您的位置: 专家智库 > >

单丹

作品数:6 被引量:28H指数:3
供职机构:沈阳建筑大学信息与控制工程学院更多>>
发文基金:国家自然科学基金辽宁省教育厅基金辽宁省教育厅科学技术基金更多>>
相关领域:自动化与计算机技术电子电信更多>>

文献类型

  • 6篇中文期刊文章

领域

  • 5篇自动化与计算...
  • 2篇电子电信

主题

  • 6篇网络
  • 3篇入侵
  • 3篇入侵检测
  • 2篇无线传感
  • 2篇无线传感器
  • 2篇无线传感器网
  • 2篇无线传感器网...
  • 2篇路由
  • 2篇记忆网络
  • 2篇感器
  • 2篇传感
  • 2篇传感器
  • 2篇传感器网
  • 2篇传感器网络
  • 1篇低能耗
  • 1篇短时记忆
  • 1篇性能分析
  • 1篇入侵检测方法
  • 1篇入侵检测技术
  • 1篇入侵检测模型

机构

  • 6篇沈阳建筑大学
  • 3篇中国科学院
  • 1篇沈阳职业技术...

作者

  • 6篇单丹
  • 3篇周悦
  • 3篇林硕
  • 2篇阚凤龙
  • 2篇高治军
  • 2篇林硕
  • 2篇尚文利
  • 1篇高宇
  • 1篇戚爰伟
  • 1篇张东伟
  • 1篇韩忠华
  • 1篇李钢

传媒

  • 3篇沈阳建筑大学...
  • 1篇系统仿真学报
  • 1篇科学技术与工...
  • 1篇控制工程

年份

  • 3篇2021
  • 1篇2011
  • 1篇2009
  • 1篇2008
6 条 记 录,以下是 1-6
排序方式:
基于DSCNN-BiLSTM的入侵检测方法被引量:4
2021年
针对传统的入侵检测方法无法有效提取网络流量数据特征的问题,提出了一种基于DSCNN-BiLSTM的入侵检测方法,该方法引入了深度可分离卷积代替标准卷积从而减少了模型参数,降低了计算量,并应用双向长短期记忆网络(BiLSTM)提取长距离依赖信息的特征,充分考虑了前后特征之间的影响。首先,通过主成分分析法(PCA)对网络流量数据进行特征降维,并创新性地将一维网络流量数据转化为三维图像数据;然后,分别运用深度可分离卷积神经网络(DSCNN)和双向长短期记忆网络(BiLSTM)提取网络流量数据的空间特征和时间特征;最后,利用KDDCUP99数据集进行训练、验证和测试。实验结果表明,与其他传统的入侵检测方法相比,该方法具有更高的准确率和更低的漏报率。
商富博韩忠华林硕林硕单丹
关键词:入侵检测主成分分析
基于DSPN的IEEE 802.11通信过程的建模与性能分析被引量:1
2009年
目的针对基于四向握手的RTS/CTS方式的IEEE 802.11通信协议系统进行建模与性能分析.方法应用确定与随机Petri网DSPN,对单节点进行了确切的描述,进而构成复合模型,采用伤停补时的思想有效地描述退避行为.结果仿真实验获得了IEEE 802.11通信系统中负载与端到端信息时延和吞吐量之间的定量关系,即平均端到端信息时延随着信息到达间隔的增加而增加,端到端吞吐量随着信息到达间隔的增加而减少.结论所建模型能够有效地描述和分析IEEE 802.11通信机制,为协议的改进和实际工程应用提供指导.
周悦单丹单泷阚凤龙
关键词:CSMA/CA网络性能
基于ZigBee的无线传感器网络簇树优化路由算法被引量:15
2011年
目的提出一种能减少跳数、降低能耗的簇树优化ZigBee路由算法.方法在ZigBee基本路由算法的基础上,通过对网络节点功能的判断,简化部分节点的算法流程,同时对传输数据的特点进行分析,作为选择路由算法的依据,最终选出最优路径.结果簇树优化路由算法在路径选择时,当源节点与目的节点不属于同一簇时,采用AODVjr路由发现过程,从而减少了泛洪的次数,提高了网络的灵活性,节省了能量和延长了网络寿命.结论算法降低了网络的资源开销,提高了ZigBee路由算法执行效率和灵活性.
周悦阚凤龙张东伟单丹
关键词:无线传感器网络路由算法低能耗
基于节点密度的无线传感器网络簇首选取机制被引量:3
2008年
目的避免无线传感器网络簇首过早死亡,延长网络寿命.方法使簇首节点分布在节点部署比较密集的区域,避免簇首与簇内节点通信距离较远而使簇首耗能过大.结果提出一种基于簇首与簇内节点平均距离最小化的簇首选取方式,有效地降低了位于节点密度小区域的节点成为簇首的概率,从而将节点能量均衡分布到整个网络.仿真实验表明,随着网络规模的增大,所提算法与LEACH协议相比能够延长网络的生存时间20%以上.结论笔者所提簇首选取机制能够有效地延长网络寿命.
周悦李钢高宇单丹
关键词:无线传感器网络分簇节点密度路由
基于深度学习的入侵检测模型被引量:4
2021年
针对网络流量数据具有空间和时间的双重特征,提出了一种基于深度学习的入侵检测模型。首先,通过二分支卷积神经网络提取网络流量数据的空间特征,利用其分支结构的特点使得不同的卷积层对同一个数据样本进行粗化提取和细化提取,既保留了数据的总体特征,又从低级特征中迭代提取出更复杂的特征;然后,利用门控循环单元网络顺序敏感性的优势,挖掘网络流量数据的时序特征;最后,使用KDDCUP99数据集对入侵检测模型进行训练、验证和测试。实验结果表明,与传统的基于机器学习的模型相比,该模型具有更高的检测准确率。
林硕林硕高治军单丹高治军
关键词:入侵检测卷积神经网络
结合栈式自编码及长短时记忆的入侵检测研究被引量:1
2021年
针对网络攻击越来越隐蔽,且具有智能化和复杂化的特点,浅层的机器学习已经无法及时应对,提出了一种基于SDAE(Stacked Denoising Autoencoder)和LSTM(Long Short-Term Memory)相结合的深度学习方法。通过堆叠深层的SDAE智能逐层抽取网络数据的分布规则,结合各个编码层的系数惩罚和重构误差对高维数据进行多样性异常特征提取。结合LSTM的记忆功能和强大的序列数据学习能力进行学习分类。在UNSW-NB15数据集上进行了实验,通过调整时间步长进行分析,实验结果表明,该模型具有检测准确率高、误报率低的优点。
林硕安磊高治军单丹尚文利
关键词:入侵检测技术
共1页<1>
聚类工具0