異常檢測
- 基于SE-TCN的無人機異常時間序列檢測
詞：無人機；異常檢測；時序卷積神經(jīng)網(wǎng)絡(luò)；通道注意力機制一、引言無人機以其機動性好、價格低廉、方便快捷、無人駕駛等優(yōu)點受到世界各國的重視，并且在軍事和民用領(lǐng)域都得到了廣泛應(yīng)用[1]。然而，無人機在飛行過程存在諸多影響因素，這些因素能夠?qū)o人機飛行質(zhì)量造成限制，同時降低無人機在各個領(lǐng)域應(yīng)用價值，為從根本上解決這些因素的實際危害，異常檢測技術(shù)逐漸成為無人機的應(yīng)用要點。傳感器所采集到的無人機數(shù)據(jù)通常以時間序列的形式展現(xiàn)，無人機數(shù)據(jù)是一系列與飛行和運行狀態(tài)相關(guān)的參數(shù)
中國新通信 2023年13期2023-09-17
- 基于編碼解碼器的異常排污云監(jiān)控智能平臺設(shè)計
重建 實現(xiàn)對異常檢測模塊的調(diào)用 利用該平臺 可以對導入的工廠排污數(shù)據(jù)進行可視化分析 并對某一段時間序列內(nèi)的異常點進行檢測 從而檢測工廠是否有偷排行為關(guān)鍵詞 編碼解碼器 異常檢測 數(shù)據(jù)重建 偷排行為中圖法分類號tp311? ?文獻標識碼a１ 引言作為碳排放總量世界第一的大國，我國工業(yè)總體上尚未完全走出“高投入、高消耗、高排放”的發(fā)展模式困境，生態(tài)環(huán)境保護仍長期面臨資源能源約束趨緊、環(huán)境質(zhì)量要求持續(xù)提高等多重壓力，中國環(huán)保產(chǎn)業(yè)的市場前景不斷擴大。然而，排污企業(yè)
計算機應(yīng)用文摘 2023年14期2023-07-21
- 基于編碼解碼器的異常排污云監(jiān)控智能平臺設(shè)計
重建 實現(xiàn)對異常檢測模塊的調(diào)用 利用該平臺 可以對導入的工廠排污數(shù)據(jù)進行可視化分析 并對某一段時間序列內(nèi)的異常點進行檢測 從而檢測工廠是否有偷排行為關(guān)鍵詞 編碼解碼器 異常檢測 數(shù)據(jù)重建 偷排行為中圖法分類號tp311? ?文獻標識碼a１ 引言作為碳排放總量世界第一的大國，我國工業(yè)總體上尚未完全走出“高投入、高消耗、高排放”的發(fā)展模式困境，生態(tài)環(huán)境保護仍長期面臨資源能源約束趨緊、環(huán)境質(zhì)量要求持續(xù)提高等多重壓力，中國環(huán)保產(chǎn)業(yè)的市場前景不斷擴大。然而，排污企業(yè)
計算機應(yīng)用文摘·觸控 2023年14期2023-07-21
- 基于遷移學習的無人機桿塔巡檢圖像異常識別技術(shù)及實驗對比
而導致的桿塔異常檢測準確度不高的問題，提出了一種基于遷移學習的無人機電力桿塔巡檢圖像異常檢測技術(shù)。設(shè)計了一種基于多元特征混合提取的目標檢測架構(gòu)，用于模型的預(yù)訓練，之后基于預(yù)訓練模型進行微調(diào)，以適應(yīng)下游桿塔異常圖像的檢測任務(wù)，它能夠通過小樣本數(shù)據(jù)來構(gòu)建高效的桿塔異常圖像檢測模型。結(jié)果表明：該方法較其他方法在異常檢測準確率方面提升了約2%，驗證了所提出的無人機桿塔巡檢圖像異常檢測的有效性。關(guān)鍵詞：圖像處理；深度學習；特征提取；異常檢測；圖像識別中圖分類號：TM
粘接 2023年6期2023-07-12
- 基于線纜狀態(tài)數(shù)據(jù)的特征集成及異常信息自動檢測技術(shù)
：高壓線纜；異常檢測；松耦合；特征提??；檢測技術(shù)中圖分類號：TM76文獻標志碼：A文章編號：1001-5922（2023）05-0188-05Automaticdetectiontechnologyof featureintegration andabnormalstatedatabasedoncablestatusdataWANG Dingfa（China Southern Power Grid Digital Grid Research Institu
粘接 2023年5期2023-06-12
- DDOS檢測與防御機制研究
oS 攻擊；異常檢測；流量控制中圖分類號：TP393 文獻標識碼：A文章編號：1009-3044（2023）10-0084-030 引言DDoS（Distributed Denial-of-Service）攻擊是互聯(lián)網(wǎng)目前面臨的最嚴峻的威脅之一，也是近幾年網(wǎng)絡(luò)安全研究的熱點問題。面對DDoS攻擊，雖然可以選擇提高網(wǎng)絡(luò)帶寬和增強網(wǎng)絡(luò)設(shè)備性能來抗衡，但帶寬容量不可能無限增長，而攻擊的規(guī)模則可以通過控制更多的僵尸主機（zombie）（實際執(zhí)行攻擊的機器）來大大加
電腦知識與技術(shù) 2023年10期2023-06-03
- 具有異常檢測功能的無線邊緣計算網(wǎng)關(guān)設(shè)計
模型實現(xiàn)數(shù)據(jù)異常檢測，詞袋模型中輸入信息是多傳感器數(shù)據(jù)，輸出結(jié)果是數(shù)據(jù)異?；蛘?。最后，論文對農(nóng)業(yè)大棚中傳感器監(jiān)測的濕溫度、光照等數(shù)據(jù)進行了對比分析，結(jié)果表明，基于詞袋模型的異常檢測方法能夠利用采集數(shù)據(jù)的時空相關(guān)性準確檢測異常數(shù)據(jù)?！娟P(guān)鍵詞】詞袋模型；異常檢測；邊緣計算；物聯(lián)網(wǎng)【中圖分類號】TP391 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文獻標志碼】A ? ? ? ? ? ? ? ? ? ? ? ? ?
中小企業(yè)管理與科技·上旬刊 2023年1期2023-05-30
- 基于卷積自編碼的衛(wèi)星通信入侵檢測方法研究
；特征提??；異常檢測中圖分類號：TN927文獻標志碼：A文章編號：1008-1739（2023）01-64-6 0引言隨著通信系統(tǒng)的不斷發(fā)展，衛(wèi)星通信頻帶寬、傳輸容量大、架設(shè)環(huán)境要求寬松等特點成為戰(zhàn)時必要的通信手段之一，但是與眾多無線通信一樣，用戶假冒身份、設(shè)備克隆等問題亟待解決。傳統(tǒng)的安全認證機制大都采取后端密碼學設(shè)備，這種機制并不完美，存在秘鑰泄露和協(xié)議漏洞的風險。為解決此問題，基于物理層的入侵檢測變得尤為重要。由于設(shè)備電子元件的差異，各種細微的畸變使
計算機與網(wǎng)絡(luò) 2023年1期2023-05-30
- 基于主機日志的惡意登錄異常檢測方法
；惡意登錄；異常檢測中圖分類號：TP399文獻標志碼：A0 引言機器學習和數(shù)據(jù)挖掘算法在入侵檢測系統(tǒng)設(shè)計中起著重要作用。在入侵檢測系統(tǒng)中，只要網(wǎng)絡(luò)中的活動序列與已知的攻擊簽名相匹配，就會檢測到系統(tǒng)中的攻擊。另外，在異常檢測方法中，可以基于系統(tǒng)狀態(tài)轉(zhuǎn)換與其正常狀態(tài)的顯著差異來識別系統(tǒng)中的異常狀態(tài)［1］。1 相關(guān)概念與技術(shù)理論基礎(chǔ)1.1 惡意登錄攻擊分析異常登錄檢測是構(gòu)建安全可信系統(tǒng)的關(guān)鍵一步。當?shù)卿浻涗浿谐霈F(xiàn)新用戶時，傳統(tǒng)方法判斷登錄發(fā)生了異常行為，但實際上
無線互聯(lián)科技 2023年5期2023-05-24
- 基于擴展孤立森林的個性化跌倒檢測研究
林；個性化；異常檢測；可穿戴設(shè)備中圖分類號：TP391 文獻標識碼：A1引言（Introduction）根據(jù)國家統(tǒng)計局2021 年發(fā)布的第七次全國人口普查結(jié)果顯示：全國人口共14.11億，其中60歲以上的人口為2.64億，大約占總?cè)丝诘?8.7%，與2010 年相比上升了5.44%[1]，中國正逐步邁入老齡化社會。在過去的幾年里，所有與老年人健康相關(guān)的研究都得到了極大的關(guān)注，跌倒檢測就是其中的一個熱門的研究領(lǐng)域。隨著年齡的增長，老年人的身體機能、認知能力和
軟件工程 2023年4期2023-04-07
- 基于時序挖掘的網(wǎng)絡(luò)流量分析系統(tǒng)設(shè)計與實現(xiàn)
；網(wǎng)絡(luò)流量；異常檢測；前后端分離0 引言當前正處于網(wǎng)絡(luò)技術(shù)高速發(fā)展的時代，《“十四五”國家信息化規(guī)劃》的發(fā)布進一步推動“互聯(lián)網(wǎng)+”、大數(shù)據(jù)、云技術(shù)等前沿技術(shù)深度融合到生產(chǎn)、教育、科研等各個領(lǐng)域。以高校信息化建設(shè)為例，隨著接入校園網(wǎng)絡(luò)環(huán)境的設(shè)備、服務(wù)、信息系統(tǒng)等不斷增多，針對網(wǎng)絡(luò)的攻擊愈發(fā)頻繁，網(wǎng)絡(luò)安全問題日益嚴峻。網(wǎng)絡(luò)安全和信息化是事關(guān)國家安全、國家發(fā)展、事關(guān)全國人民學習、工作、生活的重大戰(zhàn)略問題，沒有網(wǎng)絡(luò)安全就沒有國家安全，沒有信息化就沒有現(xiàn)代化。網(wǎng)絡(luò)流
電腦知識與技術(shù) 2023年5期2023-04-06
- 基于資金流的金融系統(tǒng)異常的統(tǒng)計監(jiān)測
D、PCA等異常檢測方法進行金融系統(tǒng)異常監(jiān)測模型的實證分析，并根據(jù)檢測結(jié)果分析異常出現(xiàn)的原因。關(guān)鍵詞：資金流;金融系統(tǒng)異常;SVDD;PCA;異常檢測中圖分類號：F832.59文獻標志碼：AStatisticalMonitoringofFinancialSystemAbnormalitiesBasedonSVDDandPCAJIXun（AntaiCollegeofEconomicsandManagement，ShanghaiJiaoTongUniversi
上海管理科學 2022年3期2022-07-25
- 基于機器學習的牽引供電遠動系統(tǒng)異常攻擊檢測技術(shù)研究
支持向量機;異常檢測中圖分類號：TP301.6? ? ?文獻標識碼：AResearch on Abnormal Attack Detection Technology of Traction Power?Supply SCADA System based on Machine LearningZHOU Zeyan1， CHENG Peng2， FANG Fusheng2， LU Tao3（1.Electronic Computing Technology
軟件工程 2022年2期2022-03-09
- 使用GANomaly網(wǎng)絡(luò)的面癱識別應(yīng)用研究
于深度學習的異常檢測方法，并將異常檢測生成對抗網(wǎng)絡(luò)（GANomaly）作用于面癱圖像上，實現(xiàn)正常人臉和面癱人臉的識別分類，為醫(yī)生診斷提供輔助工具，可有效提高診斷效率，彌補現(xiàn)有方法的不足。訓練后的GANomaly網(wǎng)絡(luò)可有效分辨出面癱圖像的異常。實驗結(jié)果表明，基于深度學習的GANomaly網(wǎng)絡(luò)可有效實現(xiàn)面癱的診斷識別。關(guān)鍵詞：深度學習;面癱識別;異常檢測;GANomaly中圖分類號：TP39? ? ?文獻標識碼：AApplication Research of
軟件工程 2022年3期2022-03-07
- 通用航空訓練飛行發(fā)動機數(shù)據(jù)異常檢測初探
練機發(fā)動機的異常檢測技術(shù)還不夠成熟。訓練飛行具有飛行模式固定，起降頻次較高，信息數(shù)據(jù)結(jié)構(gòu)簡單的特點，更適合引入深度學習對其進行建模分析。本文歸納了當前主流的幾種深度異常檢測模型，從原理、計算復雜度和優(yōu)缺點三個角度進行分析。為通用航空訓練飛行的教練機發(fā)動機的異常檢測研究提供可行的研究思路。Abstract： The research on health management of large transport aircraft engine is more
內(nèi)燃機與配件 2022年3期2022-01-15
- 基于數(shù)學建模的數(shù)據(jù)流異常檢測方法
要：針對常規(guī)異常檢測方法聚合數(shù)據(jù)流數(shù)據(jù)時誤判率較大的問題，設(shè)計一種基于數(shù)據(jù)建模的數(shù)據(jù)流異常檢測方法。計算各個數(shù)據(jù)個體之間的歐幾里度量參數(shù)，規(guī)范化處理異常數(shù)據(jù)流數(shù)據(jù)，設(shè)定數(shù)據(jù)流中的判斷節(jié)點，利用數(shù)據(jù)建模技術(shù)判斷數(shù)據(jù)狀態(tài)，規(guī)范化處理異常數(shù)據(jù)流數(shù)據(jù)，采用臨近采樣方法在設(shè)定的數(shù)據(jù)集節(jié)點處構(gòu)建一個檢測窗口，設(shè)定檢測周期后，最終實現(xiàn)對異常數(shù)據(jù)流的檢測。準備實驗數(shù)據(jù)集，設(shè)定各個數(shù)據(jù)集間的間隔周期，模擬數(shù)據(jù)流結(jié)構(gòu)，準備兩種常規(guī)檢測方法以及設(shè)計檢測方法進行實驗，結(jié)果表明：設(shè)
電腦知識與技術(shù) 2021年33期2021-12-17
- 基于隨機巡視機制的電力物聯(lián)網(wǎng)安全技術(shù)研究
;安全行為;異常檢測引言隨著電網(wǎng)規(guī)模越來越大，電力系統(tǒng)發(fā)、輸、變、配、用電等環(huán)節(jié)都廣泛使用了工業(yè)物聯(lián)網(wǎng)技術(shù)，因此保障電力系統(tǒng)的穩(wěn)定運行、推動電網(wǎng)向能源互聯(lián)網(wǎng)轉(zhuǎn)型升級顯得尤其重要。配電物聯(lián)網(wǎng)是泛在電力物聯(lián)網(wǎng)的重要組成部分，是連接用戶和輸電網(wǎng)的重要橋梁，海量的終端設(shè)備主要應(yīng)用于配電物聯(lián)網(wǎng)并廣泛使用無線公網(wǎng)方式進行數(shù)據(jù)傳輸，因此配電物聯(lián)網(wǎng)在網(wǎng)絡(luò)安全防護方面有更高的要求。當前配電物聯(lián)網(wǎng)的建設(shè)面臨諸多挑戰(zhàn)，需要應(yīng)對諸如重放攻擊、內(nèi)部攻擊、中間人攻擊、系統(tǒng)漏洞和病毒侵
新視線·建筑與電力 2021年6期2021-11-27
- 網(wǎng)絡(luò)流量異常檢測
對計算機網(wǎng)絡(luò)異常檢測技術(shù)進行探討，對其價值以及意義，進行研究?！娟P(guān)鍵詞】網(wǎng)絡(luò)安全;網(wǎng)絡(luò)流量;異常檢測隨著科技的進步以及經(jīng)濟的發(fā)展，計算機已被廣泛應(yīng)用到各個領(lǐng)域，并且計算機的應(yīng)用，也為各個領(lǐng)域的效能進行了提升。隨著網(wǎng)絡(luò)普及化程度的增加，計算機網(wǎng)絡(luò)安全事件頻頻發(fā)生的背景下，計算機網(wǎng)絡(luò)安全越來越受到人們的重視，人們的信息，正在遭受著來自各方的威脅，不僅如此，網(wǎng)絡(luò)安全還關(guān)系這國家的經(jīng)濟運行，有效的對網(wǎng)絡(luò)犯罪進行遏制，保障網(wǎng)絡(luò)安全，這不僅僅關(guān)系到民眾的個人信息安全，
紅豆教育 2021年22期2021-11-20
- 面向云容器安全的異常檢測技術(shù)研究綜述
最后，展望了異常檢測技術(shù)在容器安全領(lǐng)域的發(fā)展趨勢和應(yīng)用前景。關(guān)鍵詞：云計算? 容器安全? 異常檢測? 虛擬化中圖分類號：TP393.08? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A文章編號：1674-098X（2021）05（a）-0118-08Survey of Cloud Container Security Oriented Anomaly Detection TechnologyFAN Yuanyi1，2? ?ZHANG Zengju
科技創(chuàng)新導報 2021年13期2021-09-05
- 基于改進KD樹的k近鄰算法在欺詐檢測中的應(yīng)用
。關(guān)鍵詞： 異常檢測; k最近鄰; KD樹; BBF算法; PCA技術(shù)文章編號： 2095-2163（2021）03-0138-05 中圖分類號：TP399 文獻標志碼：A【Abstract】In the face of the problem that stores cheat consumers by brushing sales in Internet transactions， the k-Nearest Neighbor （kNN） algori
智能計算機與應(yīng)用 2021年3期2021-08-09
- 基于LSTM的CAN總線入侵檢測
;LSTM;異常檢測;入侵檢測;車聯(lián)網(wǎng)文章編號： 2095-2163（2021）03-0038-06 中圖分類號：U463.6 文獻標志碼：A【Abstract】Combining with the specific definition of message data field signal in CAN matrix， the paper extracts features， trains LSTM network to predict some i
智能計算機與應(yīng)用 2021年3期2021-08-09
- 基于時空卷積神經(jīng)網(wǎng)絡(luò)GL-GCN的交通流異常檢測算法
要：交通流異常檢測通常要考慮時間信息、空間信息等信息，這讓交通流異常檢測變得具有挑戰(zhàn)性。文章重點研究由交通事故、或短暫事件引起的非經(jīng)常性交通異常檢查。新提出的算法（GL-GCN）利用交通的時空數(shù)據(jù)，空間信息采用圖卷積網(wǎng)絡(luò)捕獲，時間依賴性采用深度神經(jīng)網(wǎng)絡(luò)DeepGLO的方法建模。同時捕捉時空特性并建立預(yù)測交通流模型，利用異常分數(shù)來判斷交通流異常。利用真實的交通流數(shù)據(jù)，證實了提出的模型具有有效性和優(yōu)越性。關(guān)鍵詞：交通流;異常檢測;深度神經(jīng)網(wǎng)絡(luò);圖卷積網(wǎng)絡(luò);時
現(xiàn)代信息科技 2021年2期2021-07-28
- 云際環(huán)境下基于用戶行為的軟件安全研究
;用戶行為;異常檢測中圖分類號：TP393.09文獻標識碼：A文章編號：1003-5168（2021）08-0007-03Research on Software Security Based on User Behavior in Cloud ComputingMA Jie（Henan College of Finance and Monetary，Zhengzhou Henan 451464）Abstract： With the rapid devel
河南科技 2021年8期2021-07-22
- 基于Fcn-Attention的硬盤故障預(yù)測方法
盤故障預(yù)測;異常檢測;注意力機制;全卷積網(wǎng)絡(luò)中圖分類號：TP391;TP18 ? ? ? ? ?文獻標識碼：A文章編號：2096-4706（2021）24-0048-03Abstract： Ensuring the reliability of services in large data centers is becoming more and more important. Hard disks are the component with the h
現(xiàn)代信息科技 2021年24期2021-06-07
- 日志異常檢測研究現(xiàn)狀及展望
文綜述了日志異常檢測的主流方法，并針對存在問題提出對未來發(fā)展方向的建議。關(guān)鍵詞： 金融信息化;系統(tǒng)故障; 日志; 異常檢測中圖分類號：TP391? ? ? ?文獻標識碼：A文章編號：1009-3044（2021）12-0056-02Abstract：With the continuous advancement of financia linformation construction， the scale and complexity of the sy
電腦知識與技術(shù) 2021年12期2021-05-24
- 基于電力數(shù)據(jù)分析的污水站點監(jiān)測方法研究
率曲線自動化異常檢測的方法。對智能電表采集的負荷數(shù)據(jù)進行離群點分析并提取典型日負荷曲線，采用一種改進的皮爾遜相關(guān)系數(shù)分析方法，對每個站點的負荷曲線進行異常檢測，判斷污水站點的運行情況，提高異常檢測準確率并減少人為誤差和投入，具有較好的實際應(yīng)用價值。關(guān)鍵詞：智能電表;負荷曲線;數(shù)據(jù)分析;異常檢測中圖分類號：TP399 ? ? ? 文獻標識碼：A文章編號：2096-4706（2021）21-0121-05Abstract： With the rapid dev
現(xiàn)代信息科技 2021年21期2021-05-07
- 基于流式處理的CDN異常智能檢測技術(shù)研究
運行指標進行異常檢測與根因智能定位，解決運營支撐時效性差、準確率低的問題。該成果已在陜西移動現(xiàn)網(wǎng)部署實踐，CDN運營支撐效率明顯提升。關(guān)鍵詞：CDN;流式處理;機器學習;異常檢測;根因智能定位引言陜西移動CDN通過多級分布式組網(wǎng)方式，具備Tbps級CDN業(yè)務(wù)分發(fā)能力。但隨著設(shè)備數(shù)量的指數(shù)級上升，跨專業(yè)、跨地域的協(xié)同運維支撐能力面臨巨大挑戰(zhàn)，也對陜西移動的CDN運維支撐能力提出更高要求。CDN運維支撐能力現(xiàn)狀陜西移動CDN目前主要通過傳統(tǒng)的數(shù)據(jù)網(wǎng)管系統(tǒng)進行設(shè)
科技創(chuàng)新與品牌 2021年8期2021-04-23
- 基于知識圖譜的電廠設(shè)備異常檢測
偉良摘 要：異常檢測是確保電廠安全穩(wěn)定運行的重要保障。除了電廠本身的狀態(tài)之外，環(huán)境信息對于異常檢測來說也是不可或缺的影響因素，如溫度、濕度、灰塵等。因此，本文提出一種基于知識圖譜的電廠設(shè)備異常檢測方法，通過應(yīng)用信號相關(guān)算法來判斷給定的電廠數(shù)據(jù)是否異常。試驗結(jié)果表明，該方法可以整合多種資源中的數(shù)據(jù)，并對給定的數(shù)據(jù)異常進行準確度分析。根據(jù)測試數(shù)據(jù)集，基于閾值的傳統(tǒng)方法的準確度為64%，而本文方法的準確度為92%，從整體來看，電廠設(shè)備異常檢測的準確性顯著提升。關(guān)
河南科技 2021年2期2021-04-21
- 基于深度學習的網(wǎng)絡(luò)入侵檢測方法研究
;深度學習;異常檢測中圖分類號：G221? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ?DOI：10.12246/j.issn.1673-0348.2021.01.042隨著信息和通信的飛速發(fā)展，網(wǎng)絡(luò)中的產(chǎn)生的海量數(shù)據(jù)傳輸越來越多，這將給入侵檢測系統(tǒng)帶來負擔，因為海量的數(shù)據(jù)在傳輸過程中需要檢測處理，為了提高入侵檢測系統(tǒng)的有效性和準確性，入侵檢測系統(tǒng)不能再依賴于一些簡單或明顯的特征來識別攻擊，而必須能夠更深入地
衛(wèi)星電視與寬帶多媒體 2021年1期2021-04-06
- 一種基于XGboost的異常檢測算法
要：為了提高異常檢測的準確性和高效性，提出了基于xgboost的異常檢測算法。首先對異常檢測當前遇到的挑戰(zhàn)進行分析，指出缺少樣本和模型泛化是異常檢測中的難點。在此基礎(chǔ)上設(shè)計了異常注入算法，利用3sigma原則對數(shù)據(jù)集進行擴充;然后設(shè)計特征提取器，針對正常數(shù)據(jù)和異常數(shù)據(jù)的特點設(shè)計相關(guān)特征;最后選擇xgboost模型對時序數(shù)據(jù)進行異常檢測。此異常檢測流程提高了異常檢測的準確性和泛化能力。通過在KPI公共數(shù)據(jù)集上進行實驗，驗證了該設(shè)計的準確性和有效性。關(guān)鍵詞：
電腦知識與技術(shù) 2021年2期2021-03-24
- 一種混合的信用卡欺詐檢測模型
），首先通過異常檢測的方法將數(shù)據(jù)劃分為可信和異常數(shù)據(jù)，然后利用半監(jiān)督的方法訓練一個集成模型，最終再利用異常檢測進一步剔除檢測結(jié)果中的異常結(jié)果。AWFD在保障對于可信數(shù)據(jù)的學習效果上，通過半監(jiān)督集成學習的方法，利用異常數(shù)據(jù)進一步擴充集成模型的多樣性，并將異常檢測和集成模型融合。實驗結(jié)果表明，比起一些傳統(tǒng)的機器學習方法，AWFD可以提高整體的信用卡欺詐檢測的識別率。關(guān)鍵詞：信用卡欺詐檢測;異常檢測;半監(jiān)督;集成學習;多樣性中圖分類號： TP311? ? ? ?
電腦知識與技術(shù) 2021年2期2021-03-24
- 基于機器學習的網(wǎng)絡(luò)異常檢測及安全威脅等級預(yù)測研究
全攻擊和網(wǎng)絡(luò)異常檢測的方法，其中機器學習算法占據(jù)重要地位。該文采用多種機器學習方法，首先對數(shù)據(jù)集KDD99進行網(wǎng)絡(luò)異常檢測，并預(yù)測其攻擊類型，再對國家電網(wǎng)金華供電公司網(wǎng)絡(luò)數(shù)據(jù)進行網(wǎng)絡(luò)攻擊威脅預(yù)測及等級分類。研究發(fā)現(xiàn)采用決策樹算法預(yù)測準確度最高，同時運行時間也短，此外，研究揭示KDD99數(shù)據(jù)集中U2R攻擊類型容易被預(yù)測為正常類型。該研究為降低誤報率和提高網(wǎng)絡(luò)安全性能的系統(tǒng)設(shè)計提供參考。關(guān)鍵詞：網(wǎng)絡(luò)安全;異常檢測;安全威脅等級分類;機器學習;國家電網(wǎng)中圖分類號
電腦知識與技術(shù) 2021年34期2021-03-04
- 基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)異常檢測方法研究
絡(luò)的網(wǎng)絡(luò)流量異常檢測模型，并對模型建立后的數(shù)據(jù)準備、分類識別方法進行了探討，實現(xiàn)了網(wǎng)絡(luò)流量的分類。關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);網(wǎng)絡(luò)流量;異常檢測中圖分類號：TP309.2 ?文獻標識碼：A ? ?文章編號：2096-4706（2021）12-0094-04Abstract： With the transition of informatization construction from digital campus to wisdom campus， colle
現(xiàn)代信息科技 2021年12期2021-01-14
- 基于滑動窗口和聚類算法的變壓器狀態(tài)評價研究
：聚類算法;異常檢測;滑動窗口變壓器作業(yè)狀態(tài)在線評估作為提高輸變電設(shè)備管理的參考依據(jù)，隨著狀態(tài)檢測技術(shù)水平的提升逐漸得到完善[1]。目前，主要針對單一系統(tǒng)設(shè)備運行信息進行檢測，根據(jù)設(shè)備運行參數(shù)標準設(shè)定閾值，觀察采集到的信號是否超出此范圍，從而判斷變壓器健康狀態(tài)[2-3]。由于變壓器運行狀態(tài)數(shù)據(jù)信息量較大，加大了異常檢測難度，目前尚未形成較為完善的狀態(tài)檢測評價模型。一、變壓器狀態(tài)評價模型的構(gòu)建（一）滑動窗口在候選異常數(shù)據(jù)集創(chuàng)建中的應(yīng)用（5）按照以上步驟篩選數(shù)
科技風 2020年34期2020-12-21
- 基于變分自編碼器的日線損率異常檢測研究
于自編碼器的異常檢測算法，實現(xiàn)大規(guī)模日線損率數(shù)據(jù)的異常檢測。變分自編碼器是一種利用反向傳播算法使得輸出值近似等于輸入值的神經(jīng)網(wǎng)絡(luò)，使用自編碼器將原始日線損率時間序列編碼，在重建過程中記錄每個時間點的重建概率，當重建概率大于指定閾值時就判定其為異常數(shù)據(jù)。本文利用真實日線損數(shù)據(jù)進行實驗，試驗結(jié)果表明，基于自編碼器的日線損率異常檢測算法具有較好的檢測效果。關(guān)鍵詞：自編碼器：異常檢測：日線損率中圖分類號：TP391 文獻標志碼：A DOI：10.3969/j.is
華東師范大學學報（自然科學版） 2020年5期2020-12-07
- 基于超球面支持向量機的傳感器網(wǎng)絡(luò)數(shù)據(jù)異常檢測分析
線測試功能的異常檢測算法。當窗口擴大后，QSSVM發(fā)生了準確度不斷提高的變化趨勢，能夠提高半徑的測試精度。當窗口增大后算法持續(xù)時間增加，QSSVM相對于OCSVM（OneClasssupportvectormachines，OCSVM）可以降低近一半的計算時間。隨著窗口擴大至臨界值后，將會引起準確度的減小，設(shè)置QSSVM算法滑動窗口為100。當樣本包含更高的維度異常比例時，所有算法都出現(xiàn)了檢測率增大的變化現(xiàn)象。當樣本維度升高后，QSSVM依然具備優(yōu)異檢測性
微型電腦應(yīng)用 2020年10期2020-11-13
- 時間序列相關(guān)性分析研究
，同時對序列異常檢測后的結(jié)果進行波動分析。真實數(shù)據(jù)表明，該方法能夠精確發(fā)現(xiàn)序列間的相關(guān)性，實現(xiàn)根因定位。關(guān)鍵詞：時間序列;異常檢測;相關(guān)性分析;相關(guān)系數(shù);DTW中圖分類號：O211.61;O151.21 ? ? ?文獻標識碼：A 文章編號：2096-4706（2020）13-0005-04Abstract：Time series correlation analysis is an important means of time series data m
現(xiàn)代信息科技 2020年13期2020-11-06
- 建筑HVAC的可視化及基于非監(jiān)督學習的異常探測
域。討論功耗異常檢測方法，試圖找到一種合適的數(shù)據(jù)可視化方法來構(gòu)建HVAC功耗和異常檢測。與其他建筑物異常可視化方法相比，K-Means+Polty異常檢測可視化方法主要具有以下優(yōu)點：（1）可以將室外數(shù)據(jù)與傳感器檢測到的功率損耗數(shù)據(jù)結(jié)合起來，包括天氣的影響可以被認為包括在內(nèi)，并獲得更準確的結(jié)果;（2）所有可視化數(shù)據(jù)都提供了一個交互式UI，便于建筑物管理員在異常時刻更快速、方便地查找相關(guān)信息;（3）與帶標簽的數(shù)據(jù)采集相比，無標簽數(shù)據(jù)的采集難度和采集成本大大降低
中國房地產(chǎn)·學術(shù)版 2020年9期2020-10-29
- 基于用戶行為日志的內(nèi)部威脅檢測綜述
;信息安全;異常檢測中圖分類號：TP309.2文獻標識碼：A文章編號：1006-8228（2020）09-45-05A survey of insider threat detection based on user behavior logZhang You， Wang Kaiyun， Zhang Chunrun， Deng Miaoran（Institude of Computer Application， Chinese Academy of Eng
計算機時代 2020年9期2020-10-09
- 基于Stacking的雷達伺服系統(tǒng)故障診斷
;故障診斷;異常檢測;特征工程;StackingDOI：10. 11907/rjdk. 192683 開放科學（資源服務(wù)）標識碼（OSID）：中圖分類號：TP303文獻標識碼：A 文章編號：1672-7800（2020）008-0006-04Abstract： In order to improve the accuracy of fault diagnosis for a certain type of radar servo system in a r
軟件導刊 2020年8期2020-09-02
- 基于改進K-means的電力數(shù)據(jù)異常檢測算法
張挺摘要： 異常檢測方法在電力領(lǐng)域有著廣泛的應(yīng)用， 如設(shè)備故障檢測和異常用電檢測等. 改進了傳統(tǒng)Kmeans聚類隨機選擇初始聚類中心的策略; 結(jié)合數(shù)據(jù)對象的密集度與最大近鄰半徑， 選擇更加接近實際簇中心的數(shù)據(jù)點作為初始聚類中心， 并在此基礎(chǔ)上提出了一種基于改進K-means 算法的電力數(shù)據(jù)異常檢測新方法. 實驗表明， 上述算法具有更優(yōu)的聚類效果和異常檢測性能， 并且在應(yīng)用于電力領(lǐng)域時， 算法可以有效地檢測出異常電力數(shù)據(jù).關(guān)鍵詞： 初始聚類中心; 密集度;
華東師范大學學報（自然科學版） 2020年4期2020-08-04
- 一種基于聚類算法的網(wǎng)絡(luò)異常檢測方法研究
量大以及傳統(tǒng)異常檢測中存在的分析準確率低和時效性差等問題，提出了一種改進的近鄰傳播聚類算法———IMAP的異常數(shù)據(jù)檢測方法。通過數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理和聚類分析3個階段實現(xiàn)異常數(shù)據(jù)的識別和定位，引入動態(tài)阻尼系數(shù)的聚類分析方法對標準化數(shù)據(jù)進行異常檢測，為構(gòu)造安全和穩(wěn)定網(wǎng)絡(luò)提供了參考。實驗結(jié)果表明，利用IMAP的異常檢測方法能有效地提高異常檢測的運行效率和算法的精確度，具有實際的應(yīng)用價值和意義。關(guān)鍵詞：AP聚類；IMAP聚類；異常檢測；聚類算法中圖分類號：TP3
計算機與網(wǎng)絡(luò) 2020年10期2020-07-29
- 基于MDM的KELM學習器選擇性集成網(wǎng)絡(luò)入侵檢測
限學習機; 異常檢測; 集成學習中圖分類號： TP 391文獻標志碼： AIntrusion Detection by Selectively Integrated Networkwith MDM - based KELM LearnerGAO Zhenghao（Institute of Electric Power Science， Guizhou Power Grid Co. Ltd.， Guiyang， Guizhou 550000， China）A
微型電腦應(yīng)用 2020年7期2020-07-29
- 面向智能終端的快捷支付“雙花攻擊”檢測模型
;人工免疫;異常檢測中圖分類號： TP309.2? ? ? ? ? 文獻標識碼：AAbstract： Double payment （double-spend attack） is an important security issue in the process of digital cryptocurrency trading based on decentralized structure. The current digital cryptocu
網(wǎng)絡(luò)空間安全 2020年5期2020-07-26
- 基于時序分析的工控異常檢測算法研究
加復雜多變。異常檢測技術(shù)作為信息安全防護中重要的組成部分，可有效地發(fā)現(xiàn)在工控網(wǎng)絡(luò)中不符合預(yù)期行為模式的異常事件。考慮到時間作為工業(yè)流量中的本質(zhì)特性，文章開展了基于時序分析的異常檢測算法研究，提出了一種基于Top-k的矩陣分布評估算法，實驗結(jié)果證實此評估算法可有效地檢測工控網(wǎng)絡(luò)環(huán)境下的異常事件。關(guān)鍵詞：工業(yè)控制系統(tǒng);異常檢測;時序分析;流量分析中圖分類號： TP391 ? ? ? ? ?文獻標識碼：AAbstract： With the continuous
網(wǎng)絡(luò)空間安全 2020年4期2020-07-18
- 基于拉依達準則的ATM機異常檢測
于歐式距離的異常檢測模型。采用k-means聚類分析，確定異常的具體情況，建立多級化報警系統(tǒng)。此外，運用拉依達準則，針對聚類分析后判定的正常數(shù)據(jù)再劃分，使異常檢測模型更加精確。關(guān)鍵詞：k-means聚類分析;拉依達準則;異常檢測;單樣本k-s檢驗引言隨著近幾年來ATM機的迅速發(fā)展，帶來了經(jīng)濟前所未有的騰飛。ATM機人力資源投入少，使用頻率高以及24小時全天營業(yè)的優(yōu)點。隨之而來的，是ATM機數(shù)據(jù)大，分析困難的問題。當ATM機出現(xiàn)故障或者卡頓時，用戶們往往抱怨
科學導報·學術(shù) 2020年24期2020-07-10
- 關(guān)于異常行為檢測技術(shù)的綜述
：異常行為;異常檢測;特征提取;光流法;計算機視覺中圖分類號：TP391 文獻標識碼：A文章編號：1009-3044（2020）06-0199-03異常檢測技術(shù)是采用計算機視覺分析監(jiān)控錄像。目前，異?；顒右恢笔枪舶踩I(lǐng)域的一個重要問題，對其進行準確檢測具有廣泛的應(yīng)用空間，可在第一時間發(fā)現(xiàn)異常，并采取相應(yīng)的行動和措施以確保相關(guān)對象的安全性。由于異?；顒拥姆N類眾多，很難一概而論，因此對異常行為的定義也需要兼顧周圍環(huán)境才能確定，例如：公共場合發(fā)生打架事件、行人
電腦知識與技術(shù) 2020年6期2020-04-22
- 基于融合時空數(shù)據(jù)的車輛加油行為多視圖深度異常檢測框架
，現(xiàn)有成熟的異常檢測方法難以對時空離散的加油活動數(shù)據(jù)進行分析，因此提出基于融合時空數(shù)據(jù)的車輛加油行為多視圖深度異常檢測框架。首先基于統(tǒng)一概念模型（UCM）對靜態(tài)信息和動態(tài)活動數(shù)據(jù)進行關(guān)聯(lián)融合管理，然后從空間視圖、時間視圖和語義視圖角度對時空數(shù)據(jù)進行編碼和轉(zhuǎn)換，最后基于三種視圖構(gòu)建深度時空異常分析檢測框架。車輛加油時空數(shù)據(jù)集上的實驗結(jié)果表明，多種異常檢測方法在融合時空數(shù)據(jù)上均可取得更低均方根誤差（RMSE），平均降低10.73%，所提方法比現(xiàn)有主流方法中結(jié)果
計算機應(yīng)用 2019年11期2019-12-23
- 智能電能表費控功能異常檢測研究
費控功能 ?異常檢測中圖分類號：TM933.4 ? 文獻標識碼：A 文章編號：1672-3791（2019）10（c）-0062-02信息技術(shù)與計算機技術(shù)在我國高速發(fā)展，傳統(tǒng)的機械電表已經(jīng)被智能電能表逐漸取代，智能電能表的出現(xiàn)，為電能計量提供了更為精確的系統(tǒng)，提高了電能計量的效率，降低了電能計量的成本，為電力資源的管理和利用提供了極大的便利。智能電表主要由信息測量、信息處理和信息通信三大功能板塊組成，可以對電能進行精確計量，儲存計量數(shù)據(jù)，對數(shù)據(jù)信息進行處理
科技資訊 2019年30期2019-12-10
- 結(jié)合局部加權(quán)回歸的時序異常檢測方法研究
;假設(shè)檢驗;異常檢測中圖分類號：TP309? ? ?文獻標識碼：AResearch on Time Series Anomaly Detection Based on Locally Weighted RegressionJIANG Xinle1，LONG Jun2，CHEN Gang1，XIA Lei1，LIANG Duozi1，LIU Limin2，F(xiàn)AN Huilong2（1.Information Technology Department，Chi
軟件工程 2019年11期2019-12-06
- 電網(wǎng)信息運維監(jiān)控數(shù)據(jù)異常檢測技術(shù)
給以運維數(shù)據(jù)異常檢測為首的電網(wǎng)信息運維監(jiān)控分析帶來了嚴峻的挑戰(zhàn)。在大數(shù)據(jù)分析與挖掘飛速發(fā)展的驅(qū)動下，結(jié)合長短時記憶神經(jīng)網(wǎng)絡(luò)的變量異常檢測技術(shù)可以滿足電網(wǎng)信息運維監(jiān)控數(shù)據(jù)普遍存在的異常檢測需求，達到減少電網(wǎng)信息運維成本的目的，而這一異常檢測流程的可行性、可靠性與準確性也在電網(wǎng)實際運行過程中的服務(wù)器流量數(shù)據(jù)集上得到驗證。關(guān)鍵詞：大數(shù)據(jù)分析;深度學習;長短時記憶神經(jīng)網(wǎng)絡(luò);電網(wǎng)信息運維監(jiān)控;異常檢測中圖分類號：TM76 文獻標識碼：A 文章編號：1671-2064
中國科技縱橫 2019年18期2019-12-06
- 基于Web訪問路徑的應(yīng)用層DDoS攻擊防御檢測模型
路徑長度5種異常檢測模型。通過計算合法用戶訪問網(wǎng)站時的正常值以及具有攻擊行為用戶的實時異常值偏離程度，可判定是否遭到應(yīng)用層DDoS攻擊。防御模塊依據(jù)用戶非法值大小選取最佳防御策略，抵御應(yīng)用層DDoS攻擊，實現(xiàn)網(wǎng)站數(shù)據(jù)安全與計算機安全。實驗采用真實日志數(shù)據(jù)進行訓練，向?qū)嶒灳W(wǎng)站發(fā)動5種不同類型的應(yīng)用層DDoS攻擊。結(jié)果表明，防御檢測模型能在短時間內(nèi)準確辨別具有攻擊行為的用戶，并聯(lián)合防御模塊抵抗針對Web服務(wù)器的DDoS攻擊，能夠?qū)崿F(xiàn)實時檢測、實時防御，有效降低
河北科技大學學報 2019年5期2019-11-25
- 基于大數(shù)據(jù)構(gòu)建污染源在線監(jiān)控數(shù)據(jù)有效性評估模型研究
算法，構(gòu)建了異常檢測和有效性智能評估模型，以識別在線監(jiān)控數(shù)據(jù)的異常模式，評估在線監(jiān)控數(shù)據(jù)有效性，切實發(fā)揮在線監(jiān)控數(shù)據(jù)的效能，更好地服務(wù)于生態(tài)環(huán)境保護監(jiān)管。關(guān)鍵詞：在線監(jiān)控數(shù)據(jù);數(shù)據(jù)預(yù)處理;異常檢測;有效性智能評估中圖分類號：TP274 文獻標識碼：A 文章編號：1674-9944（2019）16-0174-021引言污染源在線監(jiān)控系統(tǒng)作為環(huán)境監(jiān)管的重要手段，對提升環(huán)境監(jiān)管水平有著重要作用，全國各地大量建設(shè)運行，基本實現(xiàn)對在線監(jiān)測污染物排放情況的實時監(jiān)控、及
綠色科技 2019年16期2019-11-22
- 基于模糊核聚類和主動學習的異常檢測方法
對日志數(shù)據(jù)的異常檢測獲取標記數(shù)據(jù)代價過高的問題，提出一種基于模糊核聚類與主動學習的算法，即KFCM?AL算法。首先將日志解析，之后利用模糊核聚類算法將待選樣本在高維空間進行劃分聚類，濾去樣本冗余點，同時選取聚類中心進行標記構(gòu)建初始分類器，最后結(jié)合主動學習利用較小的標記代價對異常檢測模型進行優(yōu)化。實驗結(jié)果表明，所提方法能夠利用較少的標記樣本獲取異常檢測模型的性能提升。關(guān)鍵詞： 異常檢測; 模糊核聚類; 主動學習; 日志解析; 聚類分析; 性能對比中圖分類號：
現(xiàn)代電子技術(shù) 2019年20期2019-11-12
- 基于聚類的反恐情報異常數(shù)據(jù)分析方法研究
/意義]通過異常檢測可以在海量涉恐數(shù)據(jù)中發(fā)現(xiàn)異常信息，為反恐預(yù)警提供重要情報。[方法/過程]首先利用聚類將基礎(chǔ)數(shù)據(jù)分為不同的簇，識別出其中區(qū)別于大部分數(shù)據(jù)對象的異常人員，然后設(shè)計一種專門的相似度綜合度量參數(shù)用于計算與恐怖分子最相似的人員。[結(jié)果/結(jié)論]該方法為檢測異常人員數(shù)據(jù)提供了一種可以參考的思路，用于從多種來源數(shù)據(jù)中快速找出涉恐敏感程度較高的人員，有望提高反恐情報分析的效率，實現(xiàn)精準打擊重點涉恐人員和恐怖活動。關(guān)鍵詞：數(shù)據(jù)挖掘;異常檢測;聚類分析;相似
現(xiàn)代情報 2019年10期2019-11-07
- 基于數(shù)據(jù)內(nèi)在特性和LSTM的用電數(shù)據(jù)異常檢測算法研究
現(xiàn)有用電數(shù)據(jù)異常檢測算法準確率低的問題，首先，文章分析了用戶用電數(shù)據(jù)具有時間關(guān)聯(lián)特性、高維度特性，且容易受外部因素影響等特性。其次，基于數(shù)據(jù)內(nèi)在特性和LSTM理論，提出了基于數(shù)據(jù)內(nèi)在特性和LSTM的用戶用電數(shù)據(jù)異常檢測算法。該算法采用有放回的構(gòu)造數(shù)據(jù)集策略，構(gòu)造K個數(shù)據(jù)集合，采用4層LSTM網(wǎng)絡(luò)，實現(xiàn)高維數(shù)據(jù)特征提取，利用兩層全連接的隱含層組成的神經(jīng)網(wǎng)絡(luò)，實現(xiàn)用戶特征數(shù)據(jù)匹配，采用大概率事件將K個數(shù)據(jù)集的結(jié)果中出現(xiàn)最多的分類作為該節(jié)點的分類。通過實驗，驗證
無線互聯(lián)科技 2019年10期2019-08-06
- 基于SparkR的水文傳感器數(shù)據(jù)的異常檢測方法
水文時間序列異常檢測方法。首先，對數(shù)據(jù)進行清洗后，采用滑動窗口配合自回歸積分滑動平均模型（ARIMA）在SparkR平臺上進行預(yù)測;然后，對預(yù)測的結(jié)果計算置信區(qū)間，將在區(qū)間范圍以外的判定為異常值;最后，基于檢測結(jié)果，利用K均值算法對原數(shù)據(jù)進行聚類，同時計算其狀態(tài)轉(zhuǎn)移概率，對檢測出的異常值進行質(zhì)量評估。以在滁河獲取的水文傳感器數(shù)據(jù)為實驗數(shù)據(jù)，分別在運行時間和異常值檢測效果這兩個方面進行了實驗。結(jié)果顯示：利用SparkR對百萬級數(shù)據(jù)進行計算時，利用雙節(jié)點計算的
計算機應(yīng)用 2019年2期2019-08-01
- 基于雙向LSTM的Seq2Seq模型在加油站時序數(shù)據(jù)異常檢測中的應(yīng)用
有成熟的數(shù)據(jù)異常檢測算法存在挖掘較多假性異常點以及遺漏較多真實異常點的缺陷，并不適用于挖掘加油站時序數(shù)據(jù)。提出一種基于深度學習的異常檢測方法識別加油異常車輛，首先通過自動編碼器對加油站點采集到的相關(guān)數(shù)據(jù)進行特征提取，然后采用嵌入雙向長短期記憶（Bi-LSTM）的Seq2Seq模型對加油行為進行預(yù)測，最后通過比較預(yù)測值和原始值來定義異常點的閾值。通過在加油數(shù)據(jù)集以及信用卡欺詐數(shù)據(jù)集上的實驗驗證了該方法的有效性，并且相對于現(xiàn)有方法在加油數(shù)據(jù)集上均方根誤差（RM
計算機應(yīng)用 2019年3期2019-07-31
- 深度遞歸網(wǎng)絡(luò)在物聯(lián)網(wǎng)系統(tǒng)異常檢測中應(yīng)用研究
傳統(tǒng)的物聯(lián)網(wǎng)異常檢測方法無法有效識別數(shù)據(jù)異常并快速定位異常發(fā)生在哪一層。文中提出以深度遞歸網(wǎng)絡(luò)對物聯(lián)網(wǎng)系統(tǒng)異常檢測進行建模，感知層、傳輸層、應(yīng)用層作為深度網(wǎng)絡(luò)輸出層，深度遞歸網(wǎng)絡(luò)通過核函數(shù)變換能夠提取高階特征，并且深度遞歸網(wǎng)絡(luò)本身的時序特性能夠提升異常檢測的準確性。實驗結(jié)果表明，深度遞歸網(wǎng)絡(luò)在物聯(lián)網(wǎng)系統(tǒng)異常檢測中能夠獲得較高的檢測準確率。關(guān)鍵詞： 深度遞歸網(wǎng)絡(luò); 回歸分析; 高階特征; 物聯(lián)網(wǎng)系統(tǒng)安全; 異常檢測; 核函數(shù)中圖分類號： TN915.08?3
現(xiàn)代電子技術(shù) 2019年13期2019-07-08