通过对支持向量数据描述SVDD(Support Vector Data Description)算法的阐述和SVDD算法在增量学习过程中支持向量集变化特性的分析,提出一种新的SVDD增量学习算法。以Spambase邮件语料库作为实验数据源,将其与非增量学习算法以及一般传统增量学习算法进行比较,结果证明,该算法在保证垃圾邮件识别精度的同时又大大缩短了训练时间。
传统的社交网络推荐一般依靠用户之间的好友关系,但好友关系不是基于共同兴趣而产生的。针对这种情况,提出通过用户标签所表达的情感兴趣来扩展用户好友关系,形成基于用户好友关系和共同兴趣的混合推荐。利用用户间直接的朋友关系构建显式社交网络,利用标签数据构建隐式社交网络;在显式和隐式社交网络图中分别采用提出的SNA_SPFA(Social Networks Algorithm Based on Shortest Path Faster Algorithm)算法得到推荐结果;最后按照一定权重混合两种推荐结果。实验表明,该方法优于传统的协同过滤方法和社交网络推荐。
为了更好地使隐蔽信道在容量、可靠性、抗检测性方面取得一个合适的平衡,提出一种基于HTTP请求行为的隐蔽信道HRCC(Combined Covert Channel Based on HTTP Requests)。将HTTP请求动态分配在多个HTTP流上,利用数学组合的方式传输隐蔽信息,且通过模拟正常的HTTP流使得信道的抗检测性大大增强。同时TCP协议的可靠传输使得传输过程不会受到网络状况的影响,从而保证了信道的鲁棒性。最后通过实验结果证明了该新型隐蔽信道具有很强的实用性,而且在传输速率、传输正确率和抗检测性方面均优于传统基于HTTP的隐蔽信道。
