网络态势数据分析及恶意节点检测研究
这是一篇关于网络安全态势分析,恶意节点检测,时间序列分析,神经网络的论文, 主要内容为随着网络安全环境趋于复杂,攻防较量不断升级,网络安全态势感知(network security situation awareness,NSSA)的关注度急剧上升。由于网络流量包含全面的网络信息,流量采集方式灵活多样,基于网络流量进行网络安全态势分析的方法正在得到更多的关注。但是目前对网络流量的分析主要从数据包和会话流属性出发,很少考虑到网络节点间关系和时序信息,因此本文考虑构建一个能够兼顾网络节点间关系和时态信息的网络安全态势分析系统,从节点间关系和时态信息两个维度开展恶意节点识别和态势分析。本文主要工作如下:首先,本文采用图模型来描述实体及实体间关系。先针对网络流量数据设计存储模型,然后根据存储模型对流量信息进行预处理和特征提取(本文称为一次特征提取),最后将处理好的数据存储到Neo4j数据库中得到网络节点关系图数据库。其次,本文提出了一种基于图数据库的恶意节点检测方法。通过复杂网络分析方法,结合网络流量统计特征,本文选择节点出入度、聚类系数等特征来刻画网络节点间关系(本文称为二次特征提取)。两次特征提取共得到22个特征。本文以这22个特征作为输入,对BP神经网络进行训练,构建恶意节点检测器。最后通过实验对本文方法进行评估,实验结果显示,本文提出的方法在检测精度、查全率和误报率方面都优于同类方法。本文还设计了一种基于时间序列分析的节点聚类方法。针对网络流量往往是由多个独立分量聚合而成的特点,本文首先采用经验模态分解(empirical mode decomposition,EMD)将网络流量分解成多个内涵模态分量(Intrinsic mode functions,IMF),然后采用傅里叶变换和自相关系数结合的方法计算IMF的周期。最后采用IMF分量周期对时间序列进行距离度量。本文最后用基于分量周期距离的K-mediods方法对时间序列进行聚类,实验结果表明,本文提出的方法时间复杂度低,准确率较高,能够满足实际需求。最后,本文将基于图数据库的恶意节点检测方法和基于时间序列分析的节点聚类方法进行整合,设计了基于图数据库的网络安全态势分析流程,该流程综合考虑了网络流量通信特征、节点间关系和时态信息。本文利用Spring Boot框架和Neo4j相关API实现了基于该流程的原型系统,其性能进行了实验验证,实验结果表明,该原型系统合理可行。
基于LSTM的耀斑指数平滑值的短期预测
这是一篇关于耀斑指数平滑值,LSTM,卡尔曼滤波,多步预测,时间序列分析的论文, 主要内容为太阳耀斑是一种剧烈的太阳活动形式,强烈太阳耀斑引起的X射线增强会导致短波无线电衰减,从而影响无线电通信系统、全球定位系统、卫星和航天员的安全,造成大量的经济和商业损失。因此,建立太阳耀斑预报模型对空间天气预报具有重要意义。耀斑指数是对全日面耀斑活动强度的一个量化描述指数,是太阳辐射研究领域中最重要的太阳活动指数之一。相较于其他的太阳活动指数序列,耀斑指数时间序列的突发性更强,预测难度更大。耀斑指数平滑值在减缓了这种波动的同时,保留了耀斑指数的整体趋势。可以通过预测耀斑指数平滑值来达到预测未来一周太阳耀斑整体活动水平的目标。本文首先通过R/S分析法计算了耀斑指数与耀斑指数平滑值的Hurst指数值,表明了耀斑指数平滑值的可预测性,同时耀斑指数平滑值的预测性强于耀斑指数,为后续实验提供了基础。之后选取了适合处理时序序列的长短期记忆网络模型(Long Short-Term Memory,LSTM),从耀斑指数中提取时序信息,通过滑动窗口的方式将预测问题转化为机器学习中的监督问题,来预测未来一周的太阳耀斑指数平滑值。针对耀斑指数平滑值的获取要使用到未来的信息这一问题,提出了基于卡尔曼滤波和长短期记忆网络的耀斑指数平滑值预测模型。首先确定了耀斑指数平滑值预测网络模型的最优超参数,从预测结果中分别提取对第一天到第七天的预测结果进行误差分析,通过平均绝对误差等评价指标对模型预测结果进行定量分析,实验结果表明了本文所提出的预测模型在预测耀斑指数平滑值方面的优越性。通过与LSTM神经网络与循环神经网络(Recurrent Neural Network,RNN)进行对比分析,本文所提出的耀斑指数平滑值预测模型精度更高。最后将本文提出的模型与Spring Boot框架结合,建立了耀斑指数平滑值预测系统。
基于数据挖掘的外协件质量控制预测研究
这是一篇关于数据挖掘,时间序列分析,质量控制,质量信息流的论文, 主要内容为企业以质量为本,在汽车生产过程中会用到大量的外协件,其质量对于整车质量有至关重要的影响,如果能够准确预测外协零件质量,对企业提高整车质量意义重大。本文依据上海某汽车公司的实际情况,分析和研究了数据挖掘和时间序列分析在外协件质量控制方面的一些应用。 本文针对企业外协件质量控制存在的问题,提出了利用数据挖掘结合时间序列分析的方法对外协件的历史检测数据进行分析、预测。首先,本文引入了数据挖掘和时间序列的概念,介绍了数据挖掘的研究方法和算法,利用分类、关联和聚类算法对历史数据进行处理,建立了外协件质量检测数据仓库;其次,系统的建模引入了时间序列的方法,利用生产实际的外协件质量检测历史数据,建立了应用质量控制的AR模型;最后,我们使用Java程序结合SQL Server 2000数据库,开发了外协件质量信息流管理软件,完成了上海华普外协件质量信息流软件管理平台,基于实际检测的样本数据进行系统建模、分析以及预测零件质量情况。 本文的实际内容来源于实际生产,然后又将实际生产和时间序列理论结合在一起,对产生的时间序列进行了合理的分析。本论文的理论通过软件得以实现,并在实际生产中的使用,提高了检验效率,满
基于状态空间模型的时间序列预测算法
这是一篇关于时间序列分析,序列预测,状态空间模型,卡尔曼滤波,循环神经网络的论文, 主要内容为时间序列分析在很多领域都具有很重要的应用。例如,在经济学领域中,每天都接触到的股市价格或者各种金融指数的分析可以帮助投资者进行决断进而影响金钱的流动。社会科学家则会关注人口系列的时间序列数据,比如出生率或者入学率等信息,从而预测未来人口健康程度的走向,进而为政府提供合适的人口政策建议。现有的时间序列分析方法包括时域以及频域两个角度。时域的方法关注点在于序列之间的滞后关系,换句话说就是研究过去几天发生的事情将如何影响明天发生的事情,而频域的方法会将周期性的研究视为重点,比如,经济周期,它的扩张和衰退呈现的规律。上述两个方法做法之间是独立的,但是两者之间却并不一定相互排斥,也存在有的工作同时从时域和频域出发的工作。时间序列预测是分析之后的应用,面对不同类型的时间序列分析后可以调整预测算法。然而,现有的时间序列预测算法主要从频域或时域的角度对时间序列进行建模。大多数方法都是依赖于序列本身的先验知识,无法适用于较为复杂的现实场景。实际上,在复杂场景中,时间序列的变化其实都是由其背后蕴含的共享背景信息造成的。这些背景信息通常在目标序列的预测任务中不会很明显地表现出来,需根据先验信息以及实验进行额外的挖掘与发现。比如,在预测空气中各类污染物的含量的任务中,仅仅根据污染物本身的信息进行预测容易产生较大的误差,但是如果把温度,湿度以及压强这些影响污染物含量的背景信息引入建模则会提供更多有效信息提高预测效果。因此,在本文的研究中,如何提取多个序列背后的共享背景信息,以及如何将提取出来的信息整合到预测模型是两个主要挑战点。为了解决上述两个挑战点,本文提出一个基于共享状态空间模型的时间序列预测算法(SSSM),主要是通过引入一个共享背景信息组件到状态空间模型中。在SSSM模型中,所有的序列都被视为一个整体并且对每条目标序列使用状态空间模型进行建模,同时融合了整个模型共享参数以及背景信息。具体做法如下:首先采用两个循环神经网络分别提取目标序列的时间特征以及背景信息。其次,将上面提取出的信息整合到状态空间模型,该模型是线性高斯形式的组件并且推断过程可以由卡尔曼滤波算法完成。最后,该模型按照具有上述两个组件的模型的对数似然进行优化。本文在三个真实的数据集中分别和多个业界主流的基线方法进行比较,发现SSSM在预测精准度上都超越了所有基线方法,工作的合理性被证明。同时经过相关性的实验分析,发现模型可以提取到数据背后的共享信息与目标序列之间是存在相关性,并且对于目标序列的预测存在着正向反馈的作用。
基于BIM技术的桥梁健康监测信息可视化管理及监测预警研究
这是一篇关于BIM技术,监测信息可视化,结构健康监测技术,时间序列分析,切线角算法的论文, 主要内容为桥梁工程是保障公共交通畅通无阻的重要一环,但桥梁在运营期间会受到诸多意料不到的因素的综合影响,如环境侵蚀、材料老化、损伤累积等,其承载能力将不可避免的减弱,从而导致发生突发事故的概率增大。为了保障桥梁运营的安全性和耐久性,专家学者们设计出了科学有效的结构健康监测方式,实现了对结构损伤实时的、长期的监测。但这些研究多注重数据采集,对监测数据可视化管理和桥梁结构的实时风险预警涉及较少。BIM(Building Information Modeling)技术旨在建立虚拟的建筑工程三维模型,实现工程信息的有效集成,以便该模型在实践应用中能提供完整的、可视化的建筑工程信息。监测信息可视化综合了计算机图形学、图像处理等学科,将庞大的桥梁监测数据转变成直观的图表、图像等,是数据展示、处理以及结构健康状态评估的综合技术手段。通过BIM技术与监测信息可视化技术的融合,可以为项目各方参与人员提供一个工程信息交互和监测数据共享的平台,实现桥梁数据的二、三维展示。趋势预测是通过对海量监测数据进行分析处理后,从中提取出潜在的、规律的信息来预测监测数据的发展趋势。掌握监测数据发展趋势有助于对桥梁健康状态进行评估,实现风险预警,从而保障桥梁运营安全。本文的主要研究内容如下:现有的桥梁健康监测系统设备成本较高,对中、小跨径桥梁的健康监测管理适用性不强,针对该问题设计了基于B/S架构的监测系统设计方案,系统无需插件,支持多终端同时访问,具有适用范围广、性能稳定、及可扩展等特点。为了实现监测数据可视化和数据集成,设计了基于BIM模型的桥梁健康监测信息可视化管理的方法。通过在桥梁BIM模型上添加各类传感器数据,系统不仅能够通过二维图表直观的展示监测数据变化趋势;还能当桥梁存在安全隐患时,快速、准确的在三维BIM模型上找出预警的传感器。管理员可通过查询预警原因,快速做出应急措施。针对现有健康监测系统缺乏对海量历史监测数据进行深度挖掘的问题,采用了基于时间序列分析和切线角预警等方法对历史监测数据进行分析和挖掘。本文先通过MATLAB软件进行数据建模,然后通过预测数据与真实监测数据对比,验证模型预测及预警的准确度。最后,在系统中融入算法模型,通过时间序列分析与切线角算法对监测数据进行预测,并实现自动预警。系统在保证安全可靠的前提下,变得更加智能化。
厂房除尘防爆系统设计及相关数据分析研究
这是一篇关于粉尘爆炸,时间序列分析,预测,快速DTW,异常检测的论文, 主要内容为涉尘企业在其产品加工过程中伴随粉尘的产生,导致粉尘爆炸事故时有发生。近年来,国家应急管理部针对粉尘防爆问题多次下发相关法律法规文件,旨在进一步控制粉尘爆炸安全事故的发生,涉尘企业则是其重点关注对象。尽管涉尘厂房已配备各类除尘设备,却存在诸如效率低、反馈不及时以及不能统一监管的问题。此外,安全监督部门亦不能及时开展检查、监管的工作,对安全事件难以及时做出反应并处理。本文研究了粉尘防爆相关理论,整理分析了厂房除尘防爆流程中存在的问题,结合实际应用场景的需求,设计实现了一种以物联网为基础的除尘防爆系统,并制定系统各功能模块,主要包括:以不同业务间的独立性对监管区域进行纵向划分,形成区域管理功能;对市政项目进行信息整合与规范化管理而形成项目管理功能;为保障传感监控设备整个生命周期可控而形成设备管理功能;对存在问题的项目实现异地监管,形成任务管理功能;为相关人员提供集地图功能于一体的全局地图统计与监控数据可视化服务的GIS全局地图功能。本系统使用目前业界流行的Spring Cloud架构作为整体方案的技术框架,通过Spring Boot构建服务组件,将各个微服务组件独立开发部署,使得各功能模块满足高内聚低耦合的特点,并通过运用Nginx服务、Tomcat集群、Redis缓存、MySQL集群等技术来提升系统的并发能力、可靠性、可用性。针对除尘防爆系统收集的数据具有的时间特性,本课题基于时间序列分析理论进行研究,通过采集的数据对厂房工况进行异常检测、预测预警等,主要工作包括:1、研究相关时序模型,并选择本文所用的预测模型;2、对历史工况数据进行预处理,使其符合时序模型要求;3、为所用模型确定参数,并进行拟合评估;4、调整优化参数,提升预测效果;5、从时间序列相似性度量切入,研究时间序列异常检测,主要对相似性度量算法DTW进行研究,在分析总结前人的研究的基础上,结合数据特点为时间序列赋予不同权重,并充分利用权重,为DTW算法在相似距离的计算中,提供标识停止计算的上、下界阈值,从而做出改进,提高了计算效率,而后以改进的DTW算法所得的相似距离为依据,进行聚类分析,对时间序列的异常与否进行标记,从而应用于工况异常检测,满足项目工程应用的需求。截至目前,本系统在江苏、广东、重庆等省市地区的多个厂房已安装并稳定运行一年,实现了对涉尘企业厂房生产过程中的工况进行自动监测的功能,满足了监管要求,提高了监管效率,为人民的生命财产安全提供可靠保障,保证企业的生产安全。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码工坊 ，原文地址：https://m.bishedaima.com/lunwen/46515.html
