检索结果-南通市图书馆

作者：李青松华中科技大学

学位级别：硕士

工业领域的生产设备异常检测实际上是采用无监督技术准确预测设备早期劣化的异常工况和定位具体的异常参数,高斯混合模型是业内最广泛使用的技术之一。深度自编码高斯混合模型(Deep Autoencoding Gaussian Mixture Model,DAGMM)是基于... 详细信息

工业领域的生产设备异常检测实际上是采用无监督技术准确预测设备早期劣化的异常工况和定位具体的异常参数,高斯混合模型是业内最广泛使用的技术之一。深度自编码高斯混合模型(Deep Autoencoding Gaussian Mixture Model,DAGMM)是基于高斯混合模型改造的深度异常检测技术,虽然在生产设备数据集上性能相对较优,但是仍有提升的空间。由于DAGMM所采用的深度自编码器的瓶颈层,导致后续估计网络密度估计时存在高维信息丢失,影响预测的精度和召回率。尝试通过补充高维数据分布、空间拓扑结构来解决瓶颈层高维信息丢失而引起的性能不足问题。因而针对DAGMM在生产设备异常检测上性能不足,首先提出基于均匀流形近似与投影改进的模型(Deep Autoencoding Gaussian Mixture Model with Uniform Manifold Approximation and Projection,UMAP-DAGMM),通过将UMAP算法改造为神经网络,在原来的损失函数上新增一项交叉熵实现与DAGMM联合训练,补充了高维数据分布信息。然后,由于UMAP-DAGMM提升效果较小,提出自组织映射(Self Organizing Map,SOM)用以辅助UMAP-DAGMM,通过预训练SOM,继续补充空间拓扑结构信息。在两个公开数据集和三个生产设备数据集的实验结果上显示,UMAP-DAGMM较DAGMM性能得到了一定的提升,而SOM使提升的效果更加明显。另外,当DAGMM检测到生产设备异常时,往往还需进一步确定哪个部位或哪个参数导致的异常。针对DAGMM异常可回溯性欠缺,提出基于梯度归因的可回溯性模型,巧妙地利用加权平均来解决相乘问题,计算出了异常决策函数与原始数据之间端到端的梯度,并通过简单的示例性实验验证了异常回溯的正确性。在三个生产设备数据集的实验结果上显示:不同异常点,梯度越大,越远离决策边界,该点越异常;同一异常点,不同维度,梯度越大越影响模型决策,对应维度越异常。

关键词：异常检测生产设备深度自编码高斯混合模型均匀流形近似与投影自组织映射

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于主成分分析和深度自编码高斯混合模型的无监督异常数据检测方法研究

引用

现代电子技术 2023年第3期46卷 75-80页

作者：刘翔宇朱诗兵杨帆航天工程大学北京101416

在异常数据检测中,由于数据量过大和数据特征维度过高,往往会导致数据标定困难、数据冗余、算法效率降低等。针对以上问题,将主成分分析(PCA)特征选择算法与深度自编码高斯混合模型(DAGMM)相结合,提出一种新的无监督异常数据检测方法PCA... 详细信息

在异常数据检测中,由于数据量过大和数据特征维度过高,往往会导致数据标定困难、数据冗余、算法效率降低等。针对以上问题,将主成分分析(PCA)特征选择算法与深度自编码高斯混合模型(DAGMM)相结合,提出一种新的无监督异常数据检测方法PCA-DAGMM。该方法首先利用PCA特征选择算法对数据进行预处理,去除对分类效果增益较小的冗余数据,降低运算成本;然后将特征选择后的数据输入到DAGMM模型中进行训练。基于kddcup99数据集和CIC-IDS-2017数据集进行实验,并与多种特征选择算法进行对比,实验结果表明,PCA-DAGMM方法可以有效优化分类器性能,提高分类器训练效率,适用于解决网络流量异常检测问题,F1指数在kddcup99数据集和CIC-IDS-2017数据集上比DAGMM模型分别提高了4.37%和1.06%,训练时间减少了14.43%和8%。

关键词：无监督异常数据检测主成分分析特征选择深度自编码高斯混合模型密度估计联合训练

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于机器学习的入侵检测防火墙设计与实现

基于机器学习的入侵检测防火墙设计与实现

引用

作者：李波电子科技大学

学位级别：硕士

互联网的发展带来了很多便利,人们在享受这些的便利的同时,也在经受着愈发激烈和复杂的网络异常攻击的威胁。传统基于签名的防火墙,采用规则匹配进行入侵检测,对未知威胁和零日漏洞的检测能力不足,单机系统对海量流量和日志的入侵检测... 详细信息

互联网的发展带来了很多便利,人们在享受这些的便利的同时,也在经受着愈发激烈和复杂的网络异常攻击的威胁。传统基于签名的防火墙,采用规则匹配进行入侵检测,对未知威胁和零日漏洞的检测能力不足,单机系统对海量流量和日志的入侵检测也面临处理时间、业务响应和存储空间等方面的瓶颈。因此,本文设计了一种基于机器学习的入侵检测防火墙,部署在Spark平台上进行实现。本文的主要工作如下:（1）针对单个特征选择方法结果局限的问题,设计了一种权重集成特征选择（Weight Ensemble feature selection,WEFS）方法,利用集成学习算法思想,聚合多个特征选择算法,同时给予各个特征选择算法不同的权重进行融合,最终获得选择的特征子集。WEFS有利于进一步提高集成特征选择方法的泛化性能,选择出数据集中最重要的特征,有效的提升入侵检测防火墙的效率和性能。（2）通过对机器学习算法深度自编码高斯混合模型（Deep Autoencoding Gaussian Mixture Model,DAGMM）的原理和优缺点进行分析,针对DAGMM的缺点提出了改进和优化,针对联合变量直接拼接带来的问题对联合变量进行特征加权正则化操作,针对网络结构容易出现梯度消失和降维维度过小的问题,对网络结构进行了调整。通过实验确定了最佳降维向量维度值,获得了改进的深度自编码高斯混合模型（Improved Deep Autoencoding Gaussian Mixture Model,IDAGMM）算法,与原DAGMM算法相比提升了检测性能和准确率。（3）设计一套基于机器学习的入侵检测防火墙,并部署在Spark平台上进行实现。将WEFS结合改进的IDAGMM算法融合为权重集成特征选择深度自编码高斯混合模型（Weight Ensemble feature selection-Deep Autoencoding Gaussian Mixture Model,WEFS-DAGMM）算法作为机器学习入侵检测算法对异常入侵进行检测,增强网络的安全性。本文设计实现的基于WEFS-DAGMM的入侵检测防火墙,通过改进特征选择方法和机器学习算法,并将机器学习算法部署在Spark集群上进行入侵检测。经过实验和系统测试后,证实其具有可用性和准确性并可以有效提升入侵检测的性能。

关键词：入侵检测机器学习权重集成特征选择深度自编码高斯混合模型 Apache Spark

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向内生安全的网络异常检测关键技术研究

面向内生安全的网络异常检测关键技术研究

引用

作者：胡宁东南大学

学位级别：硕士

随着互联网和通信网络技术的快速发展,人们的日常生活变得更加便利,同时网络安全问题也更加突出,越来越多的网络攻击手段出现,使网络环境的正常运行面临着巨大的挑战。传统的防火墙、防病毒软件等基于“外壳式”的安全手段无法有效地抵... 详细信息

随着互联网和通信网络技术的快速发展,人们的日常生活变得更加便利,同时网络安全问题也更加突出,越来越多的网络攻击手段出现,使网络环境的正常运行面临着巨大的挑战。传统的防火墙、防病毒软件等基于“外壳式”的安全手段无法有效地抵御恶意的网络攻击,本文通过模仿生物系统的防御风险机制,发现风险,并以节点为单位定位风险,面向内生安全进行网络异常检测研究。本文通过人工智能“大脑”不断学习网络模式,获得应对风险的“抵抗力”,通过学习网络的正常模式,提升了发现未知攻击的能力,并通过图神经网络整合网络的内容特征与结构特征进一步定位发生威胁的节点。论文的主要工作和创新点有:(1)对生物免疫机制及传统的入侵检测相关理论进行了研究,分析了生物免疫与入侵检测的相关性,并总结分析了现有网络安全体系中的问题。借鉴生物免疫机理,发现网络中的“非我”行为,为网络异常检测提出了一种新思路。(2)借鉴生物免疫中区分“自我”与“非我”机制,模仿否定选择算法原理,令人工智能“大脑”学习网络中的正常数据,实现对网络中“非我”数据的检测。针对网络数据量大、特征维数高、传统机器学习算法对数据标签依赖性高等问题,提出一种基于随机森林和深度自编码高斯混合模型的无监督入侵检测方法RF-DAGMM。该方法可以使人工智能“大脑”有效地通过特征选择网络筛选出对结果较为重要的特征子集,消除无关特征对检测结果的干扰,并将特征选择后的数据输入深度自编码高斯混合模型中。在实验中使用KDDCUP99、UNSW-NB15、CICIDS2017数据集进行实验结果评估,实验结果表明,RFDAGMM在多个指标上的结果均优于对比算法,同时减少训练时长和计算成本。(3)通过模仿生物系统的防御风险机制,实现发现风险后以节点为单位对风险进行定位,提出“非我”定位方法。针对传统的网络异常检测算法仅关注网络中的内容特征问题,提出了一种整合结构特征的图神经网络异常检测方法NADGNN。人工智能“大脑”在考虑网络内容特征的同时,将基于图的结构特征整合到模型中,共同作为网络异常检测的基础。该方法中的无监督表示过程通过互信息最大化兼顾网络节点和边缘的结构信息及属性信息,获得包括图的全局结构特征的节点嵌入,从而该算法可以同时提取网络的结构特征和属性特征,更准确地挖掘网络中的异常。基于CICIDS2017、Digg和Reddit数据集的实验结果表明,该方法具有一定的优势,实验精度高于对比方法。

关键词：内生安全随机森林深度自编码高斯混合模型图神经网络互信息最大化

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：