-
题名自由边界问题的自适应Uzawa块松弛算法
被引量：6
- 1
-
-
作者
郭楠馨
张守贵
-
机构
重庆师范大学数学科学学院
-
出处
《应用数学和力学》
CSCD
北大核心
2019年第6期682-693,共12页
-
基金
国家自然科学基金(面上项目)(11471063)
重庆市基础科学与前沿技术研究项目(cstc2017jcyjAX0316)~~
-
文摘
利用增广Lagrange乘子法和自适应法则,得到求解单侧障碍自由边界问题的自适应Uzawa块松弛法.单侧障碍自由边界问题离散为有限维线性互补问题,等价于一个用辅助变量和增广Lagrange函数表示的鞍点问题.采用Uzawa块松弛算法求解该问题得到一个两步迭代法,主要的子问题为一个线性问题,同时能显式求解辅助变量.由于Uzawa块松弛算法的收敛速度显著依赖于罚参数,而且对具体问题很难选择合适的罚参数.为提高算法的性能,提出了自适应法则,该方法自动调整每次迭代所需的罚参数.数值结果验证了该算法的理论分析.
-
关键词
自由边界
互补问题
Uzawa块松弛算法
增广LAGRANGE函数
自适应法则
-
Keywords
free boundary
linear complementarity
Uzawa block relaxation algorithm
augmented Lagrangian function
self-adaptive rule
-
分类号
O221.6
[理学—运筹学与控制论]
-
-
题名基于元学习的僵尸网络检测研究
- 2
-
-
作者
郭楠馨
林宏刚
张运理
陈麟
-
机构
成都信息工程大学网络空间安全学院
成都信息工程大学先进密码技术与系统安全四川省重点实验室
网络空间安全态势感知与评估安徽省重点实验室
-
出处
《成都信息工程大学学报》
2022年第6期615-621,共7页
-
基金
网络空间安全态势感知与评估安徽省重点实验室开放课题资助项目(CSSAE-2021-002)
-
文摘
针对现实网络中僵尸网络流量占比远小于正常网络流量,新出现的僵尸网络类型缺乏标记样本,以及传统深度学习依赖大量标记数据的问题,提出了基于元学习的僵尸网络检测模型,用于小样本场景下的僵尸网络检测。该模型分为特征提取模块和比较模块两个部分,都由CNN实现。特征提取模块从一对网络流量中学习流量特征,包含正常流量和僵尸网络流量,并引入非局部注意力机制,用来捕获长距离依赖关系,提高模型的准确率;比较模块用于获取这对网络流量特征图的相似度得分,进而判断两者是否为同一类型的样本。通过学习一定数量的小样本僵尸网络检测任务,使模型获得足够的先验知识,以便能通过极少量的标记样本实现对未知僵尸网络类型的检测。实验结果表明,1-shot设定下的小样本僵尸网络检测平均准确率达到96.79%,5-shot设定下的小样本僵尸网络检测平均准确率达到98.06%,验证了模型的有效性。
-
关键词
僵尸网络
深度学习
元学习
小样本
注意力机制
CNN
-
Keywords
botnet
deep learning
meta-learning
few-shot
attention mechanism
CNN
-
分类号
TP393.08
[自动化与计算机技术—计算机应用技术]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于图神经网络的P2P僵尸网络检测方法
被引量：7
- 3
-
-
作者
林宏刚
张运理
郭楠馨
陈麟
-
机构
成都信息工程大学网络空间安全学院
先进密码技术与系统安全四川省重点实验室
网络空间安全态势感知与评估安徽省重点实验室
-
出处
《工程科学与技术》
EI
CSCD
北大核心
2022年第2期65-72,共8页
-
基金
网络空间安全态势感知与评估安徽省重点实验室开放课题(CSSAE–2021–002)
国家242信息安全计划项目(2021–037)。
-
文摘
P2P僵尸网络因具有较高的隐蔽性和健壮性,已经成为新型的网络攻击平台,对网络空间安全造成的威胁越来越大,但现有基于规则分析或流量分析的检测方法不能有效检测。为了解决P2P僵尸网络隐蔽性强、难以识别等问题,提出了一种基于图神经网络(graph neural network,GNN)的P2P僵尸网络检测方法。该方法不依赖流量协议特征,而是基于P2P僵尸网络节点交互特征及网络拓扑结构信息实现检测。首先,该方法先提取P2P僵尸网络流量中的源IP、目的IP、出度、入度和节点介数中心性,构建成拓扑图、出入度图和介数中心性图;其次,通过元素积对3种特征图的邻接矩阵加权求和进行图融合,得到检测模型的输入;然后,利用基于注意力机制的图卷积神经网络提取节点间特征,使用神经协同过滤算法实现中心节点注意力概率分配,完成节点状态更新;最后,利用多层图卷积层之间的紧密连通性实现对交互特征的降维抽取和对高阶结构信息的挖掘,自动学习僵尸网络的内在特征,并通过节点分类模块判别分类,完成僵尸网络检测。使用ISCX–2014僵尸网络数据集对该方法进行对比验证,实验结果表明,在训练样本包含僵尸网络节点规模较大时本文提出的深层图神经网络方法的检测准确率和模型稳定性优于其他两类对比方法,所提方法能有效提高P2P僵尸网络检测能力和泛化能力,降低误报率。
-
关键词
P2P僵尸网络
深度学习
图卷积神经网络
图融合
注意力机制
-
Keywords
P2P botnet
deep learning
graph convolution neural networks
graph fusion
attention mechanism
-
分类号
TP309.5
[自动化与计算机技术—计算机系统结构]
-
