基于PCA的SVM网络入侵检测研究

文章针对传统入侵检测方法无法很好地对大样本数据降维、检测效率低、时间长、误报漏报率高等缺点,提出一种基于主成分分析(principal component analysis,PCA)的支持向量机(support vector machine,SVM)网络入侵检测方法(PCA—SVM)。该方法在对数据进行预处理之后,通过PCA对原始数据集的41个属性进行数据降维并消除冗余数据,找到具有最优分类效果的主成分属性集,然后再以此数据集训练支持向量机分类器,得到检测器。实验选择KDD99数据集在Matlab平台上对PCA-SVM算法进行仿真。相比于由传统41个属性训练得到的入侵检测器,文中方法大大缩短了检测时间,提高了检测效率,为网络入侵检测技术提供了一种新的可行方案。     

求解柔性作业车间调度问题的鸟群算法

柔性作业车间调度问题是生产调度领域中非常重要的一类带约束优化问题。根据其求解特性,提出一种基于改进的鸟群算法求解以最小化最大完工时间为目标的柔性作业车间调度问题的方法。该方法采用随机黑洞策略改进鸟群的觅食方式,自适应的动态调整策略改善鸟群的迁移步长,从而提高种群的多样性并加速算法的收敛速度;通过对关键路径上工序的领域搜索加强算法的局部搜索能力。最后利用实际制造企业的生产加工数据以及标准测试实例进行仿真实验,实验结果表明,该算法在问题的求解精度和收敛速度上具有一定的优势,是一种有效的求解柔性作业车间调度问题的新方法。     

移动众包中基于多约束工人择优的激励机制研究

随着移动众包的快速发展,市面上的众包平台如雨后春笋般出现,它们发布任务并利用人群的力量来执行任务、收集数据。此时,移动众包中有效的激励机制变得十分重要。然而现有的激励机制只片面地考虑工人的信誉度、所在位置和执行时间等,这使得众包平台在有限的预算或其他约束的情况下选定优质工人并分配多个任务变得困难。针对以上问题,文中提出了一种基于多约束工人择优的激励机制(Multi-constrained Worker Selection Incentive Mechanism, MSIM),该模型依赖于两个相关算法：一是基于改进逆向拍卖的工人择优算法,该算法综合考虑工人信誉度、地理位置、任务完成度、结果质量等多个重要约束来选择最优的工人执行任务;二是评估和奖惩算法,该算法对任务执行结果和工人信誉度进行评估,从而制定对工人的奖励与惩罚规则。实验结果表明,MSIM可以选出优秀的工人,并提高任务执行结果的可信度和工人信誉度,是一种良好的激励机制。     

融合入侵杂草算子的蝙蝠算法

针对基本蝙蝠算法在寻优后期存在寻优精度低、早熟及易陷入局部最优等缺陷,提出一种融合入侵杂草生长繁殖局部搜索的蝙蝠算法。该算法将入侵杂草算法的杂草生长繁殖、空间扩散和竞争机制融合到蝙蝠算法中,采用动态调整杂草空间扩散算子的标准差,使算法既增加了全局搜索能力,同时也提高了局部搜索能力。通过对8个标准测试函数的仿真测试,结果表明该算法具有较优的全局搜索和局部搜索能力,在寻优精度和收敛性方面都比基本蝙蝠算法有较大的提高。     

基于深度强化学习和隐私保护的群智感知动态任务分配策略

在移动群智感知（Mobile Crowd Sensing,MCS）中,动态任务分配的结果对提高系统效率和确保数据质量至关重要。然而,现有的大部分研究在处理动态任务分配时,通常将其简化为二分匹配模型,该简化模型未充分考虑任务属性与工人属性对匹配结果的影响,同时忽视了工人位置隐私的保护问题。针对这些不足,文章提出一种基于深度强化学习和隐私保护的群智感知动态任务分配策略。该策略首先通过差分隐私技术为工人位置添加噪声,保护工人隐私;然后利用深度强化学习方法自适应地调整任务批量分配;最后使用基于工人任务执行能力阈值的贪婪算法计算最优策略下的平台总效用。在真实数据集上的实验结果表明,该策略在不同参数设置下均能保持优越的性能,同时有效地保护了工人的位置隐私。     

一种面向攻击效果的网络安全态势评估方法

基于攻击和威胁的网络安全态势评估模型已经成为研究热点,攻击数量和攻击造成的影响效果是两个重要的确定态势值的因素。利用攻击数量因素来确定态势值已经得了良好的效果。但是从攻击对系统影响角度来确定态势值方面,仍然考虑不够。本文首先基于层次化网络安全态势评估模型,介绍利用攻击数量来计算网络安全态势值的公式。然后分析攻击对系统造成影响,利用攻击影响对公式修正,推导出充分考虑攻击数量和影响效果的公式。通过实验证明修正后的公式更加能反映实际情况。     

面向异构效用的移动群智感知多目标任务分配

当前移动群智感知(MCS)任务分配往往只考虑工人或平台单方面的效用,并且效用的构成也不够全面。因此基于工人信誉指数和任务熟练指数,设计了工人和平台两方面的异构效用机制,并提出一种双种群竞争的多目标进化算法(DCMEA)来获得最优的工人和平台异构效用。该算法首先通过随机贪婪初始化种群,然后使用二元竞标赛算法将种群划分为胜者种群和败者种群,并针对每个种群采用不同的进化策略。最后,通过修复算子使进化过程中的无效个体满足约束条件。在真实场景的数据集上进行实验表明,与基线算法相比,DCMEA收敛速度更快,能够找到精度更优、稳定性更好的任务分配解集,同时在更为复杂的场景中依然能够保持其性能。