誤報(bào)率
- 基于改進(jìn)K-means算法的網(wǎng)絡(luò)攻擊入侵檢測方法設(shè)計(jì)①
5 兩種算法的誤報(bào)率情況在圖4(a)中,兩種算法在數(shù)據(jù)集KDD Cup99中的分類準(zhǔn)確率最大值分別為93.2%和99.5%。在圖4(b)中,兩種算法在數(shù)據(jù)集CIC-IDS2017中的分類準(zhǔn)確率最大值分別為91.7%和98.6%。由此可見,改進(jìn)算法在不同數(shù)據(jù)集中的分類準(zhǔn)確率均遠(yuǎn)大于傳統(tǒng)K-means算法,分類效果更好。圖5(a)所示為K-means算法和改進(jìn)峰值密度的K-means算法在數(shù)據(jù)集KDD Cup99中的樣本誤報(bào)率情況。隨著樣本數(shù)量的改變,K-me
- 通信網(wǎng)絡(luò)用戶涉密信息安全動(dòng)態(tài)預(yù)警仿真
較低,并且預(yù)警誤報(bào)率較高。黃志勝[5]等人利用層次分析法計(jì)算出通信網(wǎng)絡(luò)涉密信息的各級權(quán)重指標(biāo),然后使用隸屬度函數(shù)算法對各級權(quán)重指標(biāo)做歸一化處理,并建立基于層次分析與區(qū)間預(yù)測的風(fēng)險(xiǎn)度評估等級標(biāo)準(zhǔn),最后在此基礎(chǔ)上構(gòu)建反向傳播的神經(jīng)網(wǎng)絡(luò)模型,通過多目標(biāo)加權(quán)函數(shù)計(jì)算出動(dòng)態(tài)預(yù)警范圍,完成大規(guī)模通信網(wǎng)絡(luò)涉密信息安全的動(dòng)態(tài)預(yù)警。該方法沒有對網(wǎng)絡(luò)涉密信息作出聚類處理,導(dǎo)致預(yù)警耗費(fèi)的時(shí)間長、效率低。通信網(wǎng)絡(luò)具有自身安全性的缺陷以及脆弱性、易受攻擊性等,因此,通信雙方用戶的信
計(jì)算機(jī)仿真 2023年5期2023-07-03
- 基于EEMD-kNN的工業(yè)過程微小故障檢測
并且有著較低的誤報(bào)率,第187時(shí)刻檢出故障,故障檢測率為71%。采用三種方法對兩種故障進(jìn)行故障檢測實(shí)驗(yàn)的誤報(bào)率和檢測率匯總?cè)绫?所示。由表1看出,EEMD-kNN有著較低的誤報(bào)率以及更高的檢測率,驗(yàn)證了本文所提方法的有效性。表1 數(shù)值案例誤報(bào)率檢測率匯總表(%)3.2 TE過程田納西-伊斯曼(Tennessee Eastman, TE)過程被廣泛用于模擬實(shí)際復(fù)雜的工業(yè)過程系統(tǒng),并且驗(yàn)證各種故障檢測方法。該過程包括41個(gè)測量變量、12個(gè)操作變量和20種故障,
計(jì)算機(jī)應(yīng)用與軟件 2023年4期2023-05-08
- 基于關(guān)聯(lián)規(guī)則的終端軟件缺陷檢測方法研究
實(shí)現(xiàn)，并且檢測誤報(bào)率較低，但檢測漏報(bào)率較高。為了解決以上問題，該文提出了基于關(guān)聯(lián)規(guī)則的終端軟件缺陷檢測方法。1 終端軟件缺陷特征提取在終端軟件中，二進(jìn)制軟件的尾指令較為復(fù)雜，無法直接進(jìn)行分析，需要對二進(jìn)制軟件賦予中間指令集，并增加代碼量，從二進(jìn)制軟件的路徑與匯編指令入手，提取軟件缺陷特征[4]。二進(jìn)制軟件基本塊執(zhí)行順序根據(jù)軟件底層指令確定，軟件底層指令位于尾指令前面，由多個(gè)匯編指令構(gòu)成，基本塊在執(zhí)行第一行代碼時(shí)，不需要執(zhí)行二進(jìn)制程序，此時(shí)，基本塊可表示為返
電子設(shè)計(jì)工程 2023年5期2023-03-10
- 基于改進(jìn)二分K-means算法的網(wǎng)絡(luò)異常檢測技術(shù)研究
方法效率低下、誤報(bào)率較高，難以有效區(qū)分攻擊類型和正常類型，基于此，研究提出基于改進(jìn)二分K-means 算法的網(wǎng)絡(luò)異常檢測模型。首先利用二分K-means 聚類算法來對海量數(shù)據(jù)進(jìn)行挖掘分析從而構(gòu)建出正常網(wǎng)絡(luò)行為模型，其次結(jié)合正常網(wǎng)絡(luò)行為模型設(shè)計(jì)出檢測算法ITCM-KNN，該模型如圖1 所示。圖1 基于改進(jìn)二分K-means 算法的網(wǎng)絡(luò)異常檢測算法模型示意圖聚類分析是在未給定訓(xùn)練目標(biāo)的情況下按照“簇內(nèi)樣本相似度最大，簇間樣本差異度最大”的規(guī)則對所收集的數(shù)據(jù)對象
鄂州大學(xué)學(xué)報(bào) 2022年6期2022-12-01
- 基于深度學(xué)習(xí)的DGA域名檢測方法研究
準(zhǔn)確率和更低的誤報(bào)率，同時(shí)檢測耗時(shí)更少.1 相關(guān)工作2016年，Woodbridge等[7]首次將深度學(xué)習(xí)應(yīng)用到DGA域名檢測中，利用深度學(xué)習(xí)可以自動(dòng)提取特征的優(yōu)勢[8]，解決了傳統(tǒng)機(jī)器學(xué)習(xí)所面臨的困難. Saxe J等[9]使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對DGA域名進(jìn)行檢測，將原始短字符串作為輸入，學(xué)習(xí)同時(shí)使用字符嵌入和CNN來提取特征. 文獻(xiàn)[10]利用門控循環(huán)單元(Gated Recurrent Unit,GRU)檢測惡意域名，相較于LSTM網(wǎng)絡(luò)節(jié)省了訓(xùn)
- 采用雙向GRU的軟件源代碼漏洞檢測方法
源代碼漏洞檢測誤報(bào)率和漏報(bào)率高的問題，提出一種基于雙向門控遞歸單元（Bidirectional Gated Recurrent Unit，BGRU）的軟件源代碼漏洞檢測方法，將軟件源代碼漏洞視為多分類問題，不同類型的漏洞對應(yīng)不同的標(biāo)簽。通過采用基于Token的方法和Word2vec模型將軟件源代碼轉(zhuǎn)換為分布式向量并輸入到BGRU神經(jīng)網(wǎng)絡(luò)中，利用BGRU自動(dòng)從正反兩個(gè)方向生成深層次的高維特征表示，這樣可以有效學(xué)習(xí)軟件源代碼的規(guī)律和特性，以此來降低軟件源代碼漏
現(xiàn)代電子技術(shù) 2022年18期2022-09-17
- 一種基于Web日志的混合入侵檢測方法
擊和具有較低的誤報(bào)率，缺點(diǎn)是對未知的攻擊難以檢測，所以當(dāng)面對未知攻擊時(shí)誤用檢測的檢測率有時(shí)候并不理想。異常檢測是對正常行為進(jìn)行建模，構(gòu)建正常行為模型，不用分析所有的攻擊類型，類似于白名單機(jī)制，優(yōu)點(diǎn)是具有較高的檢測率，缺點(diǎn)是誤報(bào)率通常較高。對于Web入侵檢測，眾多學(xué)者對此領(lǐng)域做出了相關(guān)貢獻(xiàn)。Almgren等[4]以Web應(yīng)用日志URL的路徑、編碼字符等作為攻擊特征，通過攻擊特征來匹配攻擊請求，設(shè)計(jì)了Web誤用檢測系統(tǒng)，具有較高的檢測率和低誤報(bào)率。著名的入侵檢
- 基于擴(kuò)展Jarvis-Patrick聚類的異常檢測算法優(yōu)化及檢測仿真
te，DR）和誤報(bào)率（False positive Rate，F(xiàn)R）結(jié)果如圖1 所示。圖2 顯示了在用不同的k值標(biāo)記之前每個(gè)集群中的元素?cái)?shù)量。圖1 Jarvis-Patrick聚類提取2 000個(gè)數(shù)據(jù)點(diǎn)時(shí)差異化k值的檢測率（DR）和誤報(bào)率（FR）（α=0.8）圖2 Jarvis-Patrick聚類提取2 000個(gè)數(shù)據(jù)點(diǎn)時(shí)標(biāo)記前聚類大小分布（α=0.8）圖1 表明，當(dāng)k=20時(shí)，檢出率的最大值為0.787，并且可以看到，如果選擇較小的k，則檢出率要好于較大的
電子設(shè)計(jì)工程 2022年13期2022-07-08
- 基于SVM分類器的癲癇腦電時(shí)空特征提取方法的研究
其平均準(zhǔn)確率和誤報(bào)率。2 算法與原理2.1 模糊熵熵原本是熱力學(xué)的概念，可以度量熱力學(xué)系統(tǒng)的混亂程度，也可描述時(shí)序信號中新信息發(fā)生率大小。對于給定的時(shí)間序列[u(1),u(2),…,u(N)]，模糊熵的計(jì)算步驟如下[12]。1)定義相空間維數(shù)m(m≤N-2)和相似容限度r，重構(gòu)相空間：X(i)=[u(i),u(i+1),…,u(i+m-1)]-u0(i),i=1,2,…,N-m+12)引入模糊隸屬函數(shù)(1)當(dāng)i=1,2,…,N-m+1時(shí)j=1,…,N-m+
- 線性隨機(jī)系統(tǒng)的微小傳感器故障檢測
待解決,如故障誤報(bào)率和漏報(bào)率的實(shí)時(shí)評估、故障幅值與故障可檢測性之間關(guān)系的定量分析.受上述文獻(xiàn)的啟發(fā),本文從定量分析的角度研究了一類線性隨機(jī)系統(tǒng)的微小故障檢測問題.本文的主要貢獻(xiàn)包括:1)基于移動(dòng)加權(quán)平均方法設(shè)計(jì)了一種微小故障檢測算法;2)定量分析了故障幅值、故障檢測誤報(bào)率和漏報(bào)率以及移動(dòng)平均方法的窗口長度之間的關(guān)系;3)給出了確保微小故障在統(tǒng)計(jì)意義下可檢測的最小窗口長度和最優(yōu)權(quán)值矩陣.2 問題描述考慮一類線性隨機(jī)系統(tǒng)假設(shè)1(C,A)滿足能觀性判據(jù).其中Jt
控制理論與應(yīng)用 2022年5期2022-06-21
- 基于Jarque-Bera檢驗(yàn)的非線性多分布過程故障檢測
后者較前者的誤報(bào)率從2.00%降低為1.00%；圖3e、f是D2統(tǒng)計(jì)量的檢測圖，因?yàn)樗尤氲姆递^大，所以兩者的檢測率都能達(dá)到100%， 前者的誤報(bào)率為7.25%， 后者為3.00%。圖3 階躍故障的檢測對比3.2 故障2——斜坡故障在401～800數(shù)據(jù)處對變量x2加入幅值為0.002的斜坡故障。圖4a、b是T2統(tǒng)計(jì)量的檢測圖，因?yàn)榧尤氲氖切逼鹿收锨曳递^低，所以二者都出現(xiàn)延時(shí)報(bào)警的情況， 但是后者的檢測率有明顯提高，由前者的56.00%提升到82.75
化工自動(dòng)化及儀表 2022年2期2022-05-27
- 原始數(shù)據(jù)動(dòng)態(tài)觀察窗法在火災(zāi)特征信號融合提取中的應(yīng)用研究
災(zāi)的概率之和為誤報(bào)率。1.3 神經(jīng)網(wǎng)絡(luò)分類器建立本文對神經(jīng)網(wǎng)絡(luò)分類器本身性能不作研究,簡單選用Matlab中默認(rèn)的BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練和仿真。其隱含層節(jié)點(diǎn)數(shù)為7。設(shè)定網(wǎng)絡(luò)輸出0.6以上(含)為火災(zāi),0.6以下為非火災(zāi)。Matlab中數(shù)據(jù)讀取及仿真部分代碼如下:2 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和測試結(jié)果利用32個(gè)訓(xùn)練樣本對建立的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練學(xué)習(xí),再利用測試樣本進(jìn)行仿真實(shí)驗(yàn),測試結(jié)果如下(其中訓(xùn)練步長表示神經(jīng)網(wǎng)絡(luò)的訓(xùn)練步長)。(1) 5 s窗長5 s步長,訓(xùn)練次數(shù)21
- 累積Logistic回歸模型結(jié)構(gòu)變點(diǎn)的序貫檢驗(yàn)
但監(jiān)測到變點(diǎn)的誤報(bào)率較低, 且檢驗(yàn)勢也較高.最后通過一組實(shí)際數(shù)據(jù)說明本文方法的有效性.2.模型及變點(diǎn)檢驗(yàn)問題變點(diǎn)的序貫檢驗(yàn)統(tǒng)計(jì)量一般是由監(jiān)測統(tǒng)計(jì)量Γ(m,k)和邊界函數(shù)g(m,k)構(gòu)成.定義停時(shí)Γ(m,k)和g(m,k)在原假設(shè)下滿足其中α ∈(0,1).3.變點(diǎn)的序貫檢驗(yàn)首先利用偏最大似然方法對θ進(jìn)行估計(jì)[20], 偏似然函數(shù)為則對數(shù)偏似然函數(shù)為記其中假設(shè)1和假設(shè)2表明偏對數(shù)似然函數(shù)的二階導(dǎo)數(shù)是關(guān)于θ的連續(xù)函數(shù)[21].假設(shè)2保證了Ut(θ)是非奇異的.
應(yīng)用數(shù)學(xué) 2022年2期2022-01-20
- 多聯(lián)式空調(diào)制冷系統(tǒng)堵塞故障位置辨識(shí)仿真
程中出現(xiàn)空值，誤報(bào)率過高。姜陳[3]等人采用BP神經(jīng)網(wǎng)絡(luò)算法建立室溫預(yù)測模型，并設(shè)置故障位置辨識(shí)閾值，以此構(gòu)建堵塞故障位置自動(dòng)辨識(shí)系統(tǒng)，實(shí)現(xiàn)制冷系統(tǒng)中堵塞故障位置的自動(dòng)辨識(shí)。但該方法沒有對數(shù)據(jù)進(jìn)行預(yù)處理，導(dǎo)致需要辨識(shí)過程中所需的數(shù)據(jù)量龐大，召回率也低。黃倩云[4]等人利用支持向量機(jī)算法建立了制冷系統(tǒng)堵塞故障檢測與診斷模型，然后采用網(wǎng)格搜索和十折交叉驗(yàn)證方法優(yōu)化該模型，完成制冷系統(tǒng)堵塞故障位置辨識(shí)。但該方法未消除對堵塞故障位置辨識(shí)貢獻(xiàn)較低的數(shù)據(jù)，導(dǎo)致漏檢率過
計(jì)算機(jī)仿真 2021年11期2021-12-10
- 基于核偏最小二乘法的板形過程監(jiān)測
96.42%，誤報(bào)率為10.14%，說明該方法用于板形的過程監(jiān)測具有可行性。近年來國內(nèi)生產(chǎn)總值逐步上升，人民對美好生活的向往也逐漸增加，這就對產(chǎn)品質(zhì)量提出了更高的要求。板形在冷軋領(lǐng)域直接影響了產(chǎn)品的品質(zhì)和產(chǎn)量。近年來我國冷軋產(chǎn)業(yè)雖然得到了大幅提升，但與西方發(fā)達(dá)國家還有諸多差距。在實(shí)際的生產(chǎn)過程中不僅有鋼材自身的組成成分還有軋機(jī)運(yùn)行時(shí)的各種條件對板形具有重大影響[1]，但是這樣復(fù)雜系統(tǒng)的內(nèi)部機(jī)理幾乎無法使用機(jī)理模型來進(jìn)行描述。而現(xiàn)在隨著數(shù)據(jù)存儲(chǔ)和分析技術(shù)的大
金屬世界 2021年6期2021-11-29
- 基于增量式學(xué)習(xí)的網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)建模仿真
較低、網(wǎng)絡(luò)攻擊誤報(bào)率較高以及檢測時(shí)效性較差等問題，并不適用當(dāng)前的網(wǎng)絡(luò)攻擊檢測。因?yàn)榫W(wǎng)絡(luò)信息間拓?fù)潢P(guān)系不明確，所以在估算網(wǎng)絡(luò)信息的法向量及曲率時(shí)，需構(gòu)建網(wǎng)絡(luò)信息間的拓?fù)潢P(guān)系，提出基于增量式學(xué)習(xí)的網(wǎng)絡(luò)攻擊檢測數(shù)學(xué)模型。2 基于增量式學(xué)習(xí)的網(wǎng)絡(luò)攻擊檢測模型2.1 網(wǎng)絡(luò)信息噪聲去除由于網(wǎng)絡(luò)信息間不存在明確的拓?fù)潢P(guān)系，在估算網(wǎng)絡(luò)信息的法向量及曲率時(shí)，需要構(gòu)建一個(gè)網(wǎng)絡(luò)信息之間的拓?fù)浣Y(jié)構(gòu)關(guān)系[7]。假設(shè)網(wǎng)絡(luò)信息點(diǎn)pj的k鄰域點(diǎn)集是Nk(pi)構(gòu)造關(guān)于pi的協(xié)方差矩陣(1
計(jì)算機(jī)仿真 2021年1期2021-11-18
- 基于遺傳的CNN優(yōu)化方法在入侵檢測中的應(yīng)用
性相關(guān)性，降低誤報(bào)率，有效區(qū)分正常和異常行為。Kumar 等人[3]提出了一種基于 K 均值聚類算法來提高入侵檢測的準(zhǔn)確率。Bhavsar等人[4]將支持向量機(jī)分類算法應(yīng)用于入侵檢測中。Gadal等人[5]提出了一種基于K-均值聚類和序列最小優(yōu)化分類相結(jié)合的混合機(jī)器學(xué)習(xí)入侵檢測技術(shù)。上述方法能在一定程度上取得更好的檢測效果，但特征提取具有一定的復(fù)雜性，不能全面反應(yīng)數(shù)據(jù)的相關(guān)性。近年來，深度學(xué)習(xí)已經(jīng)成為當(dāng)今研究熱點(diǎn)，深度神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)等多種深度學(xué)習(xí)算
計(jì)算機(jī)仿真 2021年2期2021-11-17
- 面向工業(yè)爐管離心鑄造的智能化大數(shù)據(jù)采集與分析研究
的模型正確率與誤報(bào)率結(jié)果具體如表1所示。表1 模型正確率與誤報(bào)率結(jié)果由表1可知，在主元數(shù)量增加趨勢下，正確率與誤報(bào)率一直都控制在75.5%與12.0%上，以此選擇主元數(shù)量為1。在主元數(shù)量為1的條件下，帶入檢測數(shù)據(jù)進(jìn)行分析，則正常與故障爐管檢測結(jié)果具體表現(xiàn)為：正常爐管均未超過99%SPE貢獻(xiàn)控制極限值，而故障爐管則都超過了99%SPE貢獻(xiàn)控制極限值，與PT檢測結(jié)果相一致。基于模型正確率與誤報(bào)率內(nèi)涵，可知MPCA模型構(gòu)建正確率與誤報(bào)率為100%與0。選擇某故障
工業(yè)加熱 2021年10期2021-11-12
- 基于信息熵與LSTM的ICMPv6 DDoS攻擊檢測方法
檢測準(zhǔn)確率低，誤報(bào)率高。而基于機(jī)器學(xué)習(xí)的檢測方法準(zhǔn)確率較高，誤報(bào)率較低，但需要手動(dòng)構(gòu)建較多的特征值、參數(shù)等，檢測速度慢。針對機(jī)器學(xué)習(xí)的局限性，深度學(xué)習(xí)通過學(xué)習(xí)數(shù)據(jù)樣本的內(nèi)在規(guī)律和表示層次，對此有一定程度上的解決[9]。但是基于深度學(xué)習(xí)的檢測會(huì)消耗較大的系統(tǒng)資源[10]，面對DDos這類流量巨大的網(wǎng)絡(luò)攻擊，無法做到檢測的實(shí)時(shí)性。因此，尋找一個(gè)高準(zhǔn)確率、低誤報(bào)率，同時(shí)又具有更高效率的檢測方法，成為ICMPv6 DDos攻擊檢測的難點(diǎn)。長短期記憶網(wǎng)絡(luò)（Long
計(jì)算機(jī)工程與應(yīng)用 2021年21期2021-11-12
- 國產(chǎn)人工智能平臺(tái)的磁盤故障預(yù)測應(yīng)用
e,FDR）、誤報(bào)率（False Alarm Rate,FAR）以及準(zhǔn)確率（Accuracy）三個(gè)指標(biāo)對模型進(jìn)行評價(jià)。故障檢測率指的是正確檢測出故障樣本個(gè)數(shù)和實(shí)際故障樣本個(gè)數(shù)的比值，誤報(bào)率指的是將原本為正常樣本卻誤檢為故障的個(gè)數(shù)和實(shí)際正常樣本個(gè)數(shù)的比值，準(zhǔn)確率指的是正確檢測出的樣本個(gè)數(shù)和總樣本數(shù)的比值。2.4 結(jié)果分析模型的輸出層包含1個(gè)神經(jīng)元，通過設(shè)定閾值的方式預(yù)測樣本未來是否會(huì)發(fā)生故障。將硬盤狀態(tài)采用“0”（正常樣本）和“1”（故障樣本）標(biāo)簽進(jìn)行記錄。
電子世界 2021年18期2021-11-03
- 基于單哈希多維布隆過濾器的DDS自動(dòng)發(fā)現(xiàn)算法
。OMBF總的誤報(bào)率用FOMBF表示，計(jì)算如下：FOMBE=P(f)=P(f|a)P(a)+P(f|b)P(b)=P(a)+P(f|b)(1-P(a))(1)(2)同理，可以得到機(jī)器字取模余數(shù)發(fā)生沖突導(dǎo)致的誤報(bào)率為：(3)通常機(jī)器字的長度遠(yuǎn)大于OMBF向量，所以P(a)接近于0。OMBF的誤報(bào)率可以簡化為：(4)由于SDPBloom中的哈希函數(shù)數(shù)量等于SDP_OMBF中每一維的分區(qū)數(shù)，即哈希函數(shù)數(shù)量為k，其誤報(bào)率FSBF為[12]：(5)(6)2.3 SD
計(jì)算機(jī)應(yīng)用與軟件 2021年10期2021-10-15
- 基于系統(tǒng)調(diào)用行為相似性聚類的主機(jī)入侵檢測方法研究
個(gè)系統(tǒng)的行為.誤報(bào)率是HIDS的重要衡量指標(biāo)之一[5]，較高的誤報(bào)率會(huì)影響HIDS的檢測性能，甚至使得HIDS失效[6].Murtaza等人[7]指出引起誤報(bào)的其中一個(gè)原因是基于n-gram的入侵檢測方法對原始系統(tǒng)調(diào)用序列進(jìn)行特征提取是一種精確匹配方式，導(dǎo)致構(gòu)建的模型泛化能力較弱，據(jù)此本文提出基于內(nèi)核模塊的系統(tǒng)調(diào)用抽象方法.該方法建立系統(tǒng)調(diào)用和系統(tǒng)內(nèi)核模塊的映射關(guān)系，根據(jù)該映射關(guān)系將系統(tǒng)調(diào)用序列轉(zhuǎn)換為用內(nèi)核模塊表示的抽象系統(tǒng)調(diào)用序列，以提升模型的泛化性能，
信息安全研究 2021年9期2021-08-23
- 基于MKECA的離心鑄造過程爐管故障監(jiān)測方法研究
模型的診斷率和誤報(bào)率，本文規(guī)定誤報(bào)率為合格爐管被誤診出故障的概率，診斷率為不合格爐管被診斷出故障的概率。該過程驗(yàn)證的合格數(shù)據(jù)和故障數(shù)據(jù)都是同一組，為對比研究，本文增加MKPCA進(jìn)行對比驗(yàn)證。表2和圖5列出了驗(yàn)證數(shù)據(jù)在不同主元個(gè)數(shù)時(shí)，MKECA與MKPCA兩種監(jiān)測模型誤報(bào)率診斷率的結(jié)果。表2 驗(yàn)證數(shù)據(jù)選擇主元個(gè)數(shù)的結(jié)果 %圖5 MKECA主元選取個(gè)數(shù)診斷率與誤報(bào)率結(jié)果圖由表2數(shù)據(jù)可以看出，在MKPCA數(shù)據(jù)結(jié)果中，統(tǒng)計(jì)量T2在主元個(gè)數(shù)為6個(gè)時(shí)，效果最佳，誤報(bào)率
工業(yè)加熱 2021年4期2021-05-12
- 軌道交通供電系統(tǒng)電纜故障在線定位技術(shù)研究
此設(shè)計(jì)中將針對誤報(bào)率過高的問題，進(jìn)行針對性優(yōu)化設(shè)計(jì)。此次研究中設(shè)計(jì)的技術(shù)，將以原有定位技術(shù)作為設(shè)計(jì)基礎(chǔ)，沿用原有技術(shù)中的部分設(shè)計(jì)，構(gòu)建新的故障定位技術(shù)。為保證此次定位技術(shù)設(shè)計(jì)中的有序性，將軌道交通供電系統(tǒng)電纜故障在線定位技術(shù)分為四部分，完成供電系統(tǒng)電纜故障的高精度定位。在此次設(shè)計(jì)中，涉及部分故障定位設(shè)備的使用。技術(shù)實(shí)現(xiàn)平臺(tái)設(shè)計(jì)過程中，將對設(shè)備的型號進(jìn)行設(shè)定。1.1 供電系統(tǒng)電壓脈沖采集在此次設(shè)計(jì)中，首先對供電系統(tǒng)中的電壓脈沖進(jìn)行獲取。通過對電壓脈沖的研究，
計(jì)算機(jī)測量與控制 2021年1期2021-02-22
- 基于Fisher-PCA 和深度學(xué)習(xí)的入侵檢測方法研究
，但在準(zhǔn)確率和誤報(bào)率方面并沒有提高；文獻(xiàn)[11]中先根據(jù)屬性比率數(shù)據(jù)特征提取方法進(jìn)行數(shù)據(jù)處理，然后進(jìn)行高斯混合聚類，最后使用隨機(jī)森林進(jìn)行分類，提高了準(zhǔn)確率，但是聚類時(shí)k 值難以確定，聚類的好壞對分類結(jié)果有較大的影響；文獻(xiàn)[12]提出通過獨(dú)立成分分析（Independent component analysis，ICA）算法來進(jìn)行特征提取，消除特征的冗余性，使模型具有更好的特征學(xué)習(xí)能力和更精確的分類能力。綜上所述，現(xiàn)有的入侵檢測方法對數(shù)據(jù)進(jìn)行特征提取后往往只
數(shù)據(jù)采集與處理 2020年5期2020-10-23
- 鉆桿管體超聲波探傷誤報(bào)分析及措施
產(chǎn)過程中，探傷誤報(bào)率較高，其中橫傷誤報(bào)率在21%左右，縱傷誤報(bào)率在16%左右。由于探傷缺陷必須人工100%復(fù)探，這即影響生產(chǎn)效率，又無法確保每支鉆桿的產(chǎn)品質(zhì)量。因此研究誤報(bào)產(chǎn)生的原因并實(shí)施有效措施至關(guān)重要，問題解決后該設(shè)備方能投入正常生產(chǎn)運(yùn)行。2 誤報(bào)原因分析及措施在實(shí)際檢測過程中，鉆桿管體橫向、縱向探傷誤報(bào)率均較高。鉆桿管體在探傷時(shí)，進(jìn)行橫向、縱向、分層測厚（圖1），該類型探傷設(shè)備在油井管、鉆桿行業(yè)已有20 多套成熟應(yīng)用案例，在其他使用廠家未發(fā)生誤報(bào)率高
設(shè)備管理與維修 2020年14期2020-08-12
- 降低XH-3203Q2 Ⅱ型監(jiān)測儀誤報(bào)率的研究
2 Ⅱ型監(jiān)測儀誤報(bào)率高的分析研究。2 監(jiān)測儀的工作原理及誤報(bào)率高的原因2.1 儀表參數(shù)性能比較GIM204和XH-3120Q2型監(jiān)測儀儀表參數(shù)見表1。GIM204型監(jiān)測儀比XH-3120Q2Ⅱ型監(jiān)測儀探測下限低一個(gè)數(shù)量級;GIM204型監(jiān)測儀探測下限比一級報(bào)警閾值低兩個(gè)數(shù)量級，而XH-3120Q2Ⅱ型監(jiān)測儀探測下限比一級報(bào)警閾值低一個(gè)數(shù)量級。表1 儀表參數(shù)性能XH-3120Q2Ⅱ型監(jiān)測儀比GIM204型監(jiān)測儀誤報(bào)率高，初步判斷與GIM204型監(jiān)測儀比XH-
中國核電 2020年1期2020-04-30
- 基于改進(jìn)煙花算法的ELM 分類模型*
隨機(jī)生成可能使誤報(bào)率較大，并導(dǎo)致使用許多無效隱層節(jié)點(diǎn)。因此，為了得到更高的精度和更好的泛化性能，提出了基于改進(jìn)的煙花算法的ELM 分類模型，并通過實(shí)驗(yàn)驗(yàn)證，結(jié)果表明：改進(jìn)煙花算法極限學(xué)習(xí)機(jī)（IFWAELM）具有更高的精度、更好的泛化性能，同時(shí)所需的隱層節(jié)點(diǎn)數(shù)更少。1 極限學(xué)習(xí)機(jī)以上N 個(gè)方程的矩陣形式可寫為式中：H 為隱層輸出矩陣，H 的第i 行表示全部隱層節(jié)點(diǎn)與輸入xi相關(guān)的輸出。ELM 算法對輸入權(quán)值wi和偏置bi的值采取隨機(jī)設(shè)置，在輸入樣本集（xj，
火力與指揮控制 2020年2期2020-04-02
- 基于FP-growth算法的電網(wǎng)運(yùn)行風(fēng)險(xiǎn)分析
分析方法的風(fēng)險(xiǎn)誤報(bào)率，從而評定分析精度更高的風(fēng)險(xiǎn)分析方法。在此次的仿真實(shí)驗(yàn)中，共針對49條線路進(jìn)行3組對比實(shí)驗(yàn)，針對SIEEEVE-118節(jié)點(diǎn)測試系統(tǒng)測得的風(fēng)險(xiǎn)誤報(bào)率，記錄實(shí)驗(yàn)結(jié)果，進(jìn)而判斷兩種風(fēng)險(xiǎn)分析方法對于電網(wǎng)運(yùn)行風(fēng)險(xiǎn)的分析能力。2.2 實(shí)驗(yàn)結(jié)果分析與結(jié)論根據(jù)上述設(shè)計(jì)的仿真實(shí)驗(yàn)步驟，采集3組對比實(shí)驗(yàn)數(shù)據(jù)，將兩種風(fēng)險(xiǎn)分析方法下的風(fēng)險(xiǎn)誤報(bào)率進(jìn)行對比。為更加直觀地表現(xiàn)出兩種風(fēng)險(xiǎn)分析方法在風(fēng)險(xiǎn)誤報(bào)率方面的差異，將兩種風(fēng)險(xiǎn)分析方法下得出的風(fēng)險(xiǎn)誤報(bào)率繪制為曲線圖，
通信電源技術(shù) 2020年21期2020-03-06
- 基于自適應(yīng)動(dòng)態(tài)時(shí)間規(guī)整(DTW)的GA- FCM多階段間歇過程故障診斷
PCA算法T2誤報(bào)率為12.35%，F(xiàn)CM- MKPCA算法T2誤報(bào)率為1.95%，而本文所提方法將T2誤報(bào)率降到了0.9%；MKPCA算法SPE誤報(bào)率為17.15%，F(xiàn)CM- MKPCA算法SPE誤報(bào)率為0.88%，本文所提算法SPE誤報(bào)率為0.13%?？梢娎帽疚乃岱椒▌澐蛛A段后再建立模型會(huì)降低誤報(bào)率。本文還采集了兩種故障數(shù)據(jù)進(jìn)行檢測：故障1 對充氣率引入故障信號，在200 h施加+3%階躍信號，該信號持續(xù)至第300 h，診斷結(jié)果如圖6所示；故障2在
- 一組用于快速人臉檢測的分開Haar特征①
HR)或更小的誤報(bào)率(FAR).圖5 分開的Haar特征3 使用Sep-Haar特征人臉檢測3.1 寬度選擇在為不關(guān)心區(qū)域的寬度添加不同值之后，采用這種方式將獲得相對于傳統(tǒng)Haar特征4倍以上的特征數(shù)量，這將增加學(xué)習(xí)過程中的計(jì)算和時(shí)間開銷. 本文提出為這個(gè)寬度選擇最好的幾個(gè)值(如圖6中的“d”)，基于上圖的思路，在學(xué)習(xí)訓(xùn)練前為訓(xùn)練樣本上增加一個(gè)從負(fù)12度到正12度的旋轉(zhuǎn)過程，讓這個(gè)不關(guān)心區(qū)域覆蓋所有邊的范圍為負(fù)12度到正12度，以達(dá)到檢測旋轉(zhuǎn)臉部和取得選擇
計(jì)算機(jī)系統(tǒng)應(yīng)用 2019年8期2019-08-22
- 基于組合相關(guān)度的隨機(jī)森林DDoS攻擊檢測方法
法仍存在較高的誤報(bào)率、漏報(bào)率，亟待提出有效的檢測方法．針對該問題，本文提出一種基于網(wǎng)絡(luò)流組合相關(guān)度與決策樹參數(shù)優(yōu)化算法的隨機(jī)森林(random forest,RF) DDoS攻擊檢測方法．1 DDoS攻擊流特征提取由于DDoS攻擊通常采用多對一的攻擊模式，網(wǎng)絡(luò)流的源地址與目的地址、源地址與目的端口、目的端口與目的地址均呈現(xiàn)出多對一的關(guān)系，致使攻擊呈現(xiàn)出流非對稱性的特點(diǎn)[9]．在直接或反射DDoS攻擊中，攻擊流會(huì)造成網(wǎng)絡(luò)服務(wù)不正?；虬c瘓，使得攻擊目標(biāo)不能正常
鄭州大學(xué)學(xué)報(bào)（理學(xué)版） 2019年2期2019-04-12
- 基于隨機(jī)化分析的等價(jià)空間故障檢測方法
守型閾值可以使誤報(bào)率為零，從而避免錯(cuò)誤報(bào)警的干擾。但發(fā)生微小故障(如在故障發(fā)生的初期)時(shí)，閾值過強(qiáng)的保守性會(huì)使故障檢測率大大下降。文獻(xiàn)[15]提出基于概率不等式方法的隨機(jī)化算法，能夠應(yīng)用蒙特卡羅模擬對性能指標(biāo)進(jìn)行有效估計(jì)，運(yùn)用此方法可以將檢測系統(tǒng)性能評估問題轉(zhuǎn)化為對一系列隨機(jī)實(shí)驗(yàn)的隨機(jī)化分析問題。文獻(xiàn)[16]分析了應(yīng)用主元分析窗口平滑和指數(shù)加權(quán)方法對檢測微小故障的檢測能力的提升效果，為閾值選取和提升故障檢測率提供了思路。本研究以噪聲和擾動(dòng)統(tǒng)計(jì)特性未知，但有
- 基于滑動(dòng)時(shí)步和預(yù)警閾值的雙參數(shù)地音預(yù)警模型研究
，但也容易提高誤報(bào)率；在DEV0處于較高水平時(shí)，雖然剔除了大量誤報(bào)，但也使得報(bào)準(zhǔn)大大降低。由于報(bào)準(zhǔn)率同時(shí)受n和DEV02個(gè)參數(shù)影響，為了確定影響報(bào)準(zhǔn)率的主控因素，優(yōu)化報(bào)準(zhǔn)率水平，對以上2個(gè)參量進(jìn)行多因素?zé)o重復(fù)方差分析。假設(shè)表2中任意一組(n,DEV0)所對應(yīng)的報(bào)準(zhǔn)率大小為Xij(i，j分別為行、列數(shù))，且服從Xij～N(μij,σ2)正態(tài)分布，各Xij相互獨(dú)立，μij，σ2分別為與正態(tài)分布相關(guān)的參數(shù)。經(jīng)計(jì)算可得其方差分析結(jié)果，如表3所示，n和DEV02個(gè)參
采礦與巖層控制工程學(xué)報(bào) 2019年1期2019-03-29
- Apriori-KNN算法的警報(bào)過濾機(jī)制的入侵檢測系統(tǒng)
必須權(quán)衡考慮低誤報(bào)率與檢測精度之間的關(guān)系.本文提出了利用Apriori-KNN算法的警報(bào)過濾器來降低基于特征的NIDS的警報(bào)誤報(bào)率的過濾方法.主要研究在不犧牲安全性情況下基于特征的NIDS如何實(shí)現(xiàn)降低誤報(bào)率.基于特征的NIDS(如Snort)產(chǎn)生的警報(bào),直接輸出作為警報(bào)過濾器的輸入,利用數(shù)據(jù)挖掘技術(shù)對已經(jīng)輸出的警報(bào)進(jìn)行二次處理[5].利用無攻擊情況下的“正?！本瘓?bào)對基于特征的NIDS的正常警報(bào)模式進(jìn)行建模,利用基于Apriori-KNN算法對警報(bào)進(jìn)行過濾,
小型微型計(jì)算機(jī)系統(tǒng) 2018年12期2019-01-24
- 改進(jìn)CUSUM算法的工控系統(tǒng)入侵檢測方法
檢測出入侵，其誤報(bào)率較低，適用于ICS環(huán)境。1 ICS入侵模型當(dāng)ICS被攻擊時(shí)，被攻擊的傳感器測量信號y′將出現(xiàn)偏差。若y′超過上下限，將檢測到異常，觸發(fā)上下限報(bào)警。若y′仍然在上下限范圍內(nèi)，測量值如下(1)式中：Ka表示被攻擊的時(shí)間序列，ai(k)是被攻擊時(shí)的測量值，其仍在上下限范圍內(nèi)。ICS中被控對象的輸入uk決定了輸出y(k)。給定被控對象的輸入uk，通過下式ICS模型可求得期望輸出(2)式中：x(k)=(x1(k),…,xn(k))為k時(shí)刻系統(tǒng)輸入
計(jì)算機(jī)工程與設(shè)計(jì) 2018年11期2018-11-17
- 一種基于信息熵的傳感器數(shù)據(jù)異常檢測方法
場景，但是存在誤報(bào)率高的問題。針對這些問題，本文將傳感器滑動(dòng)窗口內(nèi)的數(shù)據(jù)值作為離散隨機(jī)變量，定義了數(shù)據(jù)流的信息熵，在此基礎(chǔ)上提出了一種通過計(jì)算滑動(dòng)窗口內(nèi)信息熵進(jìn)而檢測數(shù)據(jù)異常的方法。模擬實(shí)驗(yàn)表明，本文提出的方法能高效地檢測異常，并且有更高的檢測率及更低的誤報(bào)率，符合預(yù)期結(jié)果。信息熵；滑動(dòng)窗口；異常概率；異常檢測；時(shí)間相關(guān)性；統(tǒng)計(jì)特征0 引言傳感器作為系統(tǒng)感知信息和獲取數(shù)據(jù)的重要設(shè)備，在生態(tài)環(huán)境監(jiān)測、工農(nóng)業(yè)生產(chǎn)監(jiān)控乃至國防軍工等領(lǐng)域都有廣泛的應(yīng)用。由于傳感器
軟件 2018年9期2018-10-19
- 基于概率層次分析的緩沖區(qū)溢出檢測工具評估
結(jié)構(gòu)、漏報(bào)率和誤報(bào)率，對五種典型的緩沖區(qū)溢出漏洞檢測工具進(jìn)行了分析，綜合評估了各漏洞檢測工具在緩沖區(qū)溢出漏洞檢測方面的適用性和局限性。1 漏洞檢測工具研究1.1 Cppcheck工具Cppcheck基于規(guī)則檢查，用來靜態(tài)檢測C/C++程序中的漏洞，它只檢查編譯器無法檢測出來的bug[9]。Cppcheck檢查的bug主要有：數(shù)組寫操作是否越過上下邊界、內(nèi)存泄漏檢查、未初始化變量檢查、空指針檢查、安全異常檢查、格式化字符串檢查。Cppcheck僅能檢測出其規(guī)
計(jì)算機(jī)應(yīng)用與軟件 2018年7期2018-07-25
- 一種基于改進(jìn)的關(guān)聯(lián)規(guī)則挖掘算法的Android惡意軟件檢測方法?
進(jìn)行檢測的，它誤報(bào)率低，但是由于它是基于特征碼進(jìn)行檢測的，因此只能檢測出已知的惡意軟件，無法對未知的惡意軟件進(jìn)行檢測?；谛袨榈臋z測方法［3］是通過對比目標(biāo)軟件和已知的惡意軟件的行為來判斷目標(biāo)軟件是否是惡意軟件。本文主要是對基于權(quán)限特征的研究。Zhou Yajin等［4］開發(fā)了一個(gè) Android惡意軟件的檢測系統(tǒng)DroidRanger，在這個(gè)系統(tǒng)中，作者使用了兩種模式來對惡意軟件進(jìn)行檢測，其中一種模式就是基于軟件權(quán)限行為的過濾方法，它們通過總結(jié)不同惡意軟
計(jì)算機(jī)與數(shù)字工程 2018年6期2018-07-10
- 用深度學(xué)習(xí)預(yù)見風(fēng)險(xiǎn)
果，以及更少的誤報(bào)率。眾所周知，機(jī)器學(xué)習(xí)理論事實(shí)上是從數(shù)據(jù)中自動(dòng)分析獲得規(guī)律，并利用規(guī)律對未知數(shù)據(jù)進(jìn)行預(yù)測的一種算法。所以對于算法的設(shè)計(jì)，是其是否能夠發(fā)揮更大價(jià)值的關(guān)鍵——因此，雖然很多的IT產(chǎn)品都聲稱采用了機(jī)器學(xué)習(xí)技術(shù)，但是由于采用的算法不同，其效率和效益往往不具有可比性。實(shí)際上，在現(xiàn)在的IT領(lǐng)域，將各種新興技術(shù)應(yīng)用到各種業(yè)務(wù)場景，已經(jīng)成為IT系統(tǒng)和服務(wù)提供商的“標(biāo)配”。而Sophos此次要證明的是：其自主研發(fā)的、被應(yīng)用到端點(diǎn)保護(hù)方案的“深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)
數(shù)字商業(yè)時(shí)代 2018年4期2018-07-06
- 基于深度學(xué)習(xí)的支持向量機(jī)的信息安全檢測和預(yù)警研究
0%的準(zhǔn)確率和誤報(bào)率對比可知，相同訓(xùn)練集比例情況下，DBN-SVM較DBN和SVM模型具有更高檢測準(zhǔn)確率和更低誤報(bào)率。1 深度置信網(wǎng)絡(luò)Hinton等[5]人于2006年提出深度置信網(wǎng)絡(luò)(Deep Belief Nets，DBN)算法，掀起了深度學(xué)習(xí)研究的熱潮，DBN模型是一種深層混合模型，它由多個(gè)受限玻爾茲曼機(jī)以串聯(lián)的方式堆疊而形成的一種深層網(wǎng)絡(luò)。本文采用無監(jiān)督方式的貪心算法對原始數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，進(jìn)而采用有監(jiān)督方式的SVM算法對整個(gè)網(wǎng)絡(luò)的參數(shù)進(jìn)行微調(diào)，最終
微型電腦應(yīng)用 2018年6期2018-06-22
- 基于粗糙集理論的惡意代碼特征分析
確率、漏報(bào)率、誤報(bào)率評估指標(biāo)的變化；(2)API 特征實(shí)驗(yàn)。 在 API 特征實(shí)驗(yàn)過程中，為 2 000 個(gè) API 分別設(shè)計(jì)了 10 組實(shí)驗(yàn)，梯度是 200 ，觀察準(zhǔn)確率、漏報(bào)率、誤報(bào)率評估指標(biāo)的變化。在機(jī)器學(xué)習(xí)算法的基礎(chǔ)之上，對安卓惡意代碼特征進(jìn)行分析檢測，需要對實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行劃分操作，劃分出測試樣本集合以及訓(xùn)練模型的訓(xùn)練樣本集合。在實(shí)驗(yàn)數(shù)據(jù)集劃分的過程中，對樣本采取均勻抽樣的方法來對樣本進(jìn)行提取，從而構(gòu)成訓(xùn)練數(shù)據(jù)集以及測試數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集樣本數(shù)量是
電子科技 2018年6期2018-06-13
- 基于用戶命令序列的偽裝入侵檢測*
術(shù)的表現(xiàn)都是以誤報(bào)率（False Positive Rate）和命中率（Hit Rate）來衡量的。同一個(gè)算法，伴隨命中率的增加，誤報(bào)率通常也會(huì)增加。一項(xiàng)成功的技術(shù)將具有較高的檢測率（命中率）和較低的誤報(bào)率。本文提出了一種集成機(jī)器學(xué)習(xí)和自然語言處理的方法。使用自然語言處理中的N-Gram方法，選擇合理N值對命令序列進(jìn)行分段，結(jié)合TF-IDF加權(quán)技術(shù)用于特征提取，然后分別使用隨機(jī)森林（Random Forest）分類器和多層感知器（MLP）對每個(gè)用戶根據(jù)其正
通信技術(shù) 2018年5期2018-05-25
- 基于人工蜂群優(yōu)化的密度聚類異常入侵檢測算法
檢測精度高, 誤報(bào)率低, 但不能檢測未知入侵行為; 異常檢測通過建立正常的用戶和系統(tǒng)行為輪廓, 能檢測未知入侵行為, 但誤報(bào)率一般較高. 根據(jù)訓(xùn)練數(shù)據(jù)源的不同, 可以將入侵檢測系統(tǒng)分為有監(jiān)督和無監(jiān)督. 有監(jiān)督方法能夠從標(biāo)記數(shù)據(jù)集中發(fā)現(xiàn)與標(biāo)記示例近似的入侵或正常行為, 如決策樹、 神經(jīng)網(wǎng)絡(luò)、 支持向量機(jī)(SVM)等; 無監(jiān)督方法能夠從無標(biāo)記數(shù)據(jù)集中發(fā)現(xiàn)隱藏的結(jié)構(gòu)性知識(shí), 即不同于正常行為的異常行為, 如聚類方法[2]等.目前針對安卓平臺(tái)的安全性研究成果較多,
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2018年1期2018-01-26
- 一種基于Elman改進(jìn)的網(wǎng)絡(luò)入侵檢測算法
,比如漏檢率、誤報(bào)率、準(zhǔn)確度等,本文重點(diǎn)從準(zhǔn)確度和誤報(bào)率2個(gè)方面評價(jià)算法是否具有較好的檢測效果。入侵檢測的準(zhǔn)確度可以定義為:如果入侵攻擊的樣本總數(shù)為M條,檢測到的入侵攻擊樣本數(shù)為N條,則準(zhǔn)確度用N/M計(jì)算。誤報(bào)率是指將正常的數(shù)據(jù)劃分到了入侵攻擊樣本中,如果正常的網(wǎng)絡(luò)信息流是P,將Q條信息劃分為入侵攻擊樣本,此時(shí)算法的誤報(bào)率就是Q/P。2.3 實(shí)驗(yàn)結(jié)果分析算法實(shí)驗(yàn)在Windows主機(jī)上進(jìn)行,CPU主頻為2.8 GHz,內(nèi)存為4 GB。Elman神經(jīng)網(wǎng)絡(luò)的參數(shù)
- 基于Fisher-FCBF的入侵特征選擇算法的研究
率、預(yù)測時(shí)間、誤報(bào)率等四方面對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行評價(jià)，最終說明所提的算法有效降低了運(yùn)行的時(shí)間。1 特征選擇方法1.1 Fisher分Fisher分是一種基于距離度量的特征選擇方法［4］。其主要思想是按照Fisher準(zhǔn)則計(jì)算特征的比值，并將該比值作為該特征的Fisher分，比值愈大，說明該該特征對分類器越重要，分類的能力越強(qiáng)，在分類時(shí)，可以使得其在類內(nèi)的距離盡量的小，而類間的距離盡量的大[4]。Fisher分在文本處理、圖像識(shí)別等領(lǐng)域有相關(guān)的應(yīng)用，但主要還是應(yīng)用于
現(xiàn)代計(jì)算機(jī) 2017年15期2017-08-10
- PDCA循環(huán)管理在降低CCU心電監(jiān)護(hù)誤報(bào)率中的應(yīng)用及效果
CCU心電監(jiān)護(hù)誤報(bào)率中的應(yīng)用及效果黃雪琴 黃曉暉 許春枝目的 探討PDCA循環(huán)管理在降低心臟重癥監(jiān)護(hù)室(CCU)心電監(jiān)護(hù)誤報(bào)率中的應(yīng)用與效果。方法 413例CCU住院患者, 按照就診時(shí)間將2016年1～5月收治的202例患者設(shè)為對照組, 2016年6～10月收治的211例患者設(shè)為實(shí)驗(yàn)組。對照組采用根據(jù)患者病情給予監(jiān)護(hù)儀參數(shù)設(shè)置, 觀察組在對照組誤報(bào)警分析的基礎(chǔ)上運(yùn)用PDCA循環(huán)管理, 統(tǒng)計(jì)24 h報(bào)警總數(shù)。比較兩組患者心電監(jiān)護(hù)的誤報(bào)率、護(hù)理滿意度。結(jié)果 實(shí)
中國現(xiàn)代藥物應(yīng)用 2017年12期2017-07-18
- 基于多元貝葉斯控制方法的汽車車身質(zhì)量控制優(yōu)化
平均質(zhì)量成本和誤報(bào)率之間的關(guān)系，并認(rèn)為減少生產(chǎn)車間的誤報(bào)率是提高該項(xiàng)目經(jīng)濟(jì)效益的關(guān)鍵因素之一。誤報(bào)率的下降不僅可以減少生產(chǎn)線檢查的次數(shù)，降低生產(chǎn)成本，而且可以降低生產(chǎn)線出現(xiàn)失控狀態(tài)的概率，增加生產(chǎn)過程的穩(wěn)定性。該方法對汽車行業(yè)以及相關(guān)行業(yè)的生產(chǎn)過程質(zhì)量控制具有較強(qiáng)的實(shí)用性?？篒nt. J. Industrial and SystemsEngineering（英）刊期：2014年第1期作者：Jian Liu et al編譯：張?zhí)K鐵
汽車文摘 2016年2期2016-12-09
- 神經(jīng)網(wǎng)絡(luò)技術(shù)在網(wǎng)絡(luò)入侵檢測模型及系統(tǒng)中的應(yīng)用
較低的漏報(bào)率和誤報(bào)率，可以很好地檢測各種網(wǎng)絡(luò)入侵類型，大大提高網(wǎng)絡(luò)的安全性能。關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)； 入侵檢測模型； 網(wǎng)絡(luò)安全； 漏報(bào)率； 誤報(bào)率中圖分類號： TN711?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號： 1004?373X（2015）21?0105?04Application of neural network technology in networkintrusion detection model and systemZHAN Muqing（Jin
現(xiàn)代電子技術(shù) 2015年21期2015-11-09
- 基于雙層聚類算法的電力遠(yuǎn)動(dòng)系統(tǒng)異常檢測
，使用檢測率和誤報(bào)率。檢測率為檢測出的異常數(shù)據(jù)個(gè)數(shù)與異?？倲?shù)的比率，誤報(bào)率為被檢測為異常的正常數(shù)據(jù)個(gè)數(shù)與正常數(shù)據(jù)總數(shù)的比率，本文算法仿真結(jié)果檢測率和誤報(bào)率的ROC圖，如圖1所示：圖1 檢測率和誤報(bào)率的ROC曲線在檢測率大于90%時(shí)，誤報(bào)率隨檢測率的提高大幅升高。從檢測結(jié)果分析可得出，在檢測率大于90%時(shí)，部分正常情況不能在第二層聚類過程中完成合并，從而被鑒定為異常情況，造成了誤報(bào)率的大幅提高。本文算法比較理想的結(jié)果范圍為檢測率在80%~90%，誤報(bào)率在2%
微型電腦應(yīng)用 2015年9期2015-07-25
- 動(dòng)態(tài)人臉識(shí)別系統(tǒng)誤報(bào)警分析與研究
主要有漏報(bào)率和誤報(bào)率，本文主要圍繞降低誤報(bào)率進(jìn)行探討。主要技術(shù)參數(shù)1、漏報(bào)率MP（S）已列入監(jiān)視名單中的測試對象進(jìn)行一次通行測試中，若系統(tǒng)未能報(bào)警或者報(bào)警結(jié)果中不包含該人員在監(jiān)視名單中的正確身份，則記為一次漏報(bào)通行測試。漏報(bào)通行測試總次數(shù)與已列入監(jiān)視名單中的測試對象通行測試總次數(shù)之比即為監(jiān)視名單漏報(bào)率。記已列入監(jiān)視名單中的測試對象通行測試次數(shù)為R，漏報(bào)通行測試次數(shù)為M，則監(jiān)視名單漏報(bào)率MP計(jì)算方法如式（1）所示：2、正確報(bào)警率NP（S）已列入監(jiān)視名單中的測
中國公共安全 2014年9期2014-12-24
- 基于多級CBF的長流識(shí)別
哈希沖突引起的誤報(bào)率，而由于采用抽樣和只對達(dá)到閾值的流進(jìn)行長流信息維護(hù)，又有效的控制了資源損耗。第一節(jié)描述了長流及多級CBF，第二節(jié)描述了具體的長流識(shí)別算法，第三節(jié)對算法進(jìn)行性能分析，第四節(jié)進(jìn)行實(shí)驗(yàn)分析，最后一節(jié)總結(jié)全文。1 長流及多級CBF在網(wǎng)絡(luò)中，流是指具有相同屬性的報(bào)文的集合，屬性一般采用源/宿IP地址、源/目的端口號、協(xié)議類型等。長流是指占據(jù)了大部分的網(wǎng)絡(luò)通信量的流，但這部分流在數(shù)量上卻相對較少。長流也可被定義為包含的報(bào)文數(shù)（字節(jié)數(shù)）超出了某個(gè)預(yù)先
微型電腦應(yīng)用 2014年9期2014-10-20
- 一種自動(dòng)分析CSS的改進(jìn)方法研究
生成的CSS時(shí)誤報(bào)率較高。提出了一種改進(jìn)的CILLA方法，實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的方法能平均降低分析誤報(bào)率20%。層疊樣式表;文檔對象模型;誤報(bào)率1 引言現(xiàn)在Web應(yīng)用開發(fā)已經(jīng)成為一種熱潮，其界面布局，尤其是個(gè)性化動(dòng)態(tài)效果，也獲得了越來越多的關(guān)注。在界面設(shè)計(jì)中，層疊樣式表CSS(Cascading Style Sheets)扮演著十分重要的角色。它是一種通過定義HTML頁面元素的位置、布局、顏色及字體來控制Web應(yīng)用外觀的代碼[1]。然而，編寫CSS代碼并不
計(jì)算機(jī)工程與科學(xué) 2014年3期2014-09-15
- 前向碰撞預(yù)警系統(tǒng)零誤報(bào)率需求的平衡
碰撞預(yù)警系統(tǒng)零誤報(bào)率需求的平衡車輛通信網(wǎng)絡(luò)之間協(xié)同合作的好處是可以通過安全應(yīng)用程序提高交通安全，但通過通信來支持安全應(yīng)用程序的這一方法是否可行尚不清楚，其主要原因是缺乏對應(yīng)用程序需求的清晰定義。因此，研究了在哪種情況下車輛通信可以支持安全應(yīng)用程序，并以前向碰撞預(yù)警系統(tǒng)為例定義了安全應(yīng)用程序的需求。首先，以應(yīng)用前景以及獲得零正向誤報(bào)率和零負(fù)向誤報(bào)率為約束條件進(jìn)行定義。正向誤報(bào)指的是沒有碰撞危險(xiǎn)但系統(tǒng)卻發(fā)生預(yù)警，這是人們所不希望的，因?yàn)殡S著誤報(bào)次數(shù)的增加，駕駛
汽車文摘 2014年3期2014-02-03
- 基于數(shù)據(jù)預(yù)處理的DDoS攻擊檢測方法研究*
檢測率和較低的誤報(bào)率，但是因其以hour或day為統(tǒng)計(jì)單位而不具備實(shí)時(shí)檢測的能力。相比之下小尺度網(wǎng)絡(luò)模型更適合于實(shí)時(shí)檢測，但因其表現(xiàn)出多分形性[4]而難以觀測。參考文獻(xiàn)[5]提出的Holder指數(shù)檢測法雖然檢測延時(shí)短，但是受到短相關(guān)性質(zhì)對網(wǎng)絡(luò)流量整體觀測能力不足的影響，誤報(bào)率過高。針對這一問題，參考文獻(xiàn)[6]提出了一種基于傳統(tǒng)Hurst指數(shù)和Holder指數(shù)的分形檢測法，通過判斷網(wǎng)絡(luò)流量的實(shí)時(shí)分形特性,分別采用兩種不同方法進(jìn)行檢測，雖然提高了分形模型中長相
電子技術(shù)應(yīng)用 2013年1期2013-08-13
- 基于矩陣邊采樣的IP追蹤
過高和重構(gòu)路徑誤報(bào)率過高等問題［5］.動(dòng)態(tài)概率包標(biāo)記 (dynamic probabilistic packet marking，DPPM)方案［7］采用自適應(yīng)概率對數(shù)據(jù)包進(jìn)行標(biāo)記，使受害終端接收到攻擊路徑上的每個(gè)采樣邊的概率相等，從而不存在最弱鏈和難收斂問題，且重構(gòu)路徑時(shí)所需數(shù)據(jù)包數(shù)較少.然而，DPPM仍存在重構(gòu)路徑算法復(fù)雜度過高和重構(gòu)路徑誤報(bào)率過多等問題［7］.PPM算法的邊采樣是通過增加1個(gè)32 bit哈希然后分片，再由相鄰路由器之間的異或來實(shí)現(xiàn)的.
深圳大學(xué)學(xué)報(bào)（理工版） 2012年5期2012-11-26
- 使用殺毒軟件ＥＳＥＴ?。危希模常驳娜齻€(gè)理由
的同時(shí)保持極低誤報(bào)率站在消費(fèi)者的角度，總是希望一款殺毒軟件的查殺率越高越好。來自用戶的任何要求當(dāng)然都是無可厚非的。但是用戶的觀點(diǎn)和專業(yè)技術(shù)的觀點(diǎn)往往不同，用戶希望查殺率越高越好的心情固然值得理解。但是站在專業(yè)技術(shù)的角度，為了達(dá)到最大查殺率這個(gè)目的而采取很多“投機(jī)取巧”的辦法是不可取的。因此，一個(gè)科學(xué)的評測不但應(yīng)該檢測查殺率，還要考慮一款殺毒軟件的誤報(bào)率。就像我們平時(shí)選購物品總要權(quán)衡一下它的“性價(jià)比”，這就是說價(jià)格絕對低和功能絕對好都不難實(shí)現(xiàn)，難在功能滿足用
網(wǎng)絡(luò)與信息 2009年3期2009-05-21