排序方式: 共有159条查询结果,搜索用时 187 毫秒
91.
92.
针对复杂工业过程中变量故障信息统计不完全和故障检测性能不佳的问题,提出一种基于双重控制策略的故障检测方法。对输入数据进行标准化处理并获得数据的偏差变量来揭示数据的故障信息,实现第一重控制;对偏差变量进行处理生成新的辅助监控统计量,实现第二重控制;针对辅助监控统计量阈值难以确定的现象,基于一种反馈调节的参数自适应策略设置阈值。使用提出的方法对田纳西伊斯曼过程(TE过程)进行故障检测,且与改进欧氏距离控制(IEDC)和传统主成分分析(PCA)的故障检测方法进行比较验证。结果表明:与IEDC和PCA方法相比,所提方法能监控TE过程中变量更多的故障信息,在多组类型的故障检测中具有更高的故障检测率与较低的误报率,可有效应用于复杂的工业过程。 相似文献
93.
94.
95.
96.
结合近年对火灾探测新技术的引进和实际应用,重点介绍了使用效果很好的光纤光栅火灾探测系统的基本原理,以及这种新型火灾探测技术在大型储油罐和地下电缆隧道的应用情况. 相似文献
97.
98.
MPLS技术虽然为Internet提供了一种新的数据包转发模式,但是还不能消除其固有的网络攻击。基于流标记的端口包记录信源追踪系统则可以找到攻击源。包记录技术是整个追踪系统的核心。而其中所采取的基于流的策略可以大大节省存储空间;基于端口的策略通过减少反向追踪请求个数提高了追踪速度,进一步通过自适应的调整Bloom filter的k参数大大降低了追踪的误报率。 相似文献
99.
一种基于强化规则学习的高效入侵检测方法 总被引:8,自引:1,他引:8
在入侵检测研究领域中,提高检测模型的检测率并降低误报率是一个重要的研究课题.在对归纳学习理论深入研究的基础上,将规则学习算法应用到入侵检测建模中.针对审计训练数据不足时出现的检测精度下降的情况,提出了一种基于强化规则学习的高效入侵检测方法EAIDBRL(efficient approach to intrusion detection based on boosting rule learning).在EAIDBRL方法中,首先调整传统Boosting算法的权重更新过程在各个预测目标类内部进行,以消除退化现象;然后修改传统规则学习算法中规则生长和规则剪枝过程的评价准则函数;最后使用改进后的Boosting算法来增强弱规则学习器对网络审计数据的分类性能.标准入侵检测数据集上的测试结果表明,EAIDBRL方法能够较大地提高传统规则学习检测模型在小样本条件下的入侵检测性能. 相似文献
100.
通常入侵检测系统在一旦发现有入侵迹象时便发出警报,但许多入侵攻击最终是不能成功的或者说并不能给系统或网络造成危害,所以相应的警报属于无效警报,而正是大量无效警报的存在使得入侵检测系统有着较高的误报率。在本文中,针对网络型误用入侵检测系统建立了一种新的警报过滤机制,此机制通过安全扫描系统建立起一个本网络的漏洞数据库,由于一种网络攻击一般都是针对一个或多个程序漏洞的,当入侵检测系统发现可疑入侵时,找出攻击成功时所需存在的漏洞,并依据漏洞数据库加以实时确认此漏洞是否存在,若不存在,则只是记入日志而不发出警报,从而过滤无效警报的产生。实验结果证明,本文提出的警报过滤机制可以有效的降低误报率。 相似文献