支持向量机算法在船舶网络入侵检测中的应用

入侵行为严重威胁船舶网络安全,对其入侵检测进行研究具有重要的意义,针对当前船舶网络入侵检测存在精度低、错误率高等不足,设计了一种支持向量机算法的船舶网络入侵检测模型。首先分析船舶网络入侵原理,并且提取船舶网络入侵检测特征,然后采用支持向量机算法根据入侵检测特征建立船舶网络入侵检测分类器,并引入和声搜索算法对船舶网络入侵检测分类器的参数进行优化,最后以某一个船舶网络入侵检测数据为例进行了验证性测试。支持向量机算法克服了当前船舶网络入侵检测模型的局限性,入侵检测精度超过90%,减少了入侵检测错误,检测效果要优于当前其他船舶网络入侵检测模型,是一种有效的船舶网络入侵检测模型。     

船舶大规模数据库高危入侵数据挖掘方法研究

入侵行为直接危害着船舶数据库管理系统的安全,为了提高船舶数据库管理系统的安全性,提出基于数据挖掘的船舶大规模数据库高危入侵检测方法。首先对船舶数据库管理系统中的入侵行为检测研究现状进行分析,找到当前入侵行为检测方法存在的局限性,然后采用支持向量机对船舶数据库管理系统中的入侵行为变化特点进行刻画,建立船舶数据库管理系统中的入侵行为检测模型,最后进行了船舶数据库管理系统中的入侵行为检测仿真测试,结果表明,本文方法的船舶大规模数据库高危入侵检测正确率超过95%,船舶大规模数据库高危入侵检测的错误率要远远小于对比方法,可以有效保证船舶数据库系统的安全,具有较好的实际应用价值。     

免疫理论的船舶网络入侵检测方法

为了提高船舶网络系统的安全性,针对当前船舶网络入侵检测方法误检率高的缺陷,设计了免疫理论的船舶网络入侵检测方法。首先对船舶网络入侵检测的原理进行分析,提取船舶网络入侵检测的原始数据,然后根据免疫理论对船舶网络入侵检测数据进行处理,提取船舶网络入侵检测特征,然后机器学习算法对船舶网络入侵检测行为进行建模,最后编程实现了船舶网络入侵检测算法,并与其他船舶网络入侵检测方法进行对比实验。结果表明,免疫理论可以提取更加有效的船舶网络入侵检测特征,提升了船舶网络入侵检测效率,而且船舶网络入侵检测正确率更高,减少了船舶网络入侵的误检率,是一种可行、有效的船舶网络入侵检测方法。     

船用物联网中的网络入侵行为分析检测

针对当前船用物联网入侵行为分析检测过程中存在的特征选择难题,提出一种特征优化和选择的船用物联网入侵行为分析检测方法。首先对船用物联网入侵行为分析检测原理进行分析,建立船用物联网入侵行为分析检测的特征优化和选择数学模型,然后以船用物联网入侵行为分析检测率为目标,采用量子粒子群优化算法对最优特征子集进行搜索,最后建立船用物联网入侵行为分析检测的分类器,并实现了船用物联网入侵行为分析检测模拟测试实验。测试实验结果表明,本文方法通过特征优化和选择后,获得了较高正确率的船用物联网入侵行为分析检测结果,不仅使得船用物联网入侵行为分析检测的错误概率降低,而且检测实时性要优于当前其它模型,是一种效率好、正确率高的船用物联网入侵行为检测方法。     

船舶网络中的高精度入侵检测方法设计

网络入侵对船舶网络安全具有严重的危害,针对当前船舶网络入侵方法存在检测精度低、检测速度慢等不足,设计了一种船舶网络中的高精度入侵检测方法。首先对当前船舶网络入侵检测研究现状进行分析,找到船舶网络入侵检测效果差的原因,然后采用改进支持向量机设计船舶网络入侵检测分类器,最后通过具体船舶网络入侵检测仿真测试,结果表明本文方法的船舶网络入侵检测精度超过95%,不但远远高于船舶网络安全要求的85%,而且船舶网络入侵检测时间更短,入侵检测速度要明显快于其它船舶网络入侵检测方法。     

船舶电力监测网络流量异常检测算法研究

由于船舶电力监测网络的工作环境日益复杂,网络流量出现异常状态的频率越来越高,为了对船舶电力监测网络流量异常状态进行准确跟踪和检测,提出基于数据挖掘技术的船舶电力监测网络流量异常检测方法。首先深入分析当前船舶电力监测网络流量异常研究现状,并收集船舶电力监测网络流量异常数据,然后对船舶电力监测网络流量异常数据进行去噪处理,并根据数据挖掘技术建立船舶电力监测网络流量异常检测模型,最后采用具体船舶电力监测网络流量异常数据进行验证性测试实验。结果表明,本文方法可以有效检测船舶电力监测网络流量异常状态,误检率相当低,并且船舶电力监测网络流量异常检测结果优于其他方法,具有广泛的应用前景。     

船舶碰撞事故数据关联挖掘研究

首先阐述关联数据挖掘过程;然后为了分析船舶碰撞事故发生的原因,从创建数据源、进行数据离散化等出发建立船舶碰撞事故数据关联挖掘模型;最后根据所建立的模型,从用户所关注的时间、管辖区、船舶参数等方面进行验证数据挖掘模型的有效性。     

大雾天气海上船舶交通异常挖掘识别方法

传统船舶交通异常识别方法在大雾天气环境下,存在挖掘算法对船舶轨迹异常状态辨识度降低的问题。通过分析发现,原因在于传统方法中没有引入大雾天气对船舶轨迹检测信号的扰动变量,导致轨迹检测数据与挖掘算法之间出现数据断链,降低了数据挖掘的识别效果。因此,提出大雾天气海上船舶交通异常挖掘识别方法分析。首先通过LSTM算法,将大雾天气扰动特征代入挖掘神经网络,获得带有大雾扰动特征神经网络;接着,根据大雾扰动特征建立混合高斯船舶轨迹模型,为交通异常识别提供基础数据;然后,通过Spark分布式挖掘算法,完成对船舶交通异常数据的挖掘识别。通过仿真实验,对传统挖掘识别方法与提出方法效果进行多组数据对比,证明提出挖掘识别方法的有效性。     

基于人工智能算法的船舶通信网络安全性能研究

为了解决当前船舶通信网络安全性能分析过程中存在的一些问题,以提高船舶通信网络安全性能分析效果为目标,设计了基于人工智能算法的船舶通信网络安全性能分析方法。首先采用船舶通信网络安全性能分析数据,提取船舶通信网络安全性能分析特征,然后采用支持向量机作为船舶通信网络安全性能分析的建模工具,采用人工智能算法对船舶通信网络安全性能分析特征和支持向量机的参数进行同时优化,最后采用具体实验测试了船舶通信网络安全性能分析效果。结果表明,本文方法可以描述船舶通信网络安全变化特点,可以获得高精度的船舶通信网络安全性能分析结果,加快船舶通信网络安全性能分析速度,解决了当前船舶通信网络安全性能分析方法存在的缺陷,获得比较满意的船舶通信网络安全性能分析效果。     

人工智能技术在船舶轨迹规划中的应用

轨迹规划可以提高船舶航行的效率,并且保证船舶航行的安全。当前船舶轨迹规划方法存在生成轨迹效率低、船舶轨迹规划并非全局最优的缺陷,为了提高船舶轨迹规划的精度,设计基于人工智能技术的船舶轨迹规划方法。首先对当前船舶轨迹规划研究现状进行分析,指出各种船舶轨迹规划方法的不足,然后建立船舶轨迹规划的性能评价指标,引入计算机人工智能技术中的蚁群优化算法进行求解,根据求解结果得到最优船舶轨迹规划路径,最后进行船舶轨迹规划的验证性测试。结果表明,蚁群优化算法可以快速、准确找到最优船舶轨迹规划路径,克服了当前方法易找到局部最优的船舶轨迹规划路径难题,具有一定的实际推广价值。