Android运行时恶意行为检测模型研究

为实现Android应用程序恶意行为的有效分析,提出了基于HMMs-SVM的程序行为分类模型,将隐马尔可夫模型（HMM）和支持向量机（SVM）相结合,以动态行为序列作为关键特征,对移动应用软件运行中的网络收发、文件访问等行为建模. 该模型融合了HMM和SVM的优势,并克服了二者的不足,适合于在获取连续动态行为特征序列后进行行为分类. 实验结果表明,该方法分析召回率较高,可以有效对应用中的异常行为进行捕捉,并可以将其按类型分类.     

基于结合HM-SVM方法的HMM剪接位点识别研究

为了对剪接位点取得更加精确的预测结果，采用HMM方法设计并构建了剪接位点识别系统。该系统利用HM—SVM工作集最优化算法训练并优化HMM模型，依据剪接位点附近存在的序列保守性，高效地提取位点附近保守序列在边缘分布与条件分布上的统计特征。实验结果表明，该识别系统在用于剪接位点的识别中较常用的机器学习方法获得了更高的识别率。     

基于Boosting的入侵检测

本文给出一种基于支持向量机分类器的Boosting算法并将其应用于入侵检测;通过KDD'99数据的仿真实验将其与单一的支持向量机分类器进行比较,实验结果表明该方法比单一的支持向量机分类器具有更好的检测准确率。     

基于隐马尔可夫模型的入侵检测方法

针对当前网络安全事件频发以及异常检测方法大多集中在对系统调用数据的建模研究上等问题,提出了一种基于隐马尔可夫模型的入侵检测方法。该算法基于系统调用和函数返回地址链的联合信息来建立主机进程的隐马尔可夫模型。此外,针对常用训练方法存在的不足,设计了一种快速算法用以训练模型的各个参数。实验结果表明：基于系统调用和函数返回地址链的联合信息的引入能够有效区分进程的正常行为和异常行为、大幅度降低了训练时间、取得了良好的运算效果。。     

基于网络特征与用户行为分析的联合窃电检测方法

随着电力行业的迅速发展,窃电手段呈现出更复杂隐蔽的特点,给反窃电带来了很大考验.基于此,提出一种基于网络特征与用户行为分析的联合窃电检测方法.一方面,从网络特征分析角度出发,根据当前的电力网络测量数据,基于标准化残差搜索法识别与估计异常参数,准确定位疑似窃电用户所在支路,实现横向窃电检测;另一方面,从用户行为分析角度出发,利用用户的历史用电数据,结合粒子群算法(particle swarm optimization, PSO)和支持向量机(support vector machine, SVM)算法,提高窃电检测分析精度,实现纵向窃电检测.仿真结果表明,利用该联合窃电检测模型能够准确确定窃电异常支路并定位该支路上的窃电用户,有效筛选出电力网络的窃电嫌疑用户.     

基于机器学习的水质COD预测方法

运用紫外光谱进行水质有机污染物浓度（化学耗氧量(COD)）的检测,必须建立紫外光谱数据与COD值之间的数学模型.运用机器学习方法中的LM-BP神经网络和支持向量机,建立了紫外多波段光谱数据与COD值的相关性模型,讨论了在LM-BP神经网络建模中网络结构选择、输入数据处理和训练程度控制,以及在支持向量机建模中核函数及其参数选择等问题.对某种水样的紫外多波段光谱,分别运用最小二乘法、LM-BP神经网络、支持向量机的相关性模型进行COD预测.结果表明,2种机器学习方法的预测能力明显优于最小二乘法,能够得到满意的预测精度,为运用物理方法解决化学量测量中普遍存在的相关性问题,提供了实际可行的解决方案.     

网络入侵异常检测的实时方法

目前市面上的入侵检测系统一般都是基于特征匹配,不能对未知入侵进行有效检测,异常检测可以较好地检测未知入侵.MIT林肯实验室提出了一种离线的异常入侵检测方法,但不能据此建立实际的入侵检测系统,为此,提出一种能实时检测网络异常的入侵检测方法.该方法可以实时重建网络连接,提取每一连接的31个与入侵有关的特征,运用支持向量机进行在线检测,实验结果表明,该方法是有效的,检测精度在95%以上.为缩短入侵检测时间,对最短检测时间进行了研究,提出了最优入侵检测时间算法,根据此算法得出局域网内的异常连接在250ms内即可较准确地检测出.     

基于双联支持向量机的入侵检测技术

为提高网络入侵检测系统的性能,提出基于双联支持向量机的入侵检测方法。介绍网络入侵检测系统工作的基本原理;引入双联支持向量机和入侵检测分类器;构建基于双联支持向量机的入侵检测模型。仿真结果表明,该方法可以在样本数据很少的情况下,高速率、高精度地对计算机网络安全进行检测,适用于入侵检测系统。     

基于信息测度和支持向量机的图像边缘检测

将信息测度和支持向量机结合在一起，提出了一种新的图像边缘检测方法（information measure and support vector machine edge detection method，ISEDM）．首先，基于数学测度概念构造一个描述边缘点信息测度的特征矢量，该矢量由邻域一致性测度、方向性信息测度和梯度分布3个特征分量组成，然后运用支持向量机对特征矢量数据集进行训练和分类，实现了对边缘点的检测．实验结果表明，对于含有加性噪声、乘性噪声等图像的边缘检测，ISEDM能够有效地抑制噪声，较多地保留图像边缘的细节信息，边缘图像锐利而清晰。     

基于F-Faster-RCNN算法的摔倒检测研究

提出一种基于特征金字塔(FPN)结构的快速卷积神经网络(F-Faster-RCNN)的摔倒检测模型,采用F-Faster-RCNN目标检测网络结合多目标跟踪算法Deepsort实现运动目标跟踪;采用3D卷积神经网络和支持向量机(SVM)分类算法实现老人摔倒行为的判别。F-Faster-RCNN算法以残差网络为主干网络,加深了网络层次;以FPN结构逐层提取特征,实现深浅层特征的融合;结合遗传算法改进SVM的参数调优过程,避免了局部最优解。经仿真验证,基于F-Faster-RCNN目标检测模型损失率可降低到2.2%,摔倒检测平均准确率达到84.4%。     

基于机器学习的DDoS攻击检测

简要回顾了DDoS攻击的工作原理和造成的危害,介绍了KNN和XGBoost两种机器学习算法的基本流程,提出了一种结合KNN算法和XGBoost算法的新DDoS攻击检测模型.在新模型中,通过使用KNN算法训练出模型,预测一个评分,作为新的特征加入原数据集中,再放到XGBoost中进行新一轮训练.利用标准数据集KDD CUP99进行了实验.实验数据表明,KNN和XGBoost融合模型训练和攻击检测的速度快,适用于DDoS攻击检测.     

基于机器学习的网页恶意代码检测方法

网络中大量的恶意网页已经成为网络用户的主要安全威胁。本文提出了一种基于机器学习分类器的网页恶意JavaScript代码分析方法。通过对训练样本训练学习,建立分类模型,最后对测试样本检测。实验表明,本方法能够有效的检测出大部分恶意网页JavaScript代码,检测准确率达到88．5％     

基于机器学习的NAO机器人检测跟踪

为了解决对人形NAO机器人的检测跟踪问题,提出了一种机器学习与特征匹配相结合的方法.向梯度直方图(Histogram of Oriented Gradient)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子,在行人检测中取得了较好的效果.将其应用于人形NAO机器人的检测跟踪,并结合AdaBoost算法通过机器学习的方法,从大量的训练样本中自动抽取HOG特征并建立级联分类器,利用分类器找出视频帧中含有机器人目标的区域,并在此基础上利用SURF(Speed Up Robust Features)特征匹配方法与模板图像进行特征匹配,以提高目标识别的正确率.实验结果表明,该方法对NAO机器人在室内光线无遮挡的情况下取得了稳定的跟踪效果.     

机器学习中的PCA降维方法研究及其应用

机器学习中涉及大量以图像处理为代表的高维数据,PCA作为有效的数据降维方法常被用于数据预处理阶段。讨论了PCA的K-L数据转换原理、具体降维处理过程、高维样本协方差矩阵的求解技巧、维数选择方法,并在ORL人脸图样库上给出了基于PCA的人脸识别准确度分析。     

面向入侵检测的机器学习方法综述

入侵检测方法是基于网络的入侵检测系统的核心,可以是基于特征的,也可以是基于异常的。基于特征的检测方法具有较高的检测率,但不能检测到未知新型攻击;基于异常的检测方法可以检测到新型攻击,但误报率较高。为了降低入侵检测的误报率并提高其检测率,许多机器学习技术被应用到入侵检测系统中。通过对大量带有入侵数据训练样本的学习,构建了一个用于区分正常状态和入侵状态的入侵检测模型。针对目前入侵检测系统存在的高误报率、低检测速度和低检测率等问题,对机器学习技术在入侵检测系统中的的优势、系统检测的通用数据集以及系统评估指标进行了详细阐述,并对未来研究趋势进行了展望。     

基于DGA的变压器故障可视化诊断

采用Matlab程序设计语言和GUI界面图形对象工具实现变压器绝缘故障诊断的三维可视化输出,并改进三比值法,利用模糊数学方法构造编码隶属度函数刻画边界点的模糊区间.实例应用分析结果表明：该可视化设计技术不仅简化了传统的繁琐计算过程,提高了效率,而且故障定位准确直观,更全面地反映变压器故障信息与可能的故障原因,具有很强的实用价值.     

基于P300和极限学习机的脑电测谎研究

极限学习机基于一种典型的单隐层前馈神经网络(SLFNs), 其有效性在模式识别很多领域得到证实. 该文针对当前的测谎方法的准确率不够高及训练时间较长的缺点, 将ELM算法应用到测谎研究领域, 作为分类器, 对说谎者和诚实者的两类脑电信号进行分类识别, 并将实验结果和三类典型的分类器: 支持向量机(SVM)、人工神经网络(ANN)和线性分类器(FDA)的分类结果进行比较. 实验结果表明, 该方法不仅获得最高的训练和测试准确率, 而且训练时间也大为缩短, 证明了该方法的测谎有效性.     

基于多GEP分类器和DGA的变压器故障诊断

将GEP(Gene Expression Programming)方法与变压器油中溶解气体分析方法结合起来,提出了基于自适应GEP分类算法的变压器故障诊断方法。该方法继承了遗传算法(GA)的线性性和遗传程序设计(GP)的普适性,从而达到了简单编码解决复杂问题的目的,具有良好的收敛性和鲁棒性。选择能反映各种故障而又不冗余的400组DGA实测数据作为GEP分类器的训练样本和测试样本,并将测试结果与NB分类器,BP网络法,免疫分类法进行对比分析。大量诊断实例表明,所提出的自适应多GEP分类方法适用于变压器故障诊断,其性能优于另外3种方法。     

油中气体分析在变压器故障诊断中的应用

本文叙述了油中气体分析在变压器类设备故障诊断中的应用,介绍了特征气体法、三比值法和三角形法的基本原理。并通过实例,进一步说明建立油中气体分析(DGA)数据库的必要性。     

SVM核函数的研究及其在语音激活检测中的应用

在支持向量机的研究中,核函数起着关键性的作用.由于普通核函数都各有利弊,为了得到更好的学习和泛化能力,分别采用了混合核函数(mixture kernel)和适度衰减核函数(moderate de-creasing kernel).大量实验数据表明,将其应用于语音激活检测中,与其他几类分类核函数相比具有明显好的分类效果.