深度学习算法的船舶通信网络非法入侵行为识别研究

非法入侵严重影响船舶通信网络安全运行,船舶通信网络非法入侵行为具有很强的变异行为,导致当前船舶通信网络非法入侵行为的识别效果差。为了对各种船舶通信网络非法入侵行为进行准确性识别,提出深度学习算法的船舶通信网络非法入侵行为识别技术。该技术将船舶通信网络非法入侵行为识别看作是一个模式分类问题,将非法入侵行为划分多种类型,然后提取各种船舶通信网络非法入侵行为的变化特征,采用深度学习算法对变化特征和船舶通信网络非法入侵行为类型之间的联系进行分析,以区别各种船舶通信网络非法入侵行为,最后选择有代表性的船舶通信网络非法入侵行为进行了性能测试。结果表明,深度学习算法的船舶通信网络非法入侵行为识别率高于95%,非法入侵行为识别时间控制在2 s以内,可以满足现代船舶通信网络通信安全的需要。     

基于数据驱动的舰船通信网络异常行为检测方法

为了提高对舰船通信网络异常识别能力,提出基于数据驱动的舰船通信网络异常行为检测方法。采用最短路径和最大覆盖范围寻优方法构建舰船通信网络的节点覆盖模型,通过最小间隔均衡技术对舰船通信网络的信道均衡控制,提取舰船通信网络的信道传输信息特征。对舰船通信网络的行为特征参数分析,结合谱分量融合和融合聚类处理方法,实现对舰船网络异常行为的数据驱动控制。根据数据驱动的图模型参数识别和异常谱特征聚类分析,实现对舰船通信网络异常行为检测。测试结果表明,该方法能够进行舰船通信网络异常行为检测处理,提高信道均衡性能     

基于并行深度卷积神经网络的舰船通信异常数据检测研究

为了提高通信异常数据检测效果,设计基于并行深度卷积神经网络算法的大规模舰船通信异常数据检测方法。采集大规模舰船通信数据,采用小波变换对数据实施降噪处理,将降噪后数据输入并行深度卷积神经网络中,经过模型训练提取特征,利用Softmax分类函数得出舰船通信异常数据特征,输出舰船通信异常数据检测结果。实验结果表明：该方法可有效实现大规模舰船通信异常数据检测,其加速比最高,并行效果最优;具有较强的大规模舰船通信数据集检测能力,提高大规模舰船通信异常数据检测效果。     

基于特征优化和机器学习算法的舰船网络非法入侵行为识别

舰船网络非法入侵行为识别受到识别算法的影响,使得误检率较高。因此,提出特征优化和机器学习算法的舰船网络非法入侵行为识别方法设计。采用自适应遗传算法,完成舰船网络数据特征优化处理,有效提升了识别效率。以SVM算法为核心设计行为分类算法,完成舰船网络数据的分类。最后,通过构建网络非法入侵行为识别模型,实现非法入侵行为的准确识别。实验结果表明:从单一类型非法入侵行为识别结果分析,本文方法的平均误检率相比传统方法降低了4.8%,8.69%;从多种类型非法入侵行为识别结果分析,本文方法将平均误检率分别降低了10.02%、10.74%。     

船舶无线网络通信过程差错数据智能检测方法

现有的异常数据检测方法无法适应船舶无线网络通信环境,存在漏检率高的问题,为此提出通信网络差错数据智能检测方法。根据舰船无线网络通信的特点,选取通信数据差错特征。利用数据采集设备,获取船舶无线网络通信过程数据。通过计算数据集的离散度与设置置信区间2个步骤,实现对通信过程差错数据的识别。以识别结果为基础,分别从数据长度、格式和内容3个角度,实现对通信差错数据的智能检测。为了验证设计的智能检测方法的检错能力设计性能对比实验,结果表明,与传统差错数据检测方法相比,设计的智能检测方法的漏检率降低了30.1%,且通过该方法的检测与控制提高了无线网络通信的稳定性。     

无线局域网的舰船异常数据通信识别系统设计

受到局域网异常数据掺杂噪声的影响,传统无线局域网异常通信识别系统,无法有效识别噪声干扰下的异常通信数据特征,影响系统对故障点的分析计算,降低系统识别灵敏度。针对此问题,提出无线局域网的舰船异常数据通信识别系统设计。首先,优化无线局域网异常数据识别硬件,建立信号数据分离交互框架,为软件算法的噪声分离提供计算平台;接着,引入异常数据特征噪声分离算法,滤除异常数据特征量中的噪声;然后,优化网络识别器,提升对异常数据特征的感知系数,提升识别灵敏度。最后,通过与传统异常数据识别系统的对比实验,证明设计系统的有效性。     

舰船网络异常通信行为识别研究

舰船网络异常通信行为变化不仅具有规律性,同时具有随机性,当前方法无法挖掘舰船网络异常通信行为的复杂变化特点,使得舰船网络异常通信行为识别实时性和准确性差。为了获得更优的舰船网络异常通信行为识别结果,提出神经网络算法的舰船网络异常通信行为识别模型。首先描述舰船网络异常通信行为识别原理,然后将舰船网络异常通信行为识别看作问题,引入神经网络算法对其进行建模,在舰船网络异常通信行为识别建模过程中,引入粒子群算法解决神经网络参数确定的难题,最后进行舰船网络异常通信行为识别测试实验。结果表明,神经网络算法获得了准确性较高的舰船网络异常通信行为识别结果,而且由于神经网络收敛快,使得舰船网络异常通信行为识别实时性好,具有良好的推广应用价值。     

舰船通信网络感知层异常入侵行为集成识别方法

为了缩短异常入侵行为集成识别的时间,提高舰船通信网络感知层异常入侵行为的识别能力,提出了舰船通信网络感知层异常入侵行为集成识别方法。采取短时过零率与短时能量相结合的方式,得到了舰船通信网络感知层异常入侵行为特征的提取流程,完成了舰船通信网络感知层异常入侵行为的特征提取;又结合异常入侵行为集成识别流程的设计,实现了舰船通信网络感知层的异常入侵行为集成识别。对比实验结果证明,提出的异常入侵行为识别方法与基于数据挖掘的识别方法相比,异常入侵行为的识别能力提高了56.8%。     

基于K-means聚类的舰船通信网络异常数据检测

为了解决海上通信环境中的干扰和传输问题,提升舰船通信网络通信质量和可靠性,提出基于Kmeans聚类的舰船通信网络异常数据检测方法。构建舰船通信网络通信多径信道模型,利用该模型获取舰船通信网络数据。使用基于超窄带滤波的舰船通信网络数据滤波处理方法去除舰船通信网络数据内的干扰噪声,将无噪声的舰船通信网络数据作为输入,使用K-means聚类算法输出舰船通信网络异常数据检测结果。结果表明,该方法采集舰船通信网络数据较为准确,并可有效去除数据内含有的干扰噪声,降低舰船通信网络数据幅值区间,同时可用聚类方式准确检测舰船通信网络异常数据,应用效果较为显著。     

舰船编队通信网络混合数据智能调度方法

为避免舰船编队通信网络在数据传输时出现网络堵塞和冲突,提高数据传输速率,研究舰船编队通信网络混合数据智能调度方法。分析舰船编队通信网络结构,根据舰船通信网络状态,构建混合数据智能调度优化目标函数,基于深度学习网络的优化方法,获取最佳混合数据智能调度方案。经实验验证可知,该方法可有效降低混合数据传输时延与路由开销,提高分组投递率,避免通信网络发生堵塞现象。     

舰船通信网络的数据状态识别方法

传统数据状态识别方法降噪效果不佳,导致离散点匹配出错,影响数据状态识别效果,因此提出全新的舰船通信网络的数据状态识别方法。通过转换噪声信号的时域和频域特征,处理通信网络空间噪声;利用离群点检测模型,匹配网络通信数据;获取识别任务关键因素,识别舰船通信网络的数据状态。实验结果:与传统方法相比,所提出方法的离散点匹配结果更准确,同时该方法可以正确识别出通信网络中的数据状态。     

船用SDN传输网非法入侵行为的识别研究

由于非法入侵行为产生的数据较多,传统方法受到数据冗余性较高的影响,导致识别准确性较低,为此设计一个船用SDN传输网非法入侵行为的识别方法。首先对传输网中的数据进行降维,然后对网络中的冗余数据去除,寻找数据之间的频繁项集,并对数据之间的关联规则生成,以对数据关联性计算。最后采用粗糙集算法对异常行为识别,主要通过奇异值计算与阈值比较实现。实验以识别准确率与识别时间作为对比对象,结果表明所研究的识别方法有效提高了识别的准确率,并减少了识别时间,实际应用意义较强。     

基于小波包分析和深度学习的舰船辐射噪声识别

为提高舰船辐射噪声识别的准确率,针对辐射噪声这种非平稳、复杂的信号,提出一种基于小波包分解与多特征融合的特征提取方法.同时,引入深度学习模型,将提取到的特征作为识别分类的依据,采用卷积神经网络和长短时记忆神经网络作为分类器.对单一特征的分类结果与融合的多特征分类结果进行比较,对直接提取的特征分类结果与基于小波包分解提取的特征分类结果进行比较,对卷积神经网络、长短时记忆神经网络和机器学习的识别分类结果进行比较,结果表明,采用基于小波包分解与特征融合的特征提取方法和基于深度学习的分类识别方法能显著提高舰船辐射噪声识别的准确率.     

船舶通信网络异常数据自动检测和剔除方法

为提高船舶通信网络异常数据自动检测精度,并全面剔除船舶通信网络异常数据,研究新的船舶通信网络异常数据自动检测和剔除方法。利用基于改进支持向量机的网络异常数据自动检测方法,由改进粒子群优化算法,寻优设置支持向量机的惩罚项、核函数的预定义参数,训练性能合格的支持向量机后,以船舶通信网络数据分类的方式,自动检测船舶通信网络异常数据;将异常数据使用基于自适应级联陷波器的异常数据剔除方法,通过自适应级联陷波器,以异常数据滤波的方式,剔除船舶通信网络异常数据。研究结果显示,使用所提方法,船舶通信网络异常数据自动检测结果符合实际数目,可有效去除船舶通信网络异常数据。     

基于大数据驱动的船舶航行轨迹异常检测研究

船舶安全航行是航海领域重点关注的问题之一,为此研究基于大数据驱动的船舶航行轨迹异常检测方法。该方法利用不同类型传感器获取船舶航行大数据,然后使用船舶观测大数据相似度方程计算船舶航行大数据之间的相似度,得到来自同一船舶的航行大数据;再利用大数据驱动技术中的聚类方法建立船舶正常轨迹模型,获取船舶航行正常轨迹;依据船舶航行正常轨迹,利用大数据驱动技术内的Spark Streaming数据实时计算框架,通过计算船舶航行轨迹点与实际轨迹采样点之间的距离、航向角等,得到船舶航行轨迹异常检测结果。实验结果表明,该方法获取船舶航行实际轨迹精度较高,可有效检测船舶航行轨迹异常,具备较好的应用效果。     

基于深度信念网络在船用齿轮箱故障诊断中的应用研究

文章针对船用齿轮箱故障信号微弱和传统特征提取方法干扰较大的问题,充分结合深度信念网络(DBN)的特征自动提取优势,将深度信念网络应用于船用齿轮箱的故障诊断。首先,借助于u Tkel船用齿轮箱故障模拟试验台获取齿轮箱在不同故障模式下的振动信号;然后将信号作傅里叶变换并划分为训练数据集和测试数据集;最后构建和训练DBN模型,并对模型的预测准确性和鲁棒性进行评估。试验结果表明,DBN模型能够较好地自动提取齿轮箱故障特征,对齿轮箱的故障模式做出准确识别。     

基于极限学习机的舰船网络入侵检测算法

针对传统网络入侵检测算法在舰船网络中存在的检测误差高的问题,提出基于极限学习机的舰船网络入侵检测算法。构建舰船通信网络模型,在该模型下实时采集通信数据并对其进行预处理。将采集的数据作为输入项,利用极限学习机算法提取网络入侵特征。根据网络入侵行为设置行为特征标准,结合舰船网络入侵节点聚集度的计算结果,得出舰船网络入侵检测结果。通过与传统入侵检测算法的对比发现,设计算法的检测误差有所降低,即入侵检测精度得到提升。     

舰船通信网络异常数据的弱关联定位技术

在舰船通信网络异常数据的弱关联定位中,由于使用传统弱关联定位技术的定位误差较大,因此提出一种舰船通信网络异常数据的弱关联定位技术,利用Netflow系统对舰船通信网络异常数据进行提取,通过相空间重构技术处理异常数据提取结果,并利用极限学习机进行数据挖掘,建立舰船通信网络异常数据弱关联定位模型,从而实现异常数据的弱关联定位,通过对比实验可知,该技术的最大定位误差比基于支持向量机的异常数据弱关联定位技术低21.1%;比基于特征遗传算法的异常数据弱关联定位技术低16.4%,证明了该技术更适用于舰船通信网络异常数据的弱关联定位。     

大数据背景下船舶移动网络信息安全风险预测模型

为解决船舶移动网络风险识别响应速度较慢的问题,在大数据背景下,研究船舶移动网络信息安全风险预测模型。通过对网络信息安全风险数据信息特征挖掘和采样分析,筛查干扰信号的特征指标,快速识别异常信息并进行预警。实例测试结果表明,在实际应用过程中,该模型的预测精度和响应速度较高,可有效提高船舶移动网络信息安全性,为船舶航行保驾护航。     

舰船无线网络异常数据智能捕捉及预警方法

由于网络攻击导致舰船无线网络可能出现运行异常,为了实现网络异常状态的准确检测,提出异常数据智能捕捉及预警方法。根据舰船无线网络的结构和工作原理,构建相应的网络模型。在该模型下以估算流量的方式,实现异常数据的智能捕捉。以数据捕捉结果为基础,处理捕捉数据并提取其特征,结合数据异常量和异常特征表现的严重程度,实现舰船无线网络预警。实验结果表明,设计方法的异常数据捕捉完整度高达99.9%,且平均误警率仅为1.9%,因此具有较高的应用价值。