基于改进CGANs的入侵检测方法研究

近年来,机器学习算法在入侵检测系统(IDS)中的应用获得越来越多的关注。然而,传统的机器学习算法更多的依赖于已知样本,因此需要尽可能多的数据样本来对模型进行训练。遗憾地是,随着越来越多未知攻击的出现,且用于训练的攻击样本具有不平衡性,传统的机器学习模型会遇到瓶颈。文章提出一种将改进后的条件生成对抗网络(CGANs)与深度神经网络(DNN)相结合的入侵检测模型(CGANs-DNN),通过解决样本不平衡性问题来提高检测模型对未知攻击类型或只有少数攻击样本类型的检测率。深度神经网络(DNN)具有表征数据潜在特征的能力,而经过改进后的条件CGANs,能够通过学习已知攻击样本潜在数据特征分布,来根据指定类型生成新的攻击样本。此外,与生成对抗网络(GANs)和变分自编码器(VAE)等无监督生成模型相比,CGANsDNN经过改进后加入梯度惩罚项,在训练的稳定性上有了很大地提升。通过NSL-KDD数据集对模型进行评估,与传统算法相比CGANs-DNN不仅在整体准确率、召回率和误报率等方面有更好的性能,而且对未知攻击和只有少数样本的攻击类型具有较高的检测率。     

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时，数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测，提出了一种基于并行多通道卷积长短时记忆网络（PMCCNN-LSTM）的剩余使用寿命预测模型。该模型主要由两部分组成：前端为并行多通道卷积网络（PMCCNN），提取信号特征，挖掘数据的时序特性，并采用逐层训练和微调的方式提升参数的收敛性；后端为长短时记忆（LSTM）网络，基于特征进行剩余使用寿命预测，并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性，实验结果表明：所提模型的平均误差与最大误差分别比传统的卷积神经网络（CNN）低23.38%和15.84%，比传统的LSTM低24.14%和19.01%，比卷积长短时记忆网络（CNN-LSTM）低30.32%和23.09%。     

燃气企业网络安全改进实例分析

燃气企业信息化系统所面临的风险和威胁越来越大,尤其系统中断造成的宕机,会给燃气企业带来经济与信誉等诸多方面的损失。当前燃气企业信息化系统是一个资源高度整合的系统,一旦发生意外事故,势必造成燃气业务大面积瘫痪,无法持续正常运作。因此需要提供一个安全的网络环境,以保障燃气企业的业务和数据稳定运行。     

基于SDN和虚拟拓扑的天基网络路由算法

针对天基网络的时变拓扑结构给网路管理和路由设计带来的难题,综合考虑GEO卫星和LEO卫星的优势,建立了一种基于软件定义网络(SDN)架构的天基网络模型,提出了一种基于虚拟拓扑的包含必经节点的天基网络路由算法(VTPN)。通过改进时间片划分策略,提高了计算效率,通过必经节点的设定,改善了链路拥塞问题。仿真结果表明:SDN架构下的VTPN算法与其他算法相比,网络链路利用率和负载均衡性能提高了约50%,丢包率降低了约20%。     

工程建设标准客观优先度评价研究

在工程建设标准的制定和修订过程中，如何科学地确定编制顺序一直是困扰标准管理部门的难题，采用传统方式“按需制标”，具有盲目性、主观性，容易造成标准在制定和修订过程中的互相重复、滞后与矛盾。为了保证标准制定和修订工作的协调性，指导标准体系中各标准的制修订顺序，引入复杂网络拓扑结构，将同一标准类型下的标准构成功能团，根据相互之间的关系形成复杂网络，采用剥落算法对其网络节点重要性排序，进而确定标准制修订的优先度。通过对建筑给水排水工程规范标准修订的实证分析，总结工程建设标准的网络拓扑优先度评价的算法模型，实现制定和修订顺序的自动计算，从而更加科学地指导标准的制定和修订工作