HL-Isomap+SVM在网络入侵检测中的应用

支持向量机所具有的处理小样本和良好的推广能力的优势,在入侵检测中得到了广泛应用。考虑到数据特征的高维性和冗余性,特征提取是一个关键步骤。采用非线性流形学习算法L-Isomap对入侵检测数据进行特征选择,然后应用one-class SVM训练并识别异常。通过将异构值差度量（HVDM）距离代替欧几里德距离提出了HL-Isomap。选用KDD数据集来比较上述不同模型,实验结果表明了降维方法的有效性,尤其是误警率性能得到了显著的提高。     

有监督S-kv-Isomap在入侵检测中的应用

入侵检测是计算机安全研究方面的热点领域,在入侵检测数据可视化和分类方面面临的问题是其高维特性。流形学习算法Isomap是有效的非线性降维工具。但是Isomap算法在实际应用中存在不能保证构造连通的邻接图和没有利用样本已知类别标记的缺点,针对上述缺陷提出了健壮的有监督S-kv-Isomap算法。该算法利用类别标记来指导降维,并且利用k-variable算法构造联通的邻接图。实验选用KDDCUP1999数据集,对四类入侵数据即Dos、R2L、Probe、U2R进行了可视化和分类研究。可视化中比较了S-kv-Isomap算法与kv-Isomap算法,前者具有更好的可视化效果。在分类研究中比较了S-kv-Isomap、kv-Isomap、SVM和k-NN算法,实验结果表明,S-kv-Isomap方法在入侵检测中不仅保持较高的入侵检测率,而且误警率很低。     

一种图像分类的多特征vague融合模型*

针对图像分类中传统的特征融合方式所形成的巨大特征空间甚至维数灾难问题,提出了一种基于vague融合的图像分类模型。通过同时给出支持和反对的证据,运用vague集的真假隶属函数对图像分类中多特征分类器的分类结果进行决策融合,多特征分类器的分类结果得到优化和综合,从而获得更准确、更稳定的决策分类结果。实验结果表明,运用此决策融合模型是可行的,同时,图像分类准确率得到了明显提高。     

利用数字水印技术实现心电图信号认证

研究了经典的空域数字水印算法LSB在心电图信号认证中的应用,选择在非QRS复合波内嵌入水印信息,提出了基于LSB的自适应数字盲水印算法。通过嵌入水印后的图像效果和攻击实验证明,这种水印嵌入算法对心电图信号具有良好的视觉效果,可抵抗LSB攻击,鲁棒性强。该算法性能优良,可用于其他一维数字信号认证。