使用异常情况或标识的传统入侵检测模型,检测粒度较大,精度较差,且占用系统资源较多。针对上述问题,提出了分布式异常事件融合入侵检测模型。该模型通过事件跟踪等方法降低检测粒度;采用分布式的多节点灰度关联度
提出一种新颖的基于boostingRBF神经网络的入侵检测方法。将模糊聚类和神经网络技术相结合,提出基于改进的FCM算法和OLS算法相结合的FORBF算法,为了提高RBF神经网络的泛化能力,采用Boo
通过分析系统调用行为特征,提出了程序的系统调用行为可以用有限状态自动机来描述的方法,证明了算法产生的自动机的完整性,并给出算法性能分析结果。
基于深度学习的网络入侵混合检测方法,李涵,钮心忻,针对如何在保证网络入侵检测性能的前提下具备未知攻击类型检测能力的问题,通过结合栈式稀疏自编码器、深度神经网络两种监督学习
提出了MAC层一种新的动态退避算法DPBA,它以报文的冲突概率来预测节点附近信道的争用状况,对不同的网络状况下竞争窗口的取值采用相应的退避策略,以达到改善网络性能的目的。分析与仿真结果表明,与传统的退
结合访问控制和入侵检测各自的优势,在以访问控制为系统正常访问参考模式的条件下,提出了基于访问控制的主机异常入侵检测模型——ACBIDS。根据系统调用函数间的约束关系构建基于扩展有向无环图(DAG)的系
期望最大化(expectationmaximization,EM)算法在聚类过程中无法识别噪声点,最终的收敛效果也依赖于初始值的选择。提出了基于密度检测的EM算法(DDEM),通过基于密度的方法来检测
提出了一种应用层负载均衡模型,将网络流量按照应用类型进行分流。该模型将网络流量分为普通应用和P2P应用两部分,根据应用类型将P2P应用流量划分为应用层报文集。初始化时采用Hash映射算法分配流量,使用
基于并发投影时序逻辑模型检测的入侵检测方法,朱维军,陈建辉,基于投影时序逻辑模型检测的入侵检测方法具有描述网络入侵者分段攻击的能力,然而对并发攻击仍无能为力,因为该逻辑无法直接描述
针对FCM(FuzzyC-Means)算法对于初始聚类中心敏感,并只适合于发现球状类型簇的缺陷,提出采用冗余聚类中心初始化的方法降低算法对初始聚类中心的依赖,并先暂时将大簇或者延伸形状的簇分割成用多个