RFID数据采集和处理系统中间件的研究与实现
这是一篇关于RFID中间件,读写器管理,数据采集和处理,应用程序接口的论文, 主要内容为RFID(Radio Frequency Identification)技术即无线射频识别技术,是一种高效的数据采集和自动识别技术。应用于物流、交通信息、医疗、零售等行业,可大幅度提高管理与运作效率、降低成本。RFID中间件将企业级中间件技术延伸到RFID领域,是处于硬件系统和应用系统之间的一类软件,它的功能主要包括屏蔽RFID设备的多样性和复杂性、实现对标签数据的处理、集成应用系统,能够为后台业务系统提供强大的支撑。 本文致力于研究RFID中间件的系统架构及其核心功能模块的设计与实现。对RFID技术进行了介绍,阐述了其技术特点。并通过对中间件技术的分析,选择J2EE技术作为RFID中间件开发的主要手段。通过分析研究RFID中间件的功能和典型RFID中间件的架构,提出了分布式RFID中间件系统架构,即以读写器管理、标签数据处理、应用集成为核心的系统模型。将RFID中间件分为两个层次,即数据采集端和管理服务器端。前者连接RFID设备,这一层属于RFID中间件的底层系统部分,提供了对各种设备的接口,将采集的标签数据发送到管理服务器端的消息系统中进行处理。后者采用Struts+Hibernate架构,包括读写器管理模块、消息系统模块、及应用集成模块。对系统实现过程中所需要的关键技术手段进行了深入的分析,如JMS(Java Message Services)、JMX(Java Management Extension)、Web Services。实现的分布式RFID中间件架构采用JMX技术为系统管理主线,包括基于JMX和RMI的读写器管理、基于消息中间件与基于JMX的消息处理组件的消息系统、基于Web Services的应用集成模块。其中,应用集成模块的开发符合EPCglobal组织定义应用程序级事件协议。 本文基于J2EE技术实现了RFID中间件系统,较好地解决了RFID中间件在设计中的关键技术问题,达到了中间件所需的基本功能。
RFID数据采集和处理系统中间件的研究与实现
这是一篇关于RFID中间件,读写器管理,数据采集和处理,应用程序接口的论文, 主要内容为RFID(Radio Frequency Identification)技术即无线射频识别技术,是一种高效的数据采集和自动识别技术。应用于物流、交通信息、医疗、零售等行业,可大幅度提高管理与运作效率、降低成本。RFID中间件将企业级中间件技术延伸到RFID领域,是处于硬件系统和应用系统之间的一类软件,它的功能主要包括屏蔽RFID设备的多样性和复杂性、实现对标签数据的处理、集成应用系统,能够为后台业务系统提供强大的支撑。 本文致力于研究RFID中间件的系统架构及其核心功能模块的设计与实现。对RFID技术进行了介绍,阐述了其技术特点。并通过对中间件技术的分析,选择J2EE技术作为RFID中间件开发的主要手段。通过分析研究RFID中间件的功能和典型RFID中间件的架构,提出了分布式RFID中间件系统架构,即以读写器管理、标签数据处理、应用集成为核心的系统模型。将RFID中间件分为两个层次,即数据采集端和管理服务器端。前者连接RFID设备,这一层属于RFID中间件的底层系统部分,提供了对各种设备的接口,将采集的标签数据发送到管理服务器端的消息系统中进行处理。后者采用Struts+Hibernate架构,包括读写器管理模块、消息系统模块、及应用集成模块。对系统实现过程中所需要的关键技术手段进行了深入的分析,如JMS(Java Message Services)、JMX(Java Management Extension)、Web Services。实现的分布式RFID中间件架构采用JMX技术为系统管理主线,包括基于JMX和RMI的读写器管理、基于消息中间件与基于JMX的消息处理组件的消息系统、基于Web Services的应用集成模块。其中,应用集成模块的开发符合EPCglobal组织定义应用程序级事件协议。 本文基于J2EE技术实现了RFID中间件系统,较好地解决了RFID中间件在设计中的关键技术问题,达到了中间件所需的基本功能。
基于知识图谱的恶意代码分类方法研究
这是一篇关于恶意代码,软件逆向,应用程序接口,知识图谱,神经网络的论文, 主要内容为当前互联网中恶意代码数量庞大,对网络安全产生严重威胁。国家互联网应急中心发布的《互联网安全威胁报告》指出,38%的网络安全事件由恶意代码引发。因此,如何分类识别庞大的恶意代码,不仅有助于企事业单位人员针对性的开展安全防御,同时对保障数据安全和个人信息安全具有重要指导意义。然而,当前恶意代码分类方法存在样本特征抽取不全面、特征间内在的关联关系缺失、恶意代码行为描述能力弱等不足,导致现有方案分类准确率偏低。在上述背景下,本文利用知识图谱关系描述清晰,可推理和可解释性的特性,抽取恶意代码实体和关系构建恶意代码知识图谱,展开恶意代码分类方法研究,本文的主要工作内容和研究成果如下:1.针对恶意代码行为特征抽取不全面、特征间的关联关系难以描述的问题,本文采取动静结合的方式抽取恶意代码的知识,并将其构建为知识图谱。首先,将恶意代码在沙箱中动态运行,得到链接库、注册表操作记录等运行结果报告;接着,对恶意代码进行静态的逆向分析,提取其中的API序列、API调用关系图等静态特征;然后,将静态分析和动态分析的结果进行融合,定义恶意代码本体和关系,生成恶意代码知识图谱中三元组;最后,将这些三元组存储到Neo4j图数据库中,完成了恶意代码知识图谱的构建。动静结合的互补分析方式,可以更加全面的抽取恶意代码实体知识和关系知识。2.针对恶意代码分类任务中特征不全面、无法表示特征间的关联关系的问题,提出一种基于API特征矩阵的恶意代码分类方法。首先逆向抽取恶意代码数的API序列;然后将API序列中的API视为单词,使用Word2Vec技术进行词嵌入,得到融合上下文语义的API词向量;接着使用Trans E技术对恶意代码知识图谱进行表示学习,得到API实体向量;再将同一个API的词向量和实体向量融合,得到知识图谱增强的恶意代码API特征矩阵;最后以该特征矩阵作为输入,使用TextCNN训练分类模型。实验结果表明,本方法在恶意代码家族分类任务上准确率达到93.8%,高于其他基于API序列的恶意代码分类方法。3.针对恶意代码分类任务中难以表达API之间调用关系、API语义表示能力弱的问题,提出一种基于API调用关系图的恶意代码分类方法。首先将恶意代码进行逆向分析,提取出API函数及API间的调用关系;然后使用知识图谱表示学习和BERT两种技术对API进行嵌入;再将API的语义向量作为图的节点,将API间的调用关系作为图的边传入GCN来学习恶意代码样本的特征,最后进行恶意代码的分类。经实验证明,提出的方法在恶意代码分类任务中,准确率达到86.2%,高于其他基于API调用关系的恶意代码分类方法。
基于知识图谱的恶意代码分类方法研究
这是一篇关于恶意代码,软件逆向,应用程序接口,知识图谱,神经网络的论文, 主要内容为当前互联网中恶意代码数量庞大,对网络安全产生严重威胁。国家互联网应急中心发布的《互联网安全威胁报告》指出,38%的网络安全事件由恶意代码引发。因此,如何分类识别庞大的恶意代码,不仅有助于企事业单位人员针对性的开展安全防御,同时对保障数据安全和个人信息安全具有重要指导意义。然而,当前恶意代码分类方法存在样本特征抽取不全面、特征间内在的关联关系缺失、恶意代码行为描述能力弱等不足,导致现有方案分类准确率偏低。在上述背景下,本文利用知识图谱关系描述清晰,可推理和可解释性的特性,抽取恶意代码实体和关系构建恶意代码知识图谱,展开恶意代码分类方法研究,本文的主要工作内容和研究成果如下:1.针对恶意代码行为特征抽取不全面、特征间的关联关系难以描述的问题,本文采取动静结合的方式抽取恶意代码的知识,并将其构建为知识图谱。首先,将恶意代码在沙箱中动态运行,得到链接库、注册表操作记录等运行结果报告;接着,对恶意代码进行静态的逆向分析,提取其中的API序列、API调用关系图等静态特征;然后,将静态分析和动态分析的结果进行融合,定义恶意代码本体和关系,生成恶意代码知识图谱中三元组;最后,将这些三元组存储到Neo4j图数据库中,完成了恶意代码知识图谱的构建。动静结合的互补分析方式,可以更加全面的抽取恶意代码实体知识和关系知识。2.针对恶意代码分类任务中特征不全面、无法表示特征间的关联关系的问题,提出一种基于API特征矩阵的恶意代码分类方法。首先逆向抽取恶意代码数的API序列;然后将API序列中的API视为单词,使用Word2Vec技术进行词嵌入,得到融合上下文语义的API词向量;接着使用Trans E技术对恶意代码知识图谱进行表示学习,得到API实体向量;再将同一个API的词向量和实体向量融合,得到知识图谱增强的恶意代码API特征矩阵;最后以该特征矩阵作为输入,使用TextCNN训练分类模型。实验结果表明,本方法在恶意代码家族分类任务上准确率达到93.8%,高于其他基于API序列的恶意代码分类方法。3.针对恶意代码分类任务中难以表达API之间调用关系、API语义表示能力弱的问题,提出一种基于API调用关系图的恶意代码分类方法。首先将恶意代码进行逆向分析,提取出API函数及API间的调用关系;然后使用知识图谱表示学习和BERT两种技术对API进行嵌入;再将API的语义向量作为图的节点,将API间的调用关系作为图的边传入GCN来学习恶意代码样本的特征,最后进行恶意代码的分类。经实验证明,提出的方法在恶意代码分类任务中,准确率达到86.2%,高于其他基于API调用关系的恶意代码分类方法。
基于知识图谱的恶意代码分类方法研究
这是一篇关于恶意代码,软件逆向,应用程序接口,知识图谱,神经网络的论文, 主要内容为当前互联网中恶意代码数量庞大,对网络安全产生严重威胁。国家互联网应急中心发布的《互联网安全威胁报告》指出,38%的网络安全事件由恶意代码引发。因此,如何分类识别庞大的恶意代码,不仅有助于企事业单位人员针对性的开展安全防御,同时对保障数据安全和个人信息安全具有重要指导意义。然而,当前恶意代码分类方法存在样本特征抽取不全面、特征间内在的关联关系缺失、恶意代码行为描述能力弱等不足,导致现有方案分类准确率偏低。在上述背景下,本文利用知识图谱关系描述清晰,可推理和可解释性的特性,抽取恶意代码实体和关系构建恶意代码知识图谱,展开恶意代码分类方法研究,本文的主要工作内容和研究成果如下:1.针对恶意代码行为特征抽取不全面、特征间的关联关系难以描述的问题,本文采取动静结合的方式抽取恶意代码的知识,并将其构建为知识图谱。首先,将恶意代码在沙箱中动态运行,得到链接库、注册表操作记录等运行结果报告;接着,对恶意代码进行静态的逆向分析,提取其中的API序列、API调用关系图等静态特征;然后,将静态分析和动态分析的结果进行融合,定义恶意代码本体和关系,生成恶意代码知识图谱中三元组;最后,将这些三元组存储到Neo4j图数据库中,完成了恶意代码知识图谱的构建。动静结合的互补分析方式,可以更加全面的抽取恶意代码实体知识和关系知识。2.针对恶意代码分类任务中特征不全面、无法表示特征间的关联关系的问题,提出一种基于API特征矩阵的恶意代码分类方法。首先逆向抽取恶意代码数的API序列;然后将API序列中的API视为单词,使用Word2Vec技术进行词嵌入,得到融合上下文语义的API词向量;接着使用Trans E技术对恶意代码知识图谱进行表示学习,得到API实体向量;再将同一个API的词向量和实体向量融合,得到知识图谱增强的恶意代码API特征矩阵;最后以该特征矩阵作为输入,使用TextCNN训练分类模型。实验结果表明,本方法在恶意代码家族分类任务上准确率达到93.8%,高于其他基于API序列的恶意代码分类方法。3.针对恶意代码分类任务中难以表达API之间调用关系、API语义表示能力弱的问题,提出一种基于API调用关系图的恶意代码分类方法。首先将恶意代码进行逆向分析,提取出API函数及API间的调用关系;然后使用知识图谱表示学习和BERT两种技术对API进行嵌入;再将API的语义向量作为图的节点,将API间的调用关系作为图的边传入GCN来学习恶意代码样本的特征,最后进行恶意代码的分类。经实验证明,提出的方法在恶意代码分类任务中,准确率达到86.2%,高于其他基于API调用关系的恶意代码分类方法。
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：源码码头网 ，原文地址：https://m.bishedaima.com/lunwen/52109.html
