针对深度学习方法运用于入侵检测时需要大量标注数据集和难以实时检测的缺陷,利用网络流量中正常数据多于异常数据的一般规律,提出一种结合集成K-means聚类和自编码器的EKM-AE(ensemble K-means and autoencoder)入侵检测方法.首先通过...针对深度学习方法运用于入侵检测时需要大量标注数据集和难以实时检测的缺陷,利用网络流量中正常数据多于异常数据的一般规律,提出一种结合集成K-means聚类和自编码器的EKM-AE(ensemble K-means and autoencoder)入侵检测方法.首先通过集成K-means聚类从实时抓取的网络流量中得出正常样例,用于训练自编码器,然后由完成训练的自编码器执行入侵检测.在虚拟局域网主机环境下进行了入侵检测实验,结果表明,在绝大多数实际应用场景(正常流量多于异常流量)下该方法具有良好的检测性能,且具有全过程无监督、可实时在线检测的优点,对主机网络安全有良好的提升作用.展开更多
为探究天气和道路等特征,以及交通流、天气、道路及时间等多维动态特征之间的交互作用对实时事故风险预测模型精度的影响,本文基于京哈高速公路北京段的事故数据,以及匹配的交通传感器数据、天气数据和道路特征等,构建4个数据集,分别为...为探究天气和道路等特征,以及交通流、天气、道路及时间等多维动态特征之间的交互作用对实时事故风险预测模型精度的影响,本文基于京哈高速公路北京段的事故数据,以及匹配的交通传感器数据、天气数据和道路特征等,构建4个数据集,分别为只包含交通流变量,包含交通流变量、天气及时间特征变量,包含交通流变量、道路及时间特征变量,包含交通流变量、天气、道路及时间特征变量。从考虑多维动态特征的交互效应出发,基于深度交叉网络,提出一种新的实时事故风险预测模型。结果显示,本文所构建的深度交叉网络模型比其他几种实时事故风险预测方法显示出更高的精度。模型的AUC值(Area Under Curve)可达0.8562,在0.2的概率阈值下,可以正确分类84.26%的非事故数据和77.55%事故数据。结论表明,本文采用的多维动态特征交互样本条件下的深度交叉网络模型能够有效地预测高速公路交通事故,可为我国高速公路安全管理部门提供理论与技术支持。展开更多
为充分挖掘供给侧发电机和需求侧柔性负荷的联合优化调度空间，实现分布式自律计算与集中协调的互动框架，满足供需互动快速决策的需求，最大化系统的整体效益，搭建了基于stackelberg博弈的电力系统实时供需互动模型，并提出了一种全...为充分挖掘供给侧发电机和需求侧柔性负荷的联合优化调度空间，实现分布式自律计算与集中协调的互动框架，满足供需互动快速决策的需求，最大化系统的整体效益，搭建了基于stackelberg博弈的电力系统实时供需互动模型，并提出了一种全新的深度迁移强化学习（deep transfer reinforcement leaming，DTRL）算法。该算法通过对历史优化任务的有效信息进行知识存储，利用深度学习实现高精度的非线性迁移学习，并借助分布式计算优势，可快速获得高质量的最优解。算例仿真表明：DTRL在保证最优解质量的同时，其求解速度可达其他6种对比算法的419倍以上，适合求解大规模电力系统的供需互动快速决策问题。展开更多
文摘针对深度学习方法运用于入侵检测时需要大量标注数据集和难以实时检测的缺陷,利用网络流量中正常数据多于异常数据的一般规律,提出一种结合集成K-means聚类和自编码器的EKM-AE(ensemble K-means and autoencoder)入侵检测方法.首先通过集成K-means聚类从实时抓取的网络流量中得出正常样例,用于训练自编码器,然后由完成训练的自编码器执行入侵检测.在虚拟局域网主机环境下进行了入侵检测实验,结果表明,在绝大多数实际应用场景(正常流量多于异常流量)下该方法具有良好的检测性能,且具有全过程无监督、可实时在线检测的优点,对主机网络安全有良好的提升作用.
文摘为探究天气和道路等特征,以及交通流、天气、道路及时间等多维动态特征之间的交互作用对实时事故风险预测模型精度的影响,本文基于京哈高速公路北京段的事故数据,以及匹配的交通传感器数据、天气数据和道路特征等,构建4个数据集,分别为只包含交通流变量,包含交通流变量、天气及时间特征变量,包含交通流变量、道路及时间特征变量,包含交通流变量、天气、道路及时间特征变量。从考虑多维动态特征的交互效应出发,基于深度交叉网络,提出一种新的实时事故风险预测模型。结果显示,本文所构建的深度交叉网络模型比其他几种实时事故风险预测方法显示出更高的精度。模型的AUC值(Area Under Curve)可达0.8562,在0.2的概率阈值下,可以正确分类84.26%的非事故数据和77.55%事故数据。结论表明,本文采用的多维动态特征交互样本条件下的深度交叉网络模型能够有效地预测高速公路交通事故,可为我国高速公路安全管理部门提供理论与技术支持。
文摘为充分挖掘供给侧发电机和需求侧柔性负荷的联合优化调度空间，实现分布式自律计算与集中协调的互动框架，满足供需互动快速决策的需求，最大化系统的整体效益，搭建了基于stackelberg博弈的电力系统实时供需互动模型，并提出了一种全新的深度迁移强化学习（deep transfer reinforcement leaming，DTRL）算法。该算法通过对历史优化任务的有效信息进行知识存储，利用深度学习实现高精度的非线性迁移学习，并借助分布式计算优势，可快速获得高质量的最优解。算例仿真表明：DTRL在保证最优解质量的同时，其求解速度可达其他6种对比算法的419倍以上，适合求解大规模电力系统的供需互动快速决策问题。
