检索结果-南通市图书馆

基于注意力机制的GRU神经网络安全态势预测方法

在线全文

学校读者我要写书评

暂无评论

系统工程与电子技术 2021年第1期43卷 258-266页

作者：何春蓉朱江重庆邮电大学通信与信息工程学院重庆400065

传统的网络安全态势预测方法依赖于历史态势值的准确性,并且各种网络安全因素之间存在相关性和重要程度差异性。针对以上问题,提出一种基于注意力机制的循环门控单元(recurrent gate unit,GRU)编码预测方法,该方法利用GRU神经网络挖掘... 详细信息

传统的网络安全态势预测方法依赖于历史态势值的准确性,并且各种网络安全因素之间存在相关性和重要程度差异性。针对以上问题,提出一种基于注意力机制的循环门控单元(recurrent gate unit,GRU)编码预测方法,该方法利用GRU神经网络挖掘网络安全态势数据之间的时间相关性;引入注意力机制计算安全指标的分配权重并将其编码为网络安全态势值;利用改进的粒子群优化(particle swarm optimization,PSO)算法进行超参数寻优,以加速GRU神经网络的训练。仿真分析表明,所提方法具有更快的收敛速度和较低的复杂度,并且在不同的预测时长下具有较小的均方误差和平均绝对误差。

关键词：网络安全态势预测注意力机制循环门控单元粒子群优化算法

在线全文

学校读者我要写书评

暂无评论

基于GRU神经网络的UWB定位算法研究

测试技术学报 2023年第3期37卷 194-198,207页

作者：郭俊权刘达易颂轩高伟强刘建群广东工业大学机电工程学院广东广州510006 佛山科莱机器人有限公司广东佛山528225

针对复杂环境下的室内精确定位需求,采用基于双边双向测距的超宽带定位方案。为解决非视距情况下超宽带测距误差大而引起定位精度下降的问题,考虑到超宽带测距具备时间序列预测问题的特点,引入了循环门控单元(Gate Recurrent Unit,GRU)... 详细信息

针对复杂环境下的室内精确定位需求,采用基于双边双向测距的超宽带定位方案。为解决非视距情况下超宽带测距误差大而引起定位精度下降的问题,考虑到超宽带测距具备时间序列预测问题的特点,引入了循环门控单元(Gate Recurrent Unit,GRU)来搭建神经网络,并设计不同隐藏层数、结构来验证其有效性。实验结果表明,相比于LS(Least Square)、UKF(Unscented Kalman Filter)定位算法,该GRU神经网络定位算法的均方根误差指标平均降低了30.81%、21.51%,定位效果更好。

关键词：室内定位超宽带非视距循环门控单元

在线全文

学校读者我要写书评

暂无评论

基于时序-图滤波的交通预测模型研究

中国交通信息化 2023年第12期290卷 132-135页

作者：沈金田刘喜友凌明振赵亮甘彤中交一公局第五工程有限公司北京100000 中交简石数字科技(苏州)有限公司江苏苏州215000

针对复杂路网结构下交通信息难以预测和现有图神经网络方法引入过多训练参数导致训练耗时的问题,本文提出基于时序-图滤波的交通预测方法。引入了图信号处理的理论和技术,将路网结构表示为一个图,并利用图滤波方法显性捕捉信号变化,为... 详细信息

针对复杂路网结构下交通信息难以预测和现有图神经网络方法引入过多训练参数导致训练耗时的问题,本文提出基于时序-图滤波的交通预测方法。引入了图信号处理的理论和技术,将路网结构表示为一个图,并利用图滤波方法显性捕捉信号变化,为了更好地发掘交通数据的时序依赖性,采用循环门控单元来建模时间序列数据的动态演化过程。实验表明,本文提出的方法可在交通预测任务中取得较高的准确度和稳定性。

关键词：交通预测图信号处理循环门控单元图滤波

在线全文

学校读者我要写书评

暂无评论

网络安全态势要素获取和预测方法的研究

网络安全态势要素获取和预测方法的研究

作者：何春蓉重庆邮电大学

学位级别：硕士

当前以互联网为代表的信息技术日新月异,世界正进入数字化连接的时代,尤其是去年爆发新冠肺炎疫情以来,互联网在促进国民经济复苏、保障社会长治久安、推动国际抗疫合作方面起到了重要作用。但与此同时,与疫情相关的网络安全事件频频出... 详细信息

当前以互联网为代表的信息技术日新月异,世界正进入数字化连接的时代,尤其是去年爆发新冠肺炎疫情以来,互联网在促进国民经济复苏、保障社会长治久安、推动国际抗疫合作方面起到了重要作用。但与此同时,与疫情相关的网络安全事件频频出现,利用跨国资源开展的网络攻击时有发生。网络安全态势感知作为信息安全与网络安全作战中一个极为重要的概念,通过主动为整个网络提供安全防护策略,而迅速成为当前安防的研究热点之一。本文主要针对其中的态势要素获取和态势预测两方面展开如下研究:1.为了提高样本不平衡条件下的态势分类精度,提出了一种基于条件变分自编码网络的安全态势要素获取模型。该模型分为编码网络和生成网络两部分,均采用深度神经网络作为其基础框架。编码网络用于对高维数据进行降维,提取其隐含特征;生成网络用于对降维后的样本进行重构,引入混合密度模型优化生成网络的特征提取能力,提高重构数据的相似性。训练后的编码网络作为分类器,识别样本类型;生成网络生成指定类别的样本数据,以平衡复杂样本中各类攻击样本的数量,提高分类精度。实验分析表明,本文所提模型具有较好的降维效果和较好的态势要素分类精度。2.为了提高网络安全态势预测精度,提出了一种基于注意力机制的循环门控单元(Gated Recurrent Unit,GRU)编码预测方法。GRU网络用于发现训练数据序列之间的时间相关性,注意力机制为安全指标计算相应的分配权重并编码为网络安全态势值,最后将编码值输入预测网络进行网络安全态势预测。同时,由于GRU神经网络训练数据的神经元数量、训练次数,时间步长等超参数难以确定,本文利用改进的粒子群算法(Particle Swarm Optimization,PSO)求解模型参数。通过仿真实验分析证明,此模型的均方误差和平均绝对误差均小于传统预测模型,提高了预测精度。

关键词：网络安全态势感知态势要素获取安全态势预测循环门控单元条件变分自编码网络