CB Loss的方案将F1值最高提升了2.4个百分点。实验结果表明,所提方法的平均分类准确率达到了98.97%,能有效分类Android恶意软件家族。     

结合流形学习与逻辑回归的多标签特征选择

对于多标签特征选择算法,通常假设数据与标签间呈现某种关系,以该关系为基础并通过正则项的约束可解决多标签特征选择问题,但该关系也可能是两种或多种关系的结合。为准确描述数据与标签间的关系并去除不相关的特征和冗余特征,基于logistic回归模型与标签流形结构提出多标签特征选择算法FSML。使用logistic回归模型的损失函数学习回归系数矩阵,利用标签流形结构学习数据特征的权重矩阵,通过L_2,1-范数将系数矩阵和权重矩阵进行柔性结合,约束系数矩阵与权重矩阵的稀疏性并实现多标签特征选择。在经典多标签数据集上的实验结果表明,与CMLS、SCLS等特征选择算法相比,FSML算法在汉明损失、排名损失、1-错误率、覆盖率、平均精度等5个性能评价指标上表现良好,能更准确地描述数据与标签间的关系。