基于迭代自适应方法的跳频信号缺失数据恢复

在复杂电磁环境下，通信信号侦察系统在侦收跳频通信信号时经常存在数据缺失的严重现象，因此实现缺失数据恢复具有重要的军事应用意义。针对常规数据恢复算法随着缺失比例升高性能急剧降低的问题，提出了一种基于迭代自适应方法（Iterative Adaptive Approach,IAA）的跳频信号缺失数据恢复算法。根据跳频信号短时间内可作为平稳信号处理的特征，算法选择加权最小二乘准则，利用系统获取的有效数据采用迭代自适应方法进行信号谱估计，然后基于最小二乘准则进行缺失数据恢复处理。通过仿真分析比较，在同等信噪比、缺失率条件下，所提算法比常规缺失数据恢复算法MAPES（Misssing-data Amplitude and Phase Estimation）具有更优的缺失数据恢复性能。     

基于深度信念网络的光通信网络数据异常识别研究

为了降低光通信网络被攻击的概率,保证光通信的安全顺畅,提出基于深度信念网络的光通信网络数据异常识别方法。利用时间-频率相结合的算法建立光通信信道模型,获取信道特征。根据信道特征密度设计数据异常特征的判断准则,利用数据挖掘聚类算法提取异常数据特征。融合BP网络和受限玻尔兹曼机网络,确立深度信念网络结构,结合隐藏层与可见层单元的概率分布情况构建数据异常识别模型,经过数据采集、特征归一化和模型微调等过程完成光通信网络数据异常识别。仿真实验表明,所提方法能够获取准确的光通信网络异常数据特征,光通信网络数据异常识别高和误报率低。     

无线传感器网络中基于图信号处理的数据恢复方法

为解决无线传感器网络中传感器节点由于自身软硬件故障或监测环境恶劣等因素导致收集到的数据出现丢失的问题，本文提出了一种无线传感器网络中基于图信号处理的数据恢复方法。首先，根据网络数据的时间平滑特性和空间平滑特性构建时空图，然后，通过图信号处理中平滑性概念和数据低秩特性设计优化目标，最后，采用交替方向乘子法求解，实现数据恢复的目的。仿真结果表明，与无线传感器网络中现有的数据恢复方法相比，所提方法具有较高的恢复精度。     

基于深度学习的网络传输数据异常识别方法

互联网技术的广泛普及使得网络用户数量急剧增加，网络传输数据体量也随之增大，在多种因素的影响下，内部异常数据占比也越来越高，为网络数据传输、应用带来了极大的困难，为此提出一种基于深度学习的网络传输数据异常识别方法。该方法在LSTM神经网络模型的应用下，大幅度提升了评价指标——F1值，能够更加精确的识别异常数据，为网络传输数据的应用与处理提供更有效的方法支撑。应用高斯混合模型分割网络传输数据集合（训练集合/测试集合），引入深度学习技术——LSTM，构建网络传输数据异常识别模型，根据LSTM神经网络长期与短期记忆单元需求重塑网络传输数据，基于梯度下降法制定构建模型训练程序，确定异常数据判别规则，将测试集合输入至训练好的识别模型中，输出结果即为异常数据识别结果。实验数据显示：应用所提方法后，F1值呈现波动状态，最小值为83.70%，最大值为94.50%，符合数据异常识别需求，证明该方法具备可行性。     

基于无线通信的工业控制网络异常数据识别方法

随着工业无线通信技术的逐步发展与国际化,它在工业自动化领域中发挥着举足轻重的作用。近年来,工业控制网络的安全问题受到了广泛的关注,针对工业网络中异常数据的识别研究也得到重视。目前,工业网络数据异常识别方法可以处理的大部分数据是单维的,并且数据检测只能在被测量的单个项目上执行,测量网络数据的方法复杂且检测非常不方便,测量的精确度不高。为了解决此类问题,通过查找大量的文献,对数据进行对比分析,基于无线通信的异常数据识别是针对工业网络,检测无线网络的数据,找到了一种可以检测待测多个指标数据的异常识别方法,经过实验证明可提高网络数据识别的可靠性和安全性。     

基于深度信念网络的光通信网络数据异常识别研究

为提高光通信网络数据传输能力，基于深度信念网络研究光通信网络数据异常识别方法。先构建光通信网络数据传输模型，采用深度信念网络进行传输信道均衡控制，利用模糊多分类支持向量机提取数据异常特征，构建数据分类学习模型，实现对数据异常重构和关联规则挖掘，采用深度信念网络对光通信网络数据进行异常张量切片重组，用张量对多关系网络进行建模，实现对光通信网络数据异常识别。仿真结果表明，所提改进方法的能量开销仅为1.2 kJ,生命周期为55.75 h,且识别时间仅为1.0 ms,优于其余两种方法，具有更大的应用价值。     

基于入侵特征选择的网络异常数据检测模型

为了提高网络运动可靠性和安全性,针对传统的防火墙检测方法对网络异常数据检测准确性不高的问题,提出一种基于入侵特征选择的网络异常数据检测模型。对网络传输信道中的数据采用关联维求解方法进行特征挖掘提取,并对提取的关联维信息特征进行优选实现入侵信息识别和分类,结合模糊C均值聚类算法实现对网络异常数据的有效挖掘和检测。仿真结果表明,该检测模型能提高对网络异常数据和入侵信息的有效识别和检测能力。     

基于稀疏迭代协方差估计的缺失数据谱分析及时域重建方法

应用于缺失数据恢复的迭代自适应方法(IAA)被证实可利用20%的有效数据估计信号参数,并能高精度恢复缺失数据,优于经典GAPES方法,但当缺失数据超过80%时其数据恢复性能迅速下降。该文基于稀疏迭代协方差估计提出一种新的缺失数据谱分析方法(M-SPICE)及针对该方法的缺失数据修正时域重建方法。该方法将加权缺失数据协方差拟合代价函数转换为凸优化问题,构造循环最小化器保证缺失数据参数估计的全局收敛特性,通过对缺失数据估计算子的更新实现了时域重建方法的修正,使其在有效数据功率谱欠估计的情况下获得更高的数据重建精度。仿真实验表明无论是数据块缺失还是任意缺失,该方法均能够利用更少的有效数据进行谱分析,并重建大比例缺失数据。     

基于人工智能技术的光通信网络异流数据检测

为准确检测光通信网络异流数据,提出基于人工智能技术的光通信网络异流数据检测方法。基于K-means聚类分析光通信网络流数据特征类型,实现特征聚类,预处理去除聚类后的网络流数据特征样本中的冗余特征;将预处理后的特征样本作为识别样本,以识别异常网络流数据特征的形式,检测异流数据。实验结果验证：此方法对多种光通信网络异流数据的检测结果与实际情况一致,具有准确检测光通信网络异流数据能力。     

智能手机RS-MMC存储卡数据恢复研究

为恢复智能手机存储卡中丢失或损坏的数据,以主流RS-MMC存储卡为例,分析了其物理结构和数据存储原理,针对引起数据损坏的不同原因,提出了对应的数据恢复方法。着重研究了逻辑损坏时的数据恢复流程,详细介绍了利用USBOOT软件进行数据恢复的操作步骤。测试表明该方法数据恢复效果好,可用于个人信息恢复、嫌疑手机取证等场合。     

Multi-step attack detection method based on network communication anomaly recognition

In view of the characteristics of internal fixed business logic,inbound and outbound network access behavior,two classes and four kinds of abnormal behaviors were defined firstly,and then a multi-step attack detection method was proposed based on network communication anomaly recognition.For abnormal sub-graphs and abnormal communication edges detection,graph-based anomaly analysis and wavelet analysis method were respectively proposed to identify abnormal behaviors in network communication,and detect multi-step attacks through anomaly correlation analysis.Experiments are carried out on the DARPA 2000 data set and LANL data set to verify the results.The experimental results show that the proposed method can effectively detect and reconstruct multi-step attack scenarios.The proposed method can effectively monitor multi-step attacks including unknown feature types.It provides a feasible idea for detecting complex multi-step attack patterns such as APT.And the network communication graph greatly reduces the data size,it is suitable for large-scale enterprise network environments.     

一种改进BP神经网络的K-means算法

针对聚类算法K-means在聚类的过程中,出现数据的属性缺失造成聚类的精确度下降等问题,提出了一种改进BP神经网络的BPK-means算法。该算法首先根据BP神经网络对缺失的属性值进行预测,补全缺失的数据,极大的提高了数据的完整性和可靠性;然后对异常的数据进行去噪处理;最后通过K-means算法对修复后的数据进行聚类。通过理论验证和实验结果都表明所提出的方法比原始的算法精确度有很大提高。     

基于入侵监测的网络信息安全管理技术

针对网络安全面临非法入侵威胁、实时防御性差的问题,文中研究和分析了基于入侵监测的网络信息安全管理技术。通过在现有网络模型中增加入侵监测模块,将网络信息采集、信息处理和信息分析3个模块相结合进行入侵监测。为提升入侵监测的准确率,利用基于数据降维的决策树方法对异常数据进行识别,有效实现不同类型的异常数据监测。系统验证表明,所提出的入侵监测方法对于不同类型的入侵均有较好的监测效果,比现有算法提高了约8%。     

基于LSTM多尺度共生关系挖掘的测井曲线复原

利用测井数据进行储层地质描述的应用中,经常出现部分测井曲线失真或缺失的问题,为此,测井曲线复原一直以来都是相关研究领域的研究热点和难点。传统信号复原方法和基于神经网络等机器学习的复原方法,对同井不同测井曲线间关联信息的表示和利用不充分,跨井模型适应能力差。针对这些问题,该文提出一种基于长短时记忆(LSTM)网络多尺度共生关系挖掘的测井曲线复原方法:在基于神经网络测井曲线复原方法的基础上,通过引入多尺度灰度共生短阵(GLCM)关系完成对不同测井曲线间横向关联信息的表征以实现测井曲线集纵横向语义信息的全面利用,进而实现缺失测井曲线的复原。实验结果表明,与BP神经网络、随机森林(RF)、GBDT、深度森林(DF)和LSTM网络方法相比,该文所提方法具有更好的信号复原精度,且所构建模型具有一定的井间适应能力。     

深度学习在绝缘子红外图像异常诊断的应用

绝缘子的红外图像分析一般采用图像处理的方法,易受背景环境和数据量的影响,准确率和效率均较低,本文提出一种深度学习的异常诊断方法,基于改进的Faster R-CNN方法搭建检测网络,开展不同类型的绝缘子测试。研究结果表明:相对于神经网络（Back Propagation,BP）、Faster R-CNN方法,本文方法可高效地诊断出绝缘子的异常缺陷,平均检测精度达到90.2%;单Ⅰ型和Ⅴ型绝缘子的异常诊断准确率高于双Ⅰ型绝缘子。研究结果可为输电线路绝缘子异常诊断提供一定的参考。     

Identification of DNS covert channel based on improved convolutional neural network

In order to effectively identify the multiple types of DNS covert channels,the implementation of different sorts of DNS covert channel software was studied,and a detection based on the improved convolutional neural network was proposed.The experimental results,grounded upon the campus network traffic,show that the detection can identify twenty-two kinds of data interaction modes of DNS covert channels and is able to identify the unknown DNS covert channel traffic.The proposed method outperforms the existing methods.     

配电网故障快速恢复方法

针对快速实现配电网故障恢复的问题,对智能配电网的故障、网络重构及故障恢复进行了分析。通过建立包含约束条件的配电网故障快速恢复数学模型,对网络拓扑搜索进行了研究。利用网络拓扑搜索与故障信息矩阵相结合的方法,解决了配电网故障定位问题。并就常见的35 kV永久配电故障,给出了35 kV电源故障快速恢复方案,针对解决方法进行了实际案例分析,验证了所提出方案的可靠性及有效性。     

基于深度学习和灰度纹理特征的铁路接触网绝缘子状态检测

铁路接触网绝缘子状态检测对铁路行车安全有着 重大的意义,为解决目前人工对绝缘 子图像检测结果的不确定性,提出一种深度学习结合灰度纹理特征的检测方法。首先使用 Faster R-CNN (faster region-based convolutional neural network)目标检测算法对图像中绝缘子精确识别,再通过灰度共生矩阵对绝缘子纹理 特征进行分析提取,之后结合支持向量机将绝缘子分为正常绝缘子和异常绝缘子,实验数 据结果证明使用能量、熵、相关度3种纹理特征进行绝缘子状态分类时对实验数据中的正 常状态绝缘子的分类精度可达100%,异常状态绝缘子的分类精度达97.5%,最后依据绝缘 子图像灰度分布的周期性特点,利用灰度积分投影将异常绝缘子分为破损绝缘子和夹杂异 物绝缘子。实验结果表明所提方法可以有效对绝缘子状态进行检测分类。     

基于神经网络的变电站异常网络流量识别

针对变电站网络异常流量检测过程中需要兼顾准确度和实时性的问题,提出基于元启发优化算法的模块化的神经网络算法。仿真实验证明,在存在网络延迟和抖动的情况下,基于灰狼优化算法模块和进化策略算法模块的神经网络异常检测算法,能够准确和高效地识别变电站网络中的异常数据流量。