又爽又黄又紧的免费视频,中文字幕久久激情

無線傳感網(wǎng)絡(luò)分段線性融合定位算法[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

為實(shí)現(xiàn)對移動(dòng)節(jié)點(diǎn)精確定位，提出一種基于APIT-3D的移動(dòng)節(jié)點(diǎn)定位模型和算法，綜合3D-DVHop跳段距離和RSSI測距技術(shù)，在計(jì)算內(nèi)測點(diǎn)與最近椎面距離基礎(chǔ)上，利用與椎體成形體積判斷內(nèi)測點(diǎn)位置，有效避免“In-To-Out”和“Out-To-In”兩類錯(cuò)誤產(chǎn)生。在確定椎體重疊區(qū)域后，通過最小二乘法結(jié)合空間分段線性融合方式計(jì)算節(jié)點(diǎn)位置。仿真實(shí)驗(yàn)證明，該分段線性融合定位算法對移動(dòng)節(jié)點(diǎn)定位在百分之25th，50th和75th定位偏差值分別為1.81 m，2.45 m和3.32 m，并能判斷運(yùn)動(dòng)趨勢，追蹤移動(dòng)目標(biāo)，描述運(yùn)動(dòng)軌跡。該算法為無線傳感網(wǎng)絡(luò)定位提供了算法借鑒和創(chuàng)新。

發(fā)表于：10/27/2022 2:29:15 PM

基于分解策略的多標(biāo)簽在線特征選擇算法[其他][其他]

在線學(xué)習(xí)方法是用于大規(guī)模數(shù)據(jù)集的、高效且可擴(kuò)展的機(jī)器學(xué)習(xí)算法。然而，在對多標(biāo)簽數(shù)據(jù)集進(jìn)行特征選擇時(shí)，傳統(tǒng)的在線多標(biāo)簽學(xué)習(xí)方法需要訪問數(shù)據(jù)集的所有特征，當(dāng)數(shù)據(jù)集具有較高維度時(shí)，這種在線學(xué)習(xí)方式并不能適用于實(shí)際情景。針對多標(biāo)簽數(shù)據(jù)集的特征選擇，在現(xiàn)有研究的基礎(chǔ)上，使用二類分解策略，提出基于分解策略的多標(biāo)簽在線特征選擇算法。該算法利用稀疏正則化和截取方法進(jìn)行在線特征選擇，降低計(jì)算復(fù)雜度。實(shí)驗(yàn)表明，算法的特征選擇性能優(yōu)于其他多標(biāo)簽在線特征選擇算法。

發(fā)表于：10/27/2022 2:21:02 PM

基于特征序列的惡意代碼靜態(tài)檢測技術(shù)[其他][信息安全]

近年來，基于機(jī)器學(xué)習(xí)方法的惡意代碼檢測方法存在著無法自動(dòng)和高效地提取惡意代碼的問題，有些還需要人工對特征進(jìn)行提取，但是提取的特征沒有深層地描述惡意代碼行為，存在檢測的準(zhǔn)確率較低、效率低等缺點(diǎn)。通過對靜態(tài)惡意代碼進(jìn)行分析，從紋理特征和操作碼特征入手，在提取紋理特征過程中，提出一種Simhash處理編譯文件轉(zhuǎn)換成灰度圖像的方法，生成灰度圖像后通過GIST算法和SIFT算法提取全局和局部圖像紋理特征，并將全局和局部圖像特征進(jìn)行融合。

發(fā)表于：10/27/2022 2:10:40 PM

基于溯源圖節(jié)點(diǎn)級(jí)別的APT檢測[人工智能][其他]

傳統(tǒng)的入侵檢測系統(tǒng)無法應(yīng)對日益增多和復(fù)雜的網(wǎng)絡(luò)攻擊(如高級(jí)持續(xù)性威脅)，因?yàn)榭赡茉趲讉€(gè)月內(nèi)不能檢測出隱蔽威脅事件并具有較高誤報(bào)率。最近研究建議利用溯源數(shù)據(jù)來實(shí)現(xiàn)基于主機(jī)的入侵檢測，溯源圖是由溯源數(shù)據(jù)構(gòu)造成的有向無環(huán)圖。然而，以前的研究是提取了整個(gè)溯源圖的特征，對圖中的少量異常攻擊實(shí)體（節(jié)點(diǎn)）不敏感，因此無法準(zhǔn)確識(shí)別異常節(jié)點(diǎn)。提出了一種在溯源圖節(jié)點(diǎn)級(jí)別上的APT實(shí)時(shí)檢測方法。采用K-Means和輪廓系數(shù)相結(jié)合的方法對訓(xùn)練數(shù)據(jù)集中的良性節(jié)點(diǎn)進(jìn)行聚類，生成良性節(jié)點(diǎn)簇，通過判斷新節(jié)點(diǎn)是否屬于良性節(jié)點(diǎn)簇來判別是否存在異常。在Unicorn SC-2和DARPA TC兩種公共數(shù)據(jù)集上評估該方法，結(jié)果表明該方法準(zhǔn)確率達(dá)到95.83%，并且能夠準(zhǔn)確識(shí)別和定位異常節(jié)點(diǎn)。

發(fā)表于：10/27/2022 1:56:58 PM

基于組合神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)入侵檢測方法[通信與網(wǎng)絡(luò)][物聯(lián)網(wǎng)]

針對物聯(lián)網(wǎng)流量入侵檢測的全局特征提取問題，對現(xiàn)有的網(wǎng)絡(luò)入侵檢測方法進(jìn)行了改進(jìn)，提出了一種基于組合神經(jīng)網(wǎng)絡(luò)的入侵檢測方法。首先利用一維密集連接卷積神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)集中流量的空間特征進(jìn)行提??；然后利用門控循環(huán)神經(jīng)單元進(jìn)一步提取時(shí)序特征，完成對物聯(lián)網(wǎng)流量數(shù)據(jù)的時(shí)空特征提??；最后采用UNSW-NB15和Bot-iot數(shù)據(jù)集對組合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行多分類訓(xùn)練和測試。實(shí)驗(yàn)結(jié)果表明，所提方法在準(zhǔn)確率以及其他評價(jià)指標(biāo)方面均有一定的提高，表明了該方法的有效性。

發(fā)表于：10/26/2022 6:53:00 PM

虛擬貨幣挖礦木馬行為監(jiān)測技術(shù)研究與應(yīng)用[通信與網(wǎng)絡(luò)][信息安全]

近年來，在利益驅(qū)動(dòng)下通過傳播挖礦木馬程序，利用受害者主機(jī)算力進(jìn)行挖礦獲取虛擬貨幣的行為愈演愈烈。從攻擊者視角分析了挖礦木馬的暴力爆破、漏洞利用、木馬植入、橫向傳播等典型攻擊路徑，基于挖礦協(xié)議的流量識(shí)別、威脅情報(bào)匹配、攻擊鏈模型關(guān)聯(lián)分析、AI基因模型監(jiān)測等開展技術(shù)研究，結(jié)合研究成果進(jìn)行了實(shí)際網(wǎng)絡(luò)流量監(jiān)測應(yīng)用，為挖礦木馬的防范和治理提供思考與借鑒。

發(fā)表于：10/26/2022 6:40:00 PM

公安工作疫情流調(diào)大數(shù)據(jù)建模和安全分析[其他][數(shù)據(jù)中心]

根據(jù)疫情流調(diào)數(shù)據(jù)特點(diǎn)，建立流調(diào)數(shù)據(jù)模型量化防疫具體需求。為了快速篩選出防疫需求的數(shù)據(jù)，基于MySQL數(shù)據(jù)庫使用多條件數(shù)據(jù)查詢及過濾、數(shù)據(jù)分組、數(shù)據(jù)清洗方法，并使用Python第三方庫Pandas對流調(diào)數(shù)據(jù)做時(shí)間間隔計(jì)算。最后，在此基礎(chǔ)上對模型數(shù)據(jù)做可視化處理，直觀地反映流調(diào)數(shù)據(jù)情況，并對流調(diào)數(shù)據(jù)的傳輸作了安全分析。本文數(shù)據(jù)處理方法對基層民警提高大數(shù)據(jù)處理效率有借鑒意義，對疫情防疫流調(diào)工作有重要意義。

發(fā)表于：10/26/2022 6:36:23 PM

基于DCMM的高校數(shù)據(jù)治理能力評估應(yīng)用與研究[其他][數(shù)據(jù)中心]

發(fā)表于：10/26/2022 6:31:16 PM

基于區(qū)塊鏈的醫(yī)療影像數(shù)據(jù)人工智能檢測模型[人工智能][醫(yī)療電子]

基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)被廣泛應(yīng)用于醫(yī)療檢測領(lǐng)域，該技術(shù)依賴大量醫(yī)療影像訓(xùn)練分類模型，從而為醫(yī)生決策提供有力的輔助醫(yī)療手段。因涉及患者隱私并直接關(guān)系到醫(yī)生診斷，所以醫(yī)療影像數(shù)據(jù)的共享必須保護(hù)患者隱私并確保數(shù)據(jù)準(zhǔn)確不被篡改，而現(xiàn)有中心化的醫(yī)療數(shù)據(jù)存儲(chǔ)方案面臨隱私泄露等諸多安全問題。提出了一種基于區(qū)塊鏈的醫(yī)療影像數(shù)據(jù)人工智能檢測模型。該模型針對目標(biāo)檢測技術(shù)輔助醫(yī)生診斷的問題，采用區(qū)塊鏈技術(shù)實(shí)現(xiàn)去中心化、不可篡改的訓(xùn)練參數(shù)聚合，通過加密和簽名技術(shù)保護(hù)數(shù)據(jù)隱私，利用智能合約評估服務(wù)器診斷準(zhǔn)確率，有助于解決醫(yī)療數(shù)據(jù)壁壘和醫(yī)療隱私泄露問題。

發(fā)表于：10/26/2022 6:26:00 PM

基于網(wǎng)絡(luò)表示學(xué)習(xí)的區(qū)塊鏈異常交易檢測[通信與網(wǎng)絡(luò)][通信網(wǎng)絡(luò)]

由于具有巨大的流通市值、龐大的用戶量和賬戶匿名性的特點(diǎn)，區(qū)塊鏈交易頻繁受到盜竊、龐氏騙局、欺詐等異常行為的威脅。針對區(qū)塊鏈異常交易，提出一種網(wǎng)絡(luò)表示學(xué)習(xí)模型DeepWalk-Ba用于特征提取，以比特幣為例，對區(qū)塊鏈交易的網(wǎng)絡(luò)結(jié)構(gòu)和屬性進(jìn)行學(xué)習(xí)，從交易的鄰域結(jié)構(gòu)中挖掘隱含信息作為節(jié)點(diǎn)特征，再使用5種有監(jiān)督和1種無監(jiān)督的機(jī)器學(xué)習(xí)算法進(jìn)行異常檢測。實(shí)驗(yàn)表明，有監(jiān)督模型隨機(jī)森林表現(xiàn)最好，達(dá)到了99.3%的精確率和86.4%的召回率，比使用傳統(tǒng)的特征提取方法的異常檢測模型具有更好的檢測效果。

發(fā)表于：10/26/2022 6:16:50 PM