跨站脚本(XSS)攻击是最严重的网络攻击之一.传统的XSS检测方法主要从漏洞本身入手,多依赖于静态分析和动态分析,在多样化的攻击载荷(payload)面前显得力不从心.为此提出一种基于贝叶斯网络的XSS攻击检测方法,通过领域知识获取该网络中的节点.利用领域知识构建的本体为贝叶斯网络的构建提供良好的特征选择基础,并从中提取了17个特征,同时从公开渠道搜集的恶意IP和恶意域名为该模型及时检测新型攻击补充有力规则.为验证所提方法的有效性,在实际收集的XSS攻击数据集上进行实验,结果表明,在面对多样化的攻击时,该方法可以保持90%以上的检测准确率.

受推荐系统在电子商务领域重大经济利益的驱动,恶意用户以非法牟利为目的实施托攻击,操纵改变推荐结果,使推荐系统面临严峻的信息安全威胁,如何识别和检测托攻击成为保障推荐系统信息安全的关键。传统支持向量机(SVM)方法同时受到小样本和数据不均衡两个问题的制约。为此,提出一种半监督SVM和非对称集成策略相结合的托攻击检测方法。首先训练初始SVM,然后引入K最近邻法优化分类面附近样本的标记质量,利用标记数据和未标记数据的混合样本集减少对标记数据的需求。最后,设计一种非对称加权集成策略,重点关注攻击样本的分类准确率,降低集成分类器对数据不均衡的敏感性。实验结果表明,本文方法有效地解决了小样本问题和数据不均衡分布问题,获得了较好的检测效果。

在无线传感网络中,现有的节点复制攻击检测方法存在检测率低、通信消耗高、存储消耗高等问题。该文提出一种基于单证人节点的分布式节点复制攻击检测(singlewitness-based distributed detection,SWDD)方法。SWDD方法分为选择证人节点、生成声明信息、发送声明信息、验证证人节点和检测复制节点5个步骤。SWDD方法中引入单证人节点选择机制,采用随机数作为位置声明信息,利用多重映射机制进行证人节点验证,并由最终证人节点完成对复制节点的检测。在OMNeT++平台上进行仿真实验,结

针对多电飞行器在复杂运行模式下故障检测的精确性与实时性问题，开发了基于贝叶斯优化ResNet-BiLSTM模型的故障检测技术。首先设计以残差网络为核心的多层次特征提取模块，实现故障特征的多层次表达，以提升故障检测的实时性；接着构建以双向长短期记忆网络为核心的多尺度特征提取模块，获取长期依赖的故障特征信息，以提升故障检测的准确性；进而提出基于贝叶斯优化的超参数寻优方法，进一步提升故障特征的学习效果；最后，设计多电飞行器故障检测实验方案，并开展不同故障模式下的性能分析。结果表明，所提方法可有效实现多种故障模式下的故障诊断，并且检测准确率和实时性均优于现有方法，有助于提升多电飞行器故障检测性能，为飞行安全提供有力的技术保障。

本文研究分位数回归的组变量选择问题。基于分位数回归和贝叶斯统计推断方法,通过引入系数的组“spike and slab”先验分布,提出了分位数回归的贝叶斯组变量选择方法,并给出易于实施的Gibbs后验抽样算法。进一步,本文还将所建立的贝叶斯组变量选择方法应用到变点检测中,变点的数量和位置的探测准确率较高。数值模拟和两个实例分析验证了所提方法的有效性。

基本农田划定是落实耕地保护、保证粮食安全的关键问题。目前，基本农田划定的相关研究多基于对耕地适宜性条件的评价，而未涉及对耕地历史变化过程的考虑，因而不能保证划定结果适应实际区域的耕地变化趋势，导致基本农田易被占用，补划与调整频繁。论文综合考虑耕地适宜性条件与历史动态变化状况，提出了一种基于贝叶斯网络模型的基本农田划定方法。以湖北省大冶市这一典型资源型城市为实验区进行了实例研究，划定结果表明，该划定方法能在保证基本农田划定数量与质量的同时，提高其农业用途的稳定性，促进基本农田保护与经济建设、生态保护间协调发展，是一种有效的划定模型。

提出了采用基于贝叶斯网络推理技术的高校教师绩效评价方法。该方法以现有的绩效评价指标体系为基础,结合贝叶斯网络中多层隐类模型的构建原理,将评价指标体系中的各项指标转化为贝叶斯网络中的结点,并根据各级评价指标之间的逻辑关系将其转化为贝叶斯网络中的联接强度,可得到用于教师绩效评价的贝叶斯网络;将各项指标的评价分值作为证据输入到贝叶斯网络中,便能以概率形式评定参评教师的绩效水平。最后分析了教师绩效评价贝叶斯网络的四种典型应用模式。

在分析VDT作业中引起疲劳的各种影响因素时,提出利用贝叶斯网络分析疲劳的方法,建立疲劳先验贝叶斯网络,通过实证研究建立后验贝叶斯网络,利用Netica软件对后验贝叶斯网络模型进行数据分析解释及推理,以期找到影响疲劳的关键因素。

提出运用贝叶斯网络与总体拥有成本(TCO)结合的方法,建立工厂选址决策模型。旨在更有效的表述不确定性数据和模棱两可的信息,起到改进决策质量的作用。首先对贝叶斯网络的基础知识进行介绍,进而阐述了基于贝叶斯网络的工厂选址模型的实施步骤,在分析和评价与选址有关的成本时,将成本要素层细分为不同的因素层和准则层,同时考虑有形和无形的选址决策准则,将决策问题分解成许多易于理解和处理的子部分。最后,实例验证选址模型的可行性和有效性。

儿茶素和咖啡碱是茶叶品质的重要评价指标,为了探索深度卷积神经网络(CNN)结合可见近红外光谱(Vis/NIR)用于茶叶儿茶素和咖啡碱无损快速检测的可行性,本研究通过高效液相色谱来测定茶叶中的儿茶素和咖啡碱含量,并与样本的光谱信息建立对应关系;采用回归分析和CNN建模构建了光谱与茶叶内含物的定量关系;采用竞争自适应重加权采样(CARS)和连续投影算法(SPA)选择特征波长,用于开发基于这些特征波长的简单模型。结果表明:4种儿茶素和咖啡碱含量从第1叶位到第6叶位呈现出逐渐降低的趋势;提取特征波长不仅减少了光谱变量数,还获得了比全谱更优或接近的模型性能;CNN在回归分析和特征提取中均表现出良好的性能,预测儿茶素和咖啡碱最优模型的决定系数(R~2)和残余预测偏差(RPD)分别达到了0.93和3.28以上。因此,卷积神经网络结合可见近红外光谱可以对儿茶素和咖啡碱的含量进行快速无损检测。

根据分布式网络的特点及现有网络节点信任模型的不足,提出了基于攻击传播性的分布式网络信任模型。根据恶意节点攻击行为及其攻击传播性的特点,给出了在攻击具有传播性条件下的信任度更新计算方法,结合直接信任度和间接信任度计算出总体信任度,最后给出模型的计算协议及仿真实验。实验结果表明,该模型更逼近真实网络运行情况,并有效地避免恶意节点的攻击,提高文件成功传输的比率。该模型对于分布式网络环境下提高网络节点信任度评价的准确性,建立可信网络传输路径具有重要意义。

虫洞攻击破坏路由操作、影响节点定位,对整个无线传感器网络(WSNs)的安全性造成极大的威胁.针对这种情况,提出了基于网格的虫洞攻击抵御策略(DEAD).通过附加的网格属性,借助特定网格内节点的信息交换来检测网络中的虫洞攻击,包括具有伪造篡改能力的特殊虫洞攻击,从而大大减少了虫洞攻击造成的危害.仿真实验表明,该策略能够在网络受到攻击时,有效地检测出恶意节点.

根据分布式网络的特点及现有网络节点信任模型的不足,提出了基于攻击传播性的分布式网络信任模型。根据恶意节点攻击行为及其攻击传播性的特点,给出了在攻击具有传播性条件下的信任度更新计算方法,结合直接信任度和间接信任度计算出总体信任度,最后给出模型的计算协议及仿真实验。实验结果表明,该模型更逼近真实网络运行情况,并有效地避免恶意节点的攻击,提高文件成功传输的比率。该模型对于分布式网络环境下提高网络节点信任度评价的准确性,建立可信网络传输路径具有重要意义。

[目的]提出了一种YOLON目标检测网络,为油茶果采收装置夜间非结构化环境下果实目标的精准识别提供技术支持。[方法]在改进YOLOv3的基础上建立YOLON目标检测网络,先在图像输入端添加照度调整模块(LA)对输入图像的照度进行自适应调整,以加强前景图像特征的显著程度,利用特征提取网络对输入图像进行多次卷积以得到对应的特征图;然后在特征融合层添加夜间隐性知识模块(NPK),以先验信息的形式辅助网络预测,提高夜间果实目标的识别准确性;最后对网络特征图进行解码处理得到对应的目标检测框,从而完成对夜间油茶果实目标的检测。为验证所提出网络的有效性,采用准确率(P)、召回率(R)、平均精度均值(mAP)和综合评价指标(F1)对YOLON及对比网络YOLOv3、YOLOv4、YOLOv5s的检测效果进行定量评价。[结果]用YOLON和各对比网络在夜间油茶果数据集上进行训练和测试,YOLON网络的P、R、mAP、F1分别为94.00%,83.63%,94.37%和89.00%,mAP分别较YOLOv3、YOLOv4、YOLOv5s提高2.32%,4.93%和2.33%;对不同果实数量油茶果图像进行测试,YOLON在单果、双果和多果测试数据集上均有较好表现,其对这3类果实目标检测的mAP为98.34%,分别较YOLOv3、YOLOv4、YOLOv5s提高2.17%,8.99%和4.35%;对整树小尺寸油茶果实的检测效果,YOLON的mAP可达93.56%,分别较YOLOv3、YOLOv4、YOLO75s高1.24%,8.66%和5.57%;在对整树油茶果实图像进行检测时,YOLON的平均置信度为0.69,分别较YOLOv3、YOLOv4、YOLOv5s高0.09,0.22和0.14;此外,用YOLON对夜间采集的处于重叠、遮挡、复杂背景等多态耦合下的油茶果实图像进行检测,也均具有较高的检测置信度。[结论]YOLON可以满足油茶果采收机器人果实定位精度的要求,将其应用于油茶果夜间图像的检测是可行的。

基于图像分析的水电站坝面缺陷判别是一种高效、精准的方法,然而大坝裂缝图像存在背景复杂以及裂缝和背景像素比例不均衡等问题,导致传统算法的检测效果差。该文提出一种基于改进的DeepLabV3+网络模型的坝面裂缝检测方法。该方法利用三线注意力模块(three line attention module,TLAM)提高模型对裂缝像素的提取能力;采用空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)模块进行级联优化,实现更密集的像素采样,获取更丰富的裂缝特征;将MobileNetV2作为特征提取主干网络,可实现网络轻量化并减少模型参数;将焦点损失(focal loss,FL)和Dice损失(dice loss,DL)作为模型的损失函数,可克服数据不平衡的困难。对西南某水电站的坝面裂缝数据集进行模型有效性和对比实验,结果表明:该方法中用来评价模型精度的F_(1,score)、平均交并比(mean intersection over union,MIoU)和平均像素精度(mean pixel accuracy,MPA)的值分别达到73.98%、66.73%和73.81%,比改进前的DeepLabV3+网络检测效果分别提高了3.33%、2.89%和1.12%,该方法可为坝面维护以及未来风险评估提供技术支撑。