一、异常检测模式判定策略的研究（论文文献综述）
李海涛[1]（2021）在《基于深度学习的交通流运行风险评估方法研究》文中研究表明随着我国社会经济的迅速发展,出行需求大幅增加,道路供需矛盾日益凸显,交通事故频繁发生,严峻的道路交通安全形势迫切需要开展道路运输网运行风险主动防控方面研究。在实际路网环境中,交通事故的不同阶段会对路网交通流的运行产生不同程度的影响。因此探究道路交通事故与动态交通流运行特性的内在联系,针对事故的潜在风险、发生过程和事后影响阶段研究相应风险评估与预测方法,将对提出并实施交通事故主动安全防控策略,提高我国的道路事故应急管理水平,降低交通事故的危害程度具有非常重要的作用。本研究以交通流运行数据与事故数据为基础,以深度学习方法作为工具,深入挖掘交通流运行特性与事故不同阶段的内在关联,建立实时有效的交通流运行风险评估方法,实现对交通事故的潜在风险阶段、发生过程阶段和事故影响阶段准确有效的风险估计与预测。其结果将有助于道路使用者采取更为合理的出行决策与驾驶行为,降低发生事故概率并提高出行可靠性;同时为交通管理者采取更为全面有效的交通事故风险防管控措施提供判定依据。围绕交通流运行风险评估的研究目的,本文主要研究内容及成果如下:（1）构建了交通流缺失数据填补网络模型—TGAIN针对交通流缺失数据的多模态分布求解问题与缺失填补过程中的不确定问题,提出了一种新的时序生成对抗网络模型—TGAIN来实现交通流缺失数据填补。模型构建了TGAIN网络结构并利用对抗生成式训练来学习交通流缺失数据的多模态分布;设计了基于TGAIN的多重填补策略处理缺失值填补过程中的不确定性并提高算法填补性能。最后利用实际交通流参数数据验证了所提方法的缺失数据填补性能。（2）构建了交通风险状态深度聚类网络模型—TRDCN为了更有效挖掘交通流潜在事故风险特征并提升风险状态聚类效果,提出了一种新的无监督交通风险状态深度聚类网络模型—TRDCN来实现交通运行风险状态划分。为了解决传统状态划分方法因特征提取与聚类过程分离而存在的不匹配问题,TRDCN模型将特征提取与聚类任务融合到End-to-End网络模型,构造了多通道自编码网络以提取交通参数中的风险特征信息,设计了深度特征聚类层迭代优化聚类效果与特征提取过程。以实际事故数据集为例,对交通风险状态聚类结果进行统计分析,并量化了各交通状态下的事故风险等级,将交通风险状态量化结果与实际道路事故情况进行对比,验证了所提方法对风险状态划分的有效性。（3）构建了基于M-B-LSTM的交通风险状态预测网络模型针对由交通流参数随机波动性与分布不均衡性带来的深度学习过程中的不确定性与过拟合问题,提出了一种新的短时交通流参数预测网络模型—M-B-LSTM;并通过实例验证了该模型的交通参数预测性能。并以M-B-LSTM交通参数预模型为基础,结合TRDCN交通流风险状态划分网络,提出了M-B-LSTM+TRDCN的交通风险状态预测混合网络结构;采用实际交通流运行数据与事故数据,通过多组对比实验分析,验证了所提方法能给够对交通风险状态进行有效预测。（4）构建了时空图交通异常事故检测网络模型—STGAD结合交通事故在路网中时空影响传播过程及特性,提出了一种新的时空图交通事故检测网络模型—STGAD来实现路网环境中交通异常事故的自动检测。模型对路网异常事故检测问题进行图结构抽象,并引入了时空卷积操作与注意力机制捕捉道路交通流的时空动态特性;同时设计了多组件融合预测模块与事故异常评估模块,分别实现交通流模式学习与预测过程以及基于预测结果的异常评估过程。最后采用实际交通流运行数据验证了所提方法能够对路网环境下交通异常事故进行有效检测。（5）构建了交通事故影响程度预估网络模型—X-G-PGCF在分析了交通事故对交通流影响程度评价指标与影响因素的基础上;借鉴并融合Xgboost、GAN与深度随机森林GCF的算法优势,设计了一种新的交通事故影响程度预估网络模型—X-G-PGCF。模型首先利用Xgboost按任务贡献度筛选主要事故特征;针对事故特征在信息采集时不完整以及可扩充特点,设计了基于GAN的事故特征增强模块,对实际情况下的不完整事故特征进行补全与增强,然后对深度森林模型进行改进,增加了多粒度特征排列与决策结果加权机制,实现对交通事故影响程度的预测与估计。最后利用实际事故数据进行实证分析,验证了所提方法能够对交通事故的影响程度进行有效预估。综上所述,本文围绕交通流运行风险评估方法研究,从交通流缺失数据填补、交通风险状态划分、交通风险状态预测、交通事故自动检测、交通事故影响程度预估五个方面展开深度学习方法设计,其研究成果将丰富交通流运行风险评估理论体系,为实际交通事故的防管控提供更有效的理论方法。
黄伟鹏[2]（2021）在《基于多维数据模型的产品质量异常判定策略研究》文中研究说明在传统制造业中,大多数都是通过抽样的方式来判定产品的合格率,这种方法不仅需要耗费人力,而且容易导致批量产品判废,给制造业带来经济损失。为了保障出厂产品的合格率,提高制造业产品质量检测水平,本文将产品生产过程中的过程参数和质量指标数据作为模型的输入数据,确定数据的正常范围,通过质量异常判别边界对产品质量进行判定,提出了两种基于多维数据模型的产品质量异常判定方法。提出一种基于聚类超矩形模型的产品质量判定方法:首先对训练样本数据进行核密度估计,提取数据的分布特征,在此基础上设计k-means聚类算法的聚类簇参数;其次对数据进行k-means聚类处理,将数据拆分为不同的区域块;然后分别对每个区域块的不同属性特征再次进行密度估计,建立不同质量特征指标的密度限幅阈值,以统计的方式确定每一维特征数据的宽度,形成聚类超矩形判别边界模型;最后计算待检测样本与每一个超矩形中心的距离,并将其与对应的超矩形宽度进行比较,从而判定产品质量的异常情况。提出一种基于聚类超球体模型的产品质量判定方法:首先对训练样本数据进行k-means聚类,使其分为k个子数据集;其次,对每个子集进行数据描述,确定超球体的球心和半径;然后分别寻找每个球心在特征空间的镜像,并计算出镜像球心在原始数据域的确切原像,优化其判别函数;最后计算待检测样本点与每一个超球体球心的距离,并将其与对应的超球体半径进行比较,从而判定产品质量的异常情况。本文通过二维仿真数据对所提方法的模型判别边界进行验证分析,并使用UCI数据库相关多维数据集进行准确率与检测速度的对比,根据两种方法的性能特性,在不同场合可选取合适的方法进行产品质量异常判定。
郭鑫辉[3]（2020）在《基于雾计算的物联网数据采集开发与分析方法研究》文中指出随着物联网技术的不断发展,物联网环境感知和数据处理技术得到了研究人员的广泛关注。虽然现有的环境感知和数据处理技术能够高效地完成数据的采集、处理和分析,但是在物联网接入设备数量不断增长的背景下,基于相关技术构建的物联网应用将面临着带宽、数据处理能力,系统能耗等方面的挑战。针对上述问题,本文研究基于雾计算的物联网数据采集和分析方法。主要完成的工作和创新点如下:（1）针对现有数据采集和分析系统存在的能耗较高问题,设计了基于雾计算的数据采集和分析系统,提出了自适应数据采集策略并基于该策略对系统进行了具体实现。实际场景中的测试表明,基于该策略实现的数据采集系统能够更快速地感知环境的变化,相较于现有系统其能量利用率更高;（2）针对在资源受限设备中构建物联网实时数据处理应用时所面临的问题,提出了基于雾计算的离线与实时混合数据分析架构以及基于增量主成分分析的数据压缩和异常检测方法。针对方法处理实时数据时存在的模型准确度下降等问题,提出了定时-SPE主成分模型更新策略。在公开数据集以及实际硬件设备上的测试结果表明,所提出的架构和方法能够完成实时数据的压缩和异常数据检测,提高数据处理应用的实时性且对系统的整体资源要求较低;所提出的更新策略可以以较低的资源消耗实现模型的按需更新以进一步降低系统的整体资源消耗,使方法在多种异常数据分布场景中能够保持较高的准确度。
宁进[4]（2020）在《离群点检测及其参数优化算法研究》文中研究说明离群点检测是数据挖掘中极其重要的技术,大到国家安全,小到个人健康,从网络入侵检测到医保欺诈检测,只要目标是“不寻常”数据,就可以应用离群点检测技术来代替人工方式。尽管已有的研究在这些领域取得了不少的成果,但仍存在参数依赖、检测准确率低、多对象时间序列数据离群点检测困难等问题。针对这些问题,本文在离群点检测技术的参数优化、多场景算法检测准确率提高和算法结果评估指标等方面进行了深入研究和探索。本文主要的研究工作和创新点包括:（1）针对参数k（邻域大小）的优化问题,本文提出了一种基于互近邻图的参数k搜索算法。该算法定义了一种描述互近邻图稳定状态的方法,通过搜索互邻图的稳定状态来选择邻近性算法的参数k。实验结果表明,该算法相较于其他参数k选择算法在AUC检测指标上取得了更好的效果。（2）针对离群点种类多、模式复杂且缺少标签的场景,本文提出了一种基于主动自编码（Active Autoencoder,AAE）的离群点检测算法,该算法通过一种基于影响力的主动学习方式和一种新的膨胀收缩算子,以提高自编码网络在离群点稀疏场景下的检测能力。实验结果表明,所提出的方法与其他方法相比,能更准确地检测出图像数据集中的不一致。（3）针对基于密度的离群点检测方法难以识别离群点低密度模式场景的问题,本文提出了一种基于相对密度的离群点检测算法。该算法提出了一种新的度量数据点邻域密度的方法,区别于传统的邻域密度度量方法,该方法不限制邻域大小。实验结果表明,该算法能够更准确地检测出低密度模式场景下的离群点。（4）在多时间序列数据上的离群点检测方面,提出了两种新的离群点检测模型:a)针对现有模型聚合解聚触发机制人工依赖性高、频繁聚合解聚的问题,本文提出了一种基于关注域的多实体时序离群点检测算法。该算法首先基于关注近邻划分关注域;然后,计算关注域的离群值,结合一种基于最强关注域阈值判定方法,构建聚合解聚触发机制。实验结果表明,与传统的单实体时序离群点检测算法相比,所提算法不仅能及时地判断聚合解聚操作的触发时机,而且能使得仿真系统智能地检测出发生突发情况的仿真实体,满足了多分辨率建模的要求。b)针对多对象时空异常检测问题,本文提出了一个基于长短期记忆网络（Long Short-Term Memory,LSTM）的框架。该框架利用LSTM来计算重构误差和基于显示约束图的异常得分来判断异常子序列和异常对象。实验结果表明,该方法相较于传统方法,取得了更高的异常检测准确率。（5）针对现有离群点检测技术存在评价指标单一、指标适应性差的问题,本文提出了两种新的评价指标:一类高真正率指标（HT＿AUC）、二类低假正率指标（LF＿AUC）。该指标在已有的曲线下面积的方法基础上,基于高真正率要求和低假正率要求分别做了改进。实验结果表明,与传统评价指标的相比,所提出的方法更能满足一类高真正率和二类低假正率要求。
张宇雷[5]（2020）在《纯电动汽车空调控制器测试系统的研究与设计》文中研究指明在电动化背景下,电子技术在纯电动汽车中的比重日益增多。空调控制器作为纯电动汽车空调系统中的大脑,其功能越来越复杂,电气复杂程度也越来越高,造成纯电动汽车空调控制器的测试开发周期变长,测试难点也越发突出。本文针对空调控制器电路故障定位不精确以及策略测试难以脱离实车试验的测试难题,采用判定表测试法、基本路径测试法和故障传播有向图理论三种关键测试技术,分别运用于空调控制器的功能测试、策略测试以及电路故障定位中,设计出了合理的测试用例。通过自主设计的测试系统和三种测试方法相结合,实现了整个测试系统在空调控制器功能测试、策略测试以及电路故障定位的测试验证。本文的主要内容如下:1.首先对纯电动汽车空调控制器的测试关键技术进行研究。分析了空调控制器的工作原理,针对测试关键技术理论中的判定表测试法、基本路径测试法和故障传播有向图理论进行了详细的分析,并以此明确了测试系统的需求。2.其次根据测试关键技术,设计了空调控制器的详细测试方法。对于空调控制器的功能测试采用判定表测试法,实现了对空调控制器10类电气功能测试用例的设计。对于空调控制器的策略测试采用基本路径测试法,以制热策略测试为例,确定了制热策略程序的独立路径集,设计的测试用例完全覆盖了制热策略程序中9条独立路径的执行。对于空调控制器电路模块的故障定位,通过故障传播有向图理论的测试方法得到了各电路模块故障定位的结果表,能够实现对空调控制器16个电路故障源进行电路模块故障的精确定位。3.然后根据测试系统需求,完成了空调控制器测试系统的软硬件设计。包括测试系统的架构设计、测试硬件板卡及其下位机软件的设计、测试系统上位机界面及数据处理程序的设计,实现了自主设计的测试系统和三种测试关键技术的结合。4.最后搭建测试环境,对测试系统进行了验证与分析。分别对空调控制器10类电气功能进行测试验证,任意选取了1个制热策略测试用例,对空调控制器制热策略测试路径进行测试验证,注入4类电路故障对故障定位进行验证,并对功能测试、策略测试以及电路故障测试得到的数据进行了分析。测试结果表明,测试系统能够实现对控制器10类电气功能的测试。对于空调控制器策略测试,上位机配置出的测试用例能够覆盖制热策略执行程序中对应的程序路径。对于空调控制器电路故障定位测试,测试系统能精确定位出空调控制器16个电路模块中的具体故障源。测试结果验证了本文提出的空调控制器测试系统符合在其功能测试、策略测试以及电路故障测试上的要求。
许自强[6]（2020）在《数据驱动的电力变压器智能化健康管理关键技术研究》文中指出作为电力系统的重要枢纽设备,电力变压器的安全稳定运行是保障优质电力正常供应以及社会正常运作的必要基础。伴随着智能电网建设的不断推进,包括状态监测、生产管理、运行调度、气象环境等在内的电力变压器状态相关信息已逐步呈现出体量大、种类多、增长快等典型大数据特征。因此,在电力大数据的时代背景下,开展电力变压器状态数据的综合挖掘与分析研究,对于推动设备运行维护迈向精细化、智能化管理具有重要意义。本文以反映设备运行状态的多源信息为数据基础,以人工智能技术与数据挖掘技术作为分析工具,深入研究包含异常检测、故障诊断、状态评估、态势预测等在内的电力变压器智能化健康管理关键技术体系。主要的研究内容与成果如下:针对电力变压器在线监测系统受设备状态异常变化、外界环境干扰以及通讯中断等因素影响而产生异常数据的问题,本文提出一种面向设备监测数据的异常识别及模式区分方法。首先,通过利用经验小波变换与差分自回归移动平均模型对监测数据进行时序建模,获得反映监测数据异常情况的残差序列,并进一步运用孤立森林算法识别其中的异常点信息,依据识别结果对监测序列进行分段。然后,采用改进多维SAX向量表示法对分段序列进行符号化表示,通过计算相邻符号向量的相似度得分得到关于异常模式的判定结果,并进一步利用监测序列的关联性对判定结果进行校验。最后,结合实例分析表明,本文所提方法能够可靠识别异常点并对其无效及有效两种异常模式进行准确区分。针对电力变压器智能故障诊断中存在的数据非均衡问题,本文提出一种基于深度学习的故障数据增强方法,以实现样本类别分布均衡化的目标。首先,建立梯度惩罚优化的条件式Wasserstein生成对抗网络模型以指导多类别故障样本的生成过程,并克服了原始生成对抗网络模型存在的训练不稳定问题。然后,构建以油中溶解气体无编码比值为特征参量的栈式自编码器诊断模型,并进一步提出基于数据增强方法的设备故障诊断技术框架。最后,选用由准确率、F1度量及G-mean组成的评价指标体系对类别均衡化前后的模型诊断效果进行评估对比。算例研究结果表明,相较于传统过采样方法,本文提出的故障样本增强方法能够更为有效地改善诊断模型对于多数类的分类偏好问题,提升其整体分类性能。针对电力变压器状态评估中存在的信息不确定性问题,本文提出一种计及信息不确定性的设备多层级健康状态综合评估方法。首先,在综合考虑电力变压器功能结构及其性能表现的基础上,构建了包含设备层、部件层、缺陷层及指标层的多层级健康评估体系。然后,针对等级划分中的不确定性问题,通过运用可拓云理论来对判据边界进行柔性化处理;针对权重赋值中的不确定性问题,通过结合主观与客观权重、静态与动态权重来对各层级中评估因素的相对重要程度进行准确度量;针对信息融合中的不确定性问题,通过利用改进DSmT理论来有效解决传统证据理论对于高冲突性证据融合失效的缺陷。最后,实际案例验证结果表明,本文所提方法能够准确、有效地评判变压器及其功能部件的健康状况,并提供关于部件缺陷隐患的细致分析结果。针对油中溶解气体浓度进行精确预测可为电力变压器的故障预警工作提供重要依据,本文提出一种基于经验模态分解与长短期记忆神经网络的变压器油中溶解气体浓度预测方法。首先,运用经验模态分解将气体浓度序列分解为一组相对平稳的子序列分量,以减少不同趋势信息间的相互影响。然后,针对各子序列分别构建基于长短期记忆神经网络的时序预测模型,并利用贝叶斯理论对网络相关超参数进行优化,以提高单个模型的预测精度。最后,叠加各子序列预测结果得到气体浓度预测值。算例研究结果表明,相较于传统预测算法,本文所提方法能更好地追踪油中溶解气体的浓度变化趋势,具有更高的预测精度。
施佩[7]（2020）在《基于无线传感器网络的水质数据流异常检测与预测方法》文中进行了进一步梳理在集约化水产养殖中,水体质量对养殖的产量和质量起着决定性的作用。因此,养殖水体的准确监测具有十分重要的意义。水产养殖自动化、智能化的不断发展,对养殖过程中的水质监测提出了更高的要求。本文以传感网络水质监测平台为基础,以水产养殖水质监测数据流关键因子为研究对象,采用机器学习、信息论和统计学方法,研究监测过程中的异常检测、数据融合和预测预警模型,实现水质数据流的在线监测。主要贡献如下:（1）关于水质数据流异常检测方法研究。针对水质监测中传感器故障和偶发的事件等引起的数据流异常问题,在观察和分析水质数据特征信息的基础上,提出一种基于概率密度补偿的改进支持向量数据描述异常检测算法（ID-SVDD）。首先将相对密度的思想引入到传统SVDD算法中,补偿SVDD算法在数据分布特征信息分析上的缺失。其次,使用改进的Parzen-windows函数获取概率密度,构建ID-SVDD异常检测算法。最后利用实际水质监测数据集验证ID-SVDD算法的性能。实验结果表明,ID-SVDD异常检测算法具有较高的检测精度。（2）关于溶解氧数据流的支持度函数加权融合算法研究。针对单一溶解传感器监测不准确的问题,以溶解氧指标为例进行分析和研究。在探索同源多溶解氧传感器之间相关关系的基础上,提出了一种新型支持度函数的加权融合算法（IDTW-ISD）。该算法借鉴灰关联思想形成ISD支持度函数,并对其中参数K和β进行调整。将传统支持度函数单一时刻的相似度计算方式改为时间段的相似度计算方式,获得基于时间序列DTW相似度的支持度函数。同时,引入时间序列分割策略,构建IDTW-ISD支持度函数。基于IDTW-ISD函数的加权融合算法不仅在融合精度上得到了提高,其算法效率也获得了保障。（3）关于改进在线贯序极限学习机（EFIG-OSELM）溶解氧预测方法的研究。针对传统预测方法中参数随机、稳定性低和样本学习灵活性差等问题,提出一种在线的EFIG-OSELM的溶解氧预测方法。在实现溶解氧时间序列特征分析的基础上,对序列进行EMD多尺度分解,获得多模态信息。为了降低预测计算量,利用模糊熵对多模态信息进行数据重构。然后,利用混沌序列算法改进遗传算法,构建基于重构分量的溶解氧预测模型EFIG-OSELM。选择基于最小二乘支持向量机（LSSVM）、基于BP神经网络等预测模型进行对比和分析,EFIG-OSELM的预测结果、相关系数和精度指标较其他对比算法有明显的优势。由此表明该模型是一种较为适用的在线短时域溶解氧预测模型,能满足水体溶解氧预测的要求。（4）关于基于k-medoids分簇的偏最小二乘（PLS）优化极限学习机（ELM）溶解氧预测方法研究。精准化的池塘养殖对水体溶解氧的预测提出了长时域、高精度的需求。为了解决这些问题,结合复杂环境与溶解氧的相关性,针对溶解氧的多因子预测研究提出另一种多因子影响下基于分簇策略的改进极限学习机（CSELM）溶解氧预测模型。首先,研究各影响因子与溶解氧浓度间关系,使用因子分析法评估不同的气象综合指数。其次,使用动态时间规整（DTW）方法计算不同时间段溶解氧序列间的相似度。不同于EFIG-OSELM预测模型中的数据预处理方法,新的预测模型利用昼夜时间段的相似度进行聚类分簇。进而建立相似样本数据集,获得相似时间段下的溶解氧时间序列规律特征。最后,在各簇中分别建立预测子模型,获得CSELM溶解氧预测模型。选择PLS-ELM和ELM作为预测对比算法,实验结果表明,CSELM拥有较高的预测精度和运行速度。（5）开发水产养殖水质监测预警系统。为了实现智能化的水产养殖,设计和搭建水质监测平台。上述异常检测和预测算法被应用到监测平台中,并开发水质监测系统。该系统包括基于客户端的监控软件和手机端的监控软件,分别实现了水质数据和气象数据的采集、信息查询、数据分析、预警处理、设备管理控制、系统管理等功能。预警系统的良好运行效果表明,本文提出的检测和预测算法是合理有效的。
柴竹玥[8]（2020）在《中央空调设备电耗监测数据修复方法体系研究》文中研究指明国内外各界广泛认为,通过搭建能耗监测系统掌握公共建筑实时用能状态,是实现其节能的有效途径,但由于我国对监测系统的信息化管理水平不高,导致其数据质量问题始终制约其指导建筑能效评价与节能改造工作的进行。在公共建筑中,由于中央空调设备耗能占据建筑能耗的较大比重,其监测数据质量至关重要,本文基于此问题,从问题数据的辨识与修复角度出发,对中央空调设备电耗监测数据的修复方法体系进行研究,主要工作内容如下。（1）为使修复方法体系在监测参数丰富度、监测拓扑结构以及设备类型方面具有普适性,结合能耗监测系统现状与设备运行特性提取电耗相关因素,以此为基础为各类监测拓扑结构下的各设备营造典型监测场景,作为辨识与修复方法设计的基础以及为系统优化改造提供备选方案。（2）基于电耗相关因素对数据辨识与修复的重要性,设计了通过对电耗相关因素进行主成分分析与k均值聚类,将用能时刻的能耗模式分类,在相同模式中寻找相似工况,进而实现隐性异常辨识以及问题数据修复的方法,并针对各类型问题电耗监测数据,提出了完整的辨识与修复流程,二者相结合构成修复方法体系。（3）选取三栋特点各不相同的公共建筑,利用其中央空调设备实际监测数据检验修复方法的可行性与适用性,结果表明,各研究对象的修复结果相对误差绝对值均在10%左右。另外,以其中某建筑为原型,借助e-QUEST软件进行建筑能耗模拟,将逐时电耗与其相关参数值的模拟结果作为监测数据输入样本,参照所营造的典型监测场景逐一进行修复方法应用,一方面对方法处于不同场景下的可行性进行检验,另一方面通过对各场景修复效果与参数采集成本的综合考量,从修复精度角度为系统监测点位布置方案提出不同层级的建议。本文提出的修复方法体系有望全面应对中央空调设备电耗监测数据的质量问题:问题数据的辨识与修复方法基于电耗相关因素,充分考虑了中央空调设备的复杂物理特性,具有很好的普适性;基于对修复效果与监测成本的综合评估研究,为数据质量驱动的建筑能耗监测系统优化设计和改造提供了参考。本文研究成果对改善监测数据质量,支撑数据驱动的中央空调系统能效诊断与节能改造工作具有重要意义。
赵新辉[9]（2020）在《面向软件定义网络的恶意流量防御关键技术研究》文中研究表明恶意流量检测是一种常用的软件定义网络（Software Defined Network,SDN）攻击防御手段,不仅能够有效识别DDo S攻击、网络蠕虫等恶意攻击流,还能预测网络中的未知攻击行为,进而保障了预警响应机制的设计和实现。但近年来网络流量复杂度日趋增大,恶意流量攻击难度逐步降低,先后出现了多种新型攻击方法,由于该类攻击的频率持续增高、规模不断扩大,同时具有隐蔽性和多态性两种特征,为恶意流量检测带来了前所未有的挑战。当前在SDN网络中,恶意流量检测、分析方面的研究主要存在以下问题:（1）传统流量分析技术无法直接复用到SDN中,对SDN特有的攻击类型检测效率不高。（2）针对SDN的恶意流量攻击,在攻击形式和方法上更加多样化,隐蔽性和多态性的特征更加突出,现有流量分析方法难以准确检测。（3）现有SDN流量分析工作主要集中在检测方法方面,缺少应对恶意流量的响应和防御机制方面的研究。针对上述不足,本文对比分析当前各种流量检测技术,围绕链路监听和行为分析、威胁情报引导、Web Shell攻击,以及SDN流表溢出攻击展开研究,基于多种流表操纵方法,实现SDN恶意流量的检测和防御。主要工作总结如下:1.提出一种基于链路监控的恶意流量防御方法。针对当前SDN恶意流量检测技术中链路监听和安全分析性能开销大、恶意交换机检测难的问题,基于网络监控框架在SDN中添加链路监听、行为分析和事件处理功能。链路监听功能读取并统计网络流量数据特征,并通过综合考虑数据的持续时间和突发性设置数据发送频率和监听时间长度,降低了链路监听负载。行为分析功能根据流量数据特征统计结果,利用基于卷积神经网络的多路径协调恶意流量检测算法对恶意流量进行检测,同时通过分析交换机数据转发行为与控制器要求的一致性对恶意交换机进行检测。事件处理功能根据行为分析结果,利用威胁评估策略实现流量危害程度评估,并阻断恶意流量和隔离恶意交换机。测试结果表明,本文方法对恶意流量检测的平均准确率达到96.7%,且能够在发现恶意交换机后重新规划数据转发路径并隔离恶意交换机,性能开销在可接受范围内。2.提出一种基于网络威胁情报（Cyber Threat Intelligence,CTI）的恶意流量防御方法。针对SDN以漏洞为中心的恶意流量检测技术攻击检测能力受限和安全威胁情报利用率不高的问题,首先从互联网搜集关于SDN的威胁情报信息作为原始情报数据,对原始数据进行安全概念提取和数据过滤构建知识图谱,对比网络流量特征统计数据与安全威胁情报知识图谱,检测恶意流量;然后将对应的响应措施转化为流表规则对恶意流量进行针对性防御。为了提高搜索和相似性比对等操作的效率,将知识图谱中的实体映射到向量空间,利用向量便于计算的特点提升效率。测试表明,方法能够有效识别恶意流量攻击并进行阻断。3.提出了一种基于机器学习的Web Shell恶意流量防御方法。针对当前检测方法无法充分发挥SDN网络架构优势的问题,利用SDN集中管控和可对网络流量进行统一监测的特点,在架构中添加边缘链路安全判定、安全分析和安全控制协同策略。边缘链路安全判定策略匹配过滤HTTP协议流量,提取摘要信息作为恶意流量检测算法输入进行深度包检测,利用机器学习算法实现Web Shell恶意流量的判定并产生威胁报警,安全控制协同策略解析威胁报警转化为流表规则下发至数据平面,阻断Web Shell攻击流量。测试结果表明,本文方法的检测准确率为94.92%,各模块性能开销不影响SDN系统正常运行,能够对所有产生报警的攻击通信进行阻断,阻断平均时延为0.725s。4.提出了一种基于随机微分方程的流表溢出型DDo S攻击流量防御方法。针对SDN中存在的流表溢出型的DDo S攻击和当前攻击防御能力弱的问题,将流表溢出攻击近似为布朗运动,首先利用泰勒公式对随机微分方程的漂移系数和扩散系数进行扩展和调整,然后利用极限定理将SDN网络的溢出攻击弱收敛到近似二维马尔可夫扩散过程,得到改进的随机微分方程,最后根据SDN网络攻击的随机性,将随机微分方程转换为基于振幅的振幅方程,并建立攻击检测方案。方案具体实现时利用基于流表统计的方法计算网络状态特征值判定区分网络的正常状态和被攻击状态,并结合BP神经网络算法判定网络状态特征值的有效性,从而识别流表溢出型的DDo S攻击的恶意流量,同时利用流表空间共享策略缓解因为攻击造成的流表空间过载问题。对比测试的结果表明,本文方法对攻击的检测正确率为99.52%,多级流表防御耗时优化率最高可达99.7%,优于对比测试对象。5.设计并实现了一种SDN恶意流量防御原型系统。以主流控制器Floodlight为底层控制器,本文提出的恶意流量防御方法进行设计,实现了SDN恶意流量防御原型系统。该系统主要由监控中心和分析中心两个部分构成,监控中心部署在SDN架构数据平面,是对基于链路监控的恶意流量防御方法的实现,分析中心部署在SDN架构的控制平面,是对其它三种恶意流量防御方法的整合。验证测试的结果表明该系统能有效防御洪泛型DDo S攻击流量、Web Shell流量和流表溢出型DDo S攻击流量,能检测和隔离恶意交换机,且性能开销在合理范围内不影响系统使用。对比测试的结果表明,对于针对SDN网络的特定Web Shell和流表溢出型DDo S攻击流量,原型系统明显优于Snort。论文分析了SDN网络体系结构特点,归纳SDN下基于网络恶意流量的攻击威胁特征,通过对网络仿真、深度学习、数学建模、形式化分析等技术理论的研究,搭建网络攻防模型,提出各种优化策略和算法,并在模拟实验环境下验证了所提算法的可行性和有效性。为SDN恶意流量攻防提出了较为全面的解决方案。
任皓[10]（2019）在《针对WEB服务器的DDoS攻击与防御技术研究》文中提出近年来,针对Web服务器的分布式拒绝服务（Distributed Denial of Service,DDoS）攻击的事件不断增长,导致遭受DDoS攻击的网站对用户无服务提供,并造成大量资源和金钱损失。针对WEB服务器的DDoS攻击均属于应用层DDoS攻击,即攻击者与攻击目标建立TCP连接后采用真实源IP地址发动的DDoS攻击。攻击者采用模仿正常用户访问行为的攻击方式,此种攻击方式隐蔽性强,在流量层面不会表现出异常现象,并且表现形式与突发访问（Flash Crowd）非常相似,难以区分正常用户与非法用户,这使得检测WEB服务器的DDoS攻击极为困难。因此,为了保证WEB服务器安全和服务可用,如何防御WEB服务器的DDoS攻击变得尤为重要。首先,通过分析WEB服务器DDoS攻击的原理和模式,对用户访问和攻击者攻击行为进行深入探究。因为用户访问路径走势受访问行为控制,而具有攻击行为的访问与正常用户访问之间存在较大差异性,即WEB服务器遭受DDoS攻击时,用户的异常访问行为会突显,所以通过提取用户行为异常特征因子能有效识别WEB服务器DDoS攻击。同时,为了准确判定访问过程中各个时间节点用户访问行为的异常,通过分析WEB访问路径长度和路径节点序列,综合性计算用户访问过程中的实时异常值。然后,本文提出一种基于WEB访问路径的攻击检测防御模型（WEB Access Path,WAP）,由数据采集模块,异常检测模块和防御模块组成,其中核心模块为WEB访问路径异常检测。异常检测模块从五个不同的角度对用户访问过程进行异常检测,分别为请求路径异常、请求分布异常、路径循环异常、行为时隙异常和路径长度异常。通过计算正常用户访问网站时的正常值以及具有攻击行为用户的异常值偏离程度,以此为依据判定是否遭受DDoS攻击。当判定遭受DDoS攻击时,防御模块记录异常用户身份信息,并依据用户非法值大小执行相应防御策略,限制具有攻击行为用户的访问,达到防御针对WEB服务器DDoS攻击的目的。最后,实验采用真实日志数据集作为训练集,使用五种不同类型的应用层DDoS攻击向实验网站发动攻击。实验结果表明,基于WEB访问路径的攻击检测防御模型能够在短时间内识别出攻击并采取有效的防御措施抵制,减小误判的发生。
二、异常检测模式判定策略的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、异常检测模式判定策略的研究（论文提纲范文）
（1）基于深度学习的交通流运行风险评估方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.3 研究现状综述 |
| 1.3.1 交通流缺失数据填补研究现状 |
| 1.3.2 交通风险状态划分研究现状 |
| 1.3.3 交通风险状态预测研究现状 |
| 1.3.4 交通事故自动检测研究现状 |
| 1.3.5 交通事故影响程度预估研究现状 |
| 1.3.6 研究现存问题 |
| 1.4 研究框架与章节安排 |
| 1.4.1 研究框架 |
| 1.4.2 章节安排 |
| 1.5 本章小结 |
| 第2章 基于生成对抗的交通流缺失数据填补方法 |
| 2.1 概述 |
| 2.2 交通流缺失数据表达 |
| 2.2.1 交通流数据缺失模式 |
| 2.2.2 基于时空矩阵的交通流缺失数据表达 |
| 2.3 交通流缺失数据填补网络模型构建 |
| 2.3.1 TGAIN多重填补网络框架 |
| 2.3.2 TGAIN网络结构 |
| 2.3.3 基于TGAIN的多重填补 |
| 2.4 实例验证与分析 |
| 2.4.1 实验描述与评价指标 |
| 2.4.2 模型参数设置 |
| 2.4.3 TGAIN模型收敛性分析 |
| 2.4.4 对比实验分析 |
| 2.5 本章小结 |
| 第3章 基于深度聚类的交通风险状态划分方法 |
| 3.1 概述 |
| 3.2 交通风险状态划分问题定义 |
| 3.3 交通风险状态深度聚类网络模型构建 |
| 3.3.1 TRDCN交通风险聚类网络框架 |
| 3.3.2 TRDCN 网络结构 |
| 3.3.3 TRDCN多任务学习策略 |
| 3.4 实例验证与分析 |
| 3.4.1 数据描述与评价指标 |
| 3.4.2 模型参数设置 |
| 3.4.3 对比实验分析 |
| 3.4.4 交通风险状态等级量化 |
| 3.5 本章小节 |
| 第4章 基于短时参数预测的交通风险状态预测方法 |
| 4.1 概述 |
| 4.2 交通流参数特性分析 |
| 4.3 短时交通参数预测网络模型构建 |
| 4.3.1 M-B-LSTM网络结构 |
| 4.3.2 M-B-LSTM多阶段训练策略 |
| 4.3.3 实例验证与分析 |
| 4.4 基于参数预测结果的交通风险状态预测 |
| 4.4.1 交通风险状态预测网络框架 |
| 4.4.2 交通风险状态预测结果分析 |
| 4.5 本章小结 |
| 第5章 基于时空图异常检测的交通事故自动检测方法 |
| 5.1 概述 |
| 5.2 交通异常事故检测定义 |
| 5.3 交通异常事故自动检测网络模型构建 |
| 5.3.1 STGAD交通事故自动检测网络框架 |
| 5.3.2 STGAD网络结构 |
| 5.3.3 STGAD训练策略 |
| 5.4 实例验证与分析 |
| 5.4.1 数据描述与评价指标 |
| 5.4.2 模型参数设置 |
| 5.4.3 对比实验分析 |
| 5.5 本章小结 |
| 第6章 基于深度随机森林的交通事故影响程度预估方法 |
| 6.1 概述 |
| 6.2 交通事故影响程度评价与影响因素分析 |
| 6.2.1 交通事故影响程度评价 |
| 6.2.2 交通事故影响因素分析 |
| 6.3 交通事故影响程度预估网络模型构建 |
| 6.3.1 X-G-PGCF交通事故影响程度预估网络框架 |
| 6.3.2 基于Xgboost的事故特征变量选择 |
| 6.3.3 基于GAN的事故特征增强 |
| 6.3.4 基于PGCF的交通事故影响程度预测 |
| 6.4 实例验证与分析 |
| 6.4.1 数据处理与评价指标 |
| 6.4.2 事故特征重要度分析 |
| 6.4.3 X-G-PGCF模型参数设定 |
| 6.4.4 对比实验分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（2）基于多维数据模型的产品质量异常判定策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与章节安排 |
| 第2章 相关算法知识 |
| 2.1 引言 |
| 2.2 概率密度估计方法 |
| 2.2.1 参数估计方法 |
| 2.2.2 非参数估计方法 |
| 2.3 聚类算法 |
| 2.3.1 度量方法 |
| 2.3.2 聚类方法 |
| 2.4 支持向量数据描述 |
| 2.4.1 线性支持向量数据描述 |
| 2.4.2 非线性支持向量数据描述 |
| 2.5 本章小结 |
| 第3章 基于聚类超矩形模型的质量判定 |
| 3.1 引言 |
| 3.2 核密度估计的参数设计 |
| 3.3 聚类超矩形模型 |
| 3.3.1 基于核密度估计的聚类算法 |
| 3.3.2 聚类超矩形 |
| 3.4 聚类超矩形模型算法流程 |
| 3.5 实验仿真与分析 |
| 3.6 本章小结 |
| 第4章 基于聚类超球体模型的质量判定 |
| 4.1 引言 |
| 4.2 基于支持向量数据描述的质量判定 |
| 4.3 聚类超球体模型 |
| 4.3.1 基于几何关系的判别函数优化算法 |
| 4.3.2 聚类超球体 |
| 4.4 聚类超球体模型算法流程 |
| 4.5 实验仿真与分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间取得的科研成果 |
| 附录2 攻读硕士学位期间参加的科研项目 |
（3）基于雾计算的物联网数据采集开发与分析方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 物联网数据采集和处理架构研究 |
| 1.2.2 物联网数据处理算法研究 |
| 1.3 本文主要工作 |
| 第二章 相关背景知识介绍 |
| 2.1 Zigbee技术概述 |
| 2.1.1 Zigbee的技术优势 |
| 2.1.2 Zigbee网络模型及协议栈 |
| 2.2 数据压缩和异常检测方法 |
| 2.2.1 数据压缩方法 |
| 2.2.2 数据异常检测方法 |
| 2.3 增量学习概述 |
| 2.4 本章小结 |
| 第三章 基于雾计算的数据压缩和异常检测方法研究 |
| 3.1 数据压缩和异常检测方法的意义 |
| 3.2 雾计算混合数据分析架构研究 |
| 3.3 基于主成分分析的数据压缩和异常检测方法研究 |
| 3.3.1 主成分分析算法分析 |
| 3.3.2 基于主成分分析的数据处理方法实现 |
| 3.4 基于增量主成分的数据压缩和异常检测方法研究 |
| 3.4.1 增量主成分算法分析 |
| 3.4.2 方法实现和主成分更新策略研究 |
| 3.5 算法分析 |
| 3.5.1 算法性能分析 |
| 3.5.2 更新策略分析 |
| 3.6 本章小结 |
| 第四章 基于雾计算的数据采集和分析系统的设计与开发 |
| 4.1 系统需求分析 |
| 4.1.1 数据采集系统需求分析 |
| 4.1.2 雾节点功能需求分析 |
| 4.2 系统整体设计 |
| 4.2.1 整体系统架构 |
| 4.2.2 自适应采集系统设计 |
| 4.2.3 雾节点功能设计 |
| 4.3 自适应数据采集策略研究 |
| 4.4 Zigbee自适应采集系统实现 |
| 4.4.1 OSAL任务处理机制 |
| 4.4.2 Zigbee睡眠机制研究 |
| 4.4.3 自适应数据采集功能实现 |
| 4.4.4 雾节点功能实现 |
| 4.5 本章小结 |
| 第五章 系统搭建和功能验证 |
| 5.1 系统搭建及功能验证 |
| 5.1.1 测试方案 |
| 5.1.2 系统搭建和功能验证 |
| 5.2 自适应采集策略性能分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间撰写的论文 |
| 附录2 攻读硕士学位期间申请的专利 |
| 附录3 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（4）离群点检测及其参数优化算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景与意义 |
| 1.2 离群点检测的国内外研究历史与现状 |
| 1.2.1 参数k选择问题 |
| 1.2.2 离散型离群点检测 |
| 1.2.3 时间序列离群点检测 |
| 1.2.4 离群点检测的评价指标 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 离群点检测中的参数k选择算法 |
| 2.1 引言 |
| 2.2 参数k选择策略概述 |
| 2.2.1 参数k的选择问题 |
| 2.2.2 基于降低算法对参数k的依赖性 |
| 2.2.3 基于寻找自然k |
| 2.3 方法 |
| 2.3.1 互近邻图 |
| 2.3.2 互近邻图的稳定状态 |
| 2.3.3 互近邻图稳定状态的有效性 |
| 2.3.4 基于互近邻图的参数k搜索算法 |
| 2.4 实验结果与分析 |
| 2.4.1 人工合成数据集 |
| 2.4.2 真实数据集 |
| 2.5 本章小结 |
| 第三章 基于主动自编码的离群点检测算法 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 无监督离群点检测的性能瓶颈 |
| 3.2.2 深度自编码 |
| 3.2.3 离群点检测中的主动学习 |
| 3.3 主动自编码器 |
| 3.3.1 主动自编码的框架 |
| 3.3.2 基于影响力的主动学习 |
| 3.3.3 膨胀-收缩算子 |
| 3.3.4 基于主动自编码器的离群点检测 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 基准数据集上的实验结果 |
| 3.4.3 眼底图像的离群点检测 |
| 3.5 本章小结 |
| 第四章 基于相对密度的离群点检测算法 |
| 4.1 引言 |
| 4.2 基于密度的离群点检测概述 |
| 4.2.1 常见的基于密度的离群点检测算法 |
| 4.2.2 低密度模式问题 |
| 4.3 方法 |
| 4.3.1 相对近邻空间 |
| 4.3.2 相对近邻离群因子 |
| 4.3.3 基于相对密度的离群点检测算法 |
| 4.4 实验结果与分析 |
| 4.4.1 人工合成数据集 |
| 4.4.2 真实数据集 |
| 4.5 本章小结 |
| 第五章 多对象时间序列离群点检测 |
| 5.1 时间序列离群点检测概述 |
| 5.1.1 基于滑动窗口的时间序列离群点检测 |
| 5.1.2 基于循环神经网络的时间序列离群点检测 |
| 5.1.3 多时间序列离群点检测算法 |
| 5.2 模型聚合解聚的智能触发机制 |
| 5.2.1 引言 |
| 5.2.2 模型聚合解聚触发机制概述 |
| 5.2.2.1 聚合解聚的触发时机 |
| 5.2.2.2 现有触发机制存在的问题 |
| 5.2.3 基于关注近邻的关注域划分算法 |
| 5.2.3.1 相关概念 |
| 5.2.3.2 关注域 |
| 5.2.3.3 关注域划分算法 |
| 5.2.4 基于关注域的多实体时序离群点检测算法 |
| 5.2.4.1 相关描述 |
| 5.2.4.2 关注域的离群值计算 |
| 5.2.4.3 模型聚合解聚智能触发机制流程 |
| 5.2.5 实验结果与分析 |
| 5.2.5.1 数据集描述及评价方法 |
| 5.2.5.2 效果对比及复杂度分析 |
| 5.3 基于长短期记忆网络的多对象时空离群点检测框架 |
| 5.3.1 引言 |
| 5.3.2 多对象时空异常检测 |
| 5.3.2.1 多对象序列 |
| 5.3.2.2 问题描述 |
| 5.3.3 方法 |
| 5.3.3.1 概况 |
| 5.3.3.2 基于长短期记忆网络的重构模型 |
| 5.3.3.3 基于显示约束图的多对象时空离群点检测 |
| 5.3.4 实验结果与分析 |
| 5.3.4.1 实验设置 |
| 5.3.4.2 结果分析 |
| 5.4 本章小结 |
| 第六章 离群点检测算法的评价指标 |
| 6.1 引言 |
| 6.2 常用的离群点检测算法评价指标 |
| 6.2.1 阈值法 |
| 6.2.2 曲线法 |
| 6.2.3 整合法 |
| 6.3 方法 |
| 6.3.1 高真正率和低假正率指标 |
| 6.3.2 证明 |
| 6.4 实验结果与分析 |
| 6.4.1 实验准备 |
| 6.4.2 结果及分析 |
| 6.5 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（5）纯电动汽车空调控制器测试系统的研究与设计（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 测试技术研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 目前存在的主要问题 |
| 1.3.1 缺乏控制策略测试功能 |
| 1.3.2 不能准确定位电路故障 |
| 1.4 论文主要研究内容 |
| 1.5 本章小结 |
| 第2章 纯电动汽车空调控制器测试关键技术的分析 |
| 2.1 纯电动汽车空调系统的概述 |
| 2.1.1 纯电动汽车空调系统组成 |
| 2.1.2 纯电动汽车空调控制器工作原理 |
| 2.1.3 纯电动汽车与燃油汽车空调控制器的区别 |
| 2.2 功能测试方法分析 |
| 2.2.1 常见的功能测试方法 |
| 2.2.2 判定表测试法 |
| 2.3 策略测试方法分析 |
| 2.3.1 常见的策略测试方法 |
| 2.3.2 基本路径测试法 |
| 2.4 故障定位方法分析 |
| 2.4.1 故障传播有向图 |
| 2.4.2 系统节点的分层重构 |
| 2.4.3 测试点优选策略 |
| 2.5 本章小结 |
| 第3章 纯电动汽车空调控制器测试方法的设计 |
| 3.1 判定表测试法在功能测试中的应用 |
| 3.1.1 功能测试需求分析 |
| 3.1.2 功能测试判定表的建立 |
| 3.2 基本路径测试法在策略测试中的应用 |
| 3.2.1 空调控制器制热策略分析 |
| 3.2.2 制热策略控制流图 |
| 3.2.3 制热策略独立路径数 |
| 3.2.4 策略测试用例的导出 |
| 3.3 故障传播有向图在电路故障定位中的应用 |
| 3.3.1 空调控制器电路故障传播有向图 |
| 3.3.2 故障传播有向图的分层重构 |
| 3.3.3 空调控制器电路故障定位步骤 |
| 3.4 本章小结 |
| 第4章 纯电动汽车空调控制器测试系统的软硬件设计 |
| 4.1 测试系统架构设计 |
| 4.2 测试系统硬件设计 |
| 4.2.1 测试系统硬件总体设计 |
| 4.2.2 测试系统硬件电路模块设计 |
| 4.3 测试系统软件设计 |
| 4.3.1 测试系统软件结构设计 |
| 4.3.2 底层驱动软件设计 |
| 4.3.3 功能测试软件设计 |
| 4.3.4 策略测试软件设计 |
| 4.3.5 电路故障定位软件设计 |
| 4.4 测试系统上位机软件设计 |
| 4.4.1 上位机显示界面的设计 |
| 4.4.2 上位机数据处理程序设计 |
| 4.5 本章小结 |
| 第5章 纯电动汽车空调控制器测试系统验证与分析 |
| 5.1 纯电动汽车空调控制器测试系统搭建 |
| 5.1.1 测试系统总体结构 |
| 5.1.2 测试系统环境搭建 |
| 5.2 纯电动汽车空调控制器功能测试验证 |
| 5.2.1 PWM信号输出模块功能测试 |
| 5.2.2 电源模块功能测试 |
| 5.2.3 电机驱动模块功能测试 |
| 5.2.4 传感器采集模块功能测试 |
| 5.2.5 其他模块功能测试 |
| 5.2.6 功能测试结果分析 |
| 5.3 纯电动汽车空调控制器策略测试验证 |
| 5.3.1 策略测试用例的导入 |
| 5.3.2 制热策略测试结果分析 |
| 5.4 纯电动汽车空调控制器故障定位验证 |
| 5.4.1 电路故障注入 |
| 5.4.2 电路故障定位测试结果分析 |
| 5.5 本章小结 |
| 第6章 总结及展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（6）数据驱动的电力变压器智能化健康管理关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力变压器异常检测技术研究现状 |
| 1.2.2 电力变压器故障诊断技术研究现状 |
| 1.2.3 电力变压器状态评估技术研究现状 |
| 1.2.4 电力变压器态势预测技术研究现状 |
| 1.3 论文主要研究内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 第2章 面向电力变压器监测数据的异常识别及模式区分方法研究 |
| 2.1 基于时序建模与孤立森林算法的异常数据识别方法 |
| 2.1.1 经验小波变换理论 |
| 2.1.2 差分自回归移动平均模型 |
| 2.1.3 孤立森林算法 |
| 2.2 基于改进多维SAX向量表示与时间序列关联性分析的异常模式区分方法 |
| 2.2.1 基于改进多维SAX向量表示方法的异常模式判定 |
| 2.2.2 基于灰关联算法的时间序列关联性分析 |
| 2.2.3 监测数据异常检测技术框架 |
| 2.3 实例分析 |
| 2.3.1 实例一 |
| 2.3.2 实例二 |
| 2.4 本章小节 |
| 第3章 基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强方法研究 |
| 3.1 面向不平衡样本分类的传统处理方法 |
| 3.1.1 处理方法概述 |
| 3.1.2 基于SMOTE的过采样技术 |
| 3.2 基于梯度惩罚优化的CWGAN模型 |
| 3.2.1 GAN模型 |
| 3.2.2 CGAN模型 |
| 3.2.3 CWGAN-GP模型 |
| 3.3 基于数据增强方法的故障诊断技术框架 |
| 3.3.1 特征参量选取 |
| 3.3.2 设备状态编码 |
| 3.3.3 基于深度学习的故障诊断模型 |
| 3.3.4 基于数据增强方法的故障诊断流程 |
| 3.4 实例分析 |
| 3.4.1 数据获取及分布情况 |
| 3.4.2 分类性能评价指标 |
| 3.4.3 结果分析与讨论 |
| 3.5 本章小结 |
| 第4章 计及信息不确定性的电力变压器多层级健康状态综合评估方法研究 |
| 4.1 多层级健康状态评估体系构建 |
| 4.1.1 状态指标的选取 |
| 4.1.2 评估体系的深层架构设计 |
| 4.2 基于信息不确定性综合处理的健康状态评估方法 |
| 4.2.1 基于可拓云理论的状态指标劣化评估方法 |
| 4.2.2 评估因素的综合权重赋值方法 |
| 4.2.3 基于改进DSmT理论的信息融合方法 |
| 4.3 实例分析 |
| 4.3.1 健康状态评估流程 |
| 4.3.2 单台设备验证分析 |
| 4.3.3 多台设备验证分析 |
| 4.4 本章小结 |
| 第5章 基于经验模态分解和长短期记忆神经网络的电力变压器油中溶解气体浓度预测方法研究 |
| 5.1 经验模态分解理论 |
| 5.2 长短期记忆神经网络 |
| 5.2.1 循环神经网络 |
| 5.2.2 长短期记忆神经网络 |
| 5.2.3 LSTM神经网络的训练过程 |
| 5.2.4 LSTM神经网络的超参数优化 |
| 5.3 EMD-LSTM组合预测模型 |
| 5.4 实例分析 |
| 5.4.1 时序数据预处理 |
| 5.4.2 预测模型超参数优化 |
| 5.4.3 预测性能评价指标 |
| 5.4.4 结果分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 个人简历 |
（7）基于无线传感器网络的水质数据流异常检测与预测方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景和意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究的目的和意义 |
| 1.2 水质监测的常用技术 |
| 1.3 水质监测应用研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 研究内容和研究方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 1.5 特色与创新 |
| 1.6 本文的组织架构 |
| 第二章 水质监测数据分析方法概述 |
| 2.1 引言 |
| 2.2 异常检测 |
| 2.2.1 传统的异常检测方法 |
| 2.2.2 传感器数据的异常检测方法 |
| 2.3 数据融合 |
| 2.3.1 基于估计的方法 |
| 2.3.2 基于统计的方法 |
| 2.3.3 信息论方法 |
| 2.3.4 人工智能方法 |
| 2.4 数据预测预警 |
| 2.4.1 传统的水质预测方法 |
| 2.4.2 智能型水质预测方法 |
| 2.5 本章小结 |
| 第三章 基于改进SVDD的水质数据异常检测算法 |
| 3.1 引言 |
| 3.2 异常检测相关方法 |
| 3.2.1 支持向量机 |
| 3.2.2 支持向量数据描述 |
| 3.2.3 概率密度估计理论 |
| 3.3 基于改进密度补偿的SVDD异常检测算法 |
| 3.3.1 D-SVDD |
| 3.3.2 改进D-SVDD算法 |
| 3.4 改进密度补偿的SVDD异常检测算法的实验验证 |
| 3.4.1 数据源 |
| 3.4.2 算法评价指标 |
| 3.4.3 不同核函数性能比较 |
| 3.4.4 异常检测性能对比 |
| 3.5 本章小结 |
| 第四章 基于新型支持度函数的数据质量提高算法 |
| 4.1 引言 |
| 4.2 相关方法 |
| 4.2.1 支持度函数 |
| 4.2.2 动态时间规整 |
| 4.3 新型数据融合算法 |
| 4.3.1 支持度函数改进型算法 |
| 4.3.2 基于DTW的支持度函数 |
| 4.3.3 基于改进DTW的新型支持度函数 |
| 4.3.4 基于DTWS-ISD的数据融合模型 |
| 4.4 新型支持度函数融合算法实验验证 |
| 4.4.1 数据源 |
| 4.4.2 数据分析和评价指标 |
| 4.4.3 算法实现与性能对比 |
| 4.5 本章小结 |
| 第五章 基于EFIG-OSELM的多尺度溶解氧预测方法 |
| 5.1 引言 |
| 5.2 池塘溶解氧数据特性分析 |
| 5.2.1 水体溶解氧变化分析 |
| 5.2.2 溶解氧时间序列特性分析 |
| 5.2.3 水体溶解氧影响因子分析 |
| 5.3 基于EFIG-OSELM的溶解氧预测方法相关理论 |
| 5.3.1 经验模态分解 |
| 5.3.2 模糊熵重构 |
| 5.3.3 改进遗传算法 |
| 5.3.4 极限学习机 |
| 5.3.5 在线贯序极限学习机 |
| 5.4 基于EFIG-OSELM的溶解氧预测模型 |
| 5.4.1 基于改进遗传算法优化OSELM |
| 5.4.2 基于EFIG-OSELM的水产养殖溶解氧预测模型的设计 |
| 5.5 基于EFIG-OSELM预测模型的实验验证 |
| 5.5.1 基于EMD的数据分解 |
| 5.5.2 基于模糊熵的数据重构 |
| 5.5.3 预测模型的评价 |
| 5.5.4 预测算法实现与性能对比 |
| 5.6 本章小结 |
| 第六章 基于分簇策略的优化极限学习机溶解氧预测方法 |
| 6.1 引言 |
| 6.2 水体溶解氧预测相关方法 |
| 6.2.1 因子分析法 |
| 6.2.2 k-medoids聚类方法 |
| 6.2.3 偏最小二乘法 |
| 6.3 CSELM溶解氧预测模型构建 |
| 6.3.1 气象指数定义和评估 |
| 6.3.2 基于k-medoids的实验数据分簇 |
| 6.3.3 PLS-SELM预测模型 |
| 6.3.4 CSELM溶解氧预测模型 |
| 6.4 CSELM预测模型的实验验证 |
| 6.4.1 数据源与性能评价 |
| 6.4.2 算法实现与性能对比 |
| 6.5 本章小结 |
| 第七章 水产养殖水质监测预警系统的设计与实现 |
| 7.1 引言 |
| 7.2 需求分析 |
| 7.2.1 用户需求分析 |
| 7.2.2 功能需求分析 |
| 7.3 系统硬件设计 |
| 7.4 软件设计 |
| 7.4.1 功能模块设计 |
| 7.4.2 数据库设计 |
| 7.5 预警系统实现 |
| 7.5.1 开发与运行环境 |
| 7.5.2 系统实现 |
| 7.6 本章小结 |
| 第八章 结论与展望 |
| 8.1 研究结论 |
| 8.2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录 :作者在攻读博士学位期间发表的论文 |
（8）中央空调设备电耗监测数据修复方法体系研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景与意义 |
| 1.2.1 公共建筑节能监管平台的发展 |
| 1.2.2 建筑能耗监测数据的重要性 |
| 1.2.3 研究意义 |
| 1.3 能耗监测数据应用研究进展 |
| 1.3.1 基于监测数据的建筑能耗分析研究进展 |
| 1.3.2 监测数据质量评价与保障研究进展 |
| 1.3.3 基于监测数据的中央空调用电特征研究进展 |
| 1.4 问题能耗监测数据辨识与修复工作进展 |
| 1.4.1 问题能耗监测数据辨识工作研究进展 |
| 1.4.2 基于物理特性模型的修复方法研究进展 |
| 1.4.3 基于数据驱动的修复方法研究进展 |
| 1.5 研究动态分析 |
| 1.6 研究内容与架构 |
| 2 基于获取参数丰富度的监测场景分析 |
| 2.1 电耗相关因素提取 |
| 2.1.1 气象参数 |
| 2.1.2 运行参数 |
| 2.2 监测拓扑结构分类 |
| 2.2.1 电表对应用能设备 |
| 2.2.2 电表对应同类设备 |
| 2.2.3 电表对应制冷机房 |
| 2.3 监测场景分析 |
| 2.3.1 制冷机组监测场景 |
| 2.3.2 冷冻水泵、冷却水泵监测场景 |
| 2.3.3 冷却塔风机、空气处理机组监测场景 |
| 2.3.4 制冷机房监测场景 |
| 2.4 本章小结 |
| 3 问题电耗监测数据的辨识方法研究 |
| 3.1 电耗监测数据类型划分 |
| 3.2 辨识方法设计 |
| 3.2.1 数据降维-主成分分析 |
| 3.2.2 能耗模式分类-k均值聚类 |
| 3.2.3 隐性异常数据辨识方法 |
| 3.3 问题电耗监测数据辨识流程 |
| 3.4 本章小结 |
| 4 问题电耗监测数据的修复方法研究 |
| 4.1 待修复电耗监测数据类型明确 |
| 4.2 修复方法设计 |
| 4.2.1 间断分布的问题数据修复 |
| 4.2.2 连续分布的问题数据修复 |
| 4.3 问题电耗监测数据修复流程 |
| 4.4 本章小结 |
| 5 电耗监测数据修复方法应用 |
| 5.1 某高校科研办公建筑案例分析 |
| 5.1.1 建筑与能耗监测系统概况 |
| 5.1.2 问题电耗监测数据修复结果 |
| 5.1.3 修复结果对比分析 |
| 5.2 基于e-QUEST能耗模拟数据的某高校科研办公建筑案例分析 |
| 5.2.1 建筑能耗模型概况 |
| 5.2.2 能耗模拟结果校核 |
| 5.2.3 问题电耗模拟数据修复结果 |
| 5.2.4 修复结果对比分析 |
| 5.3 某酒店建筑案例分析 |
| 5.3.1 建筑与能耗监测系统概况 |
| 5.3.2 问题电耗监测数据修复结果 |
| 5.3.3 修复结果对比分析 |
| 5.4 某政府机关办公建筑案例分析 |
| 5.4.1 建筑与能耗监测系统概况 |
| 5.4.2 问题电耗监测数据修复结果 |
| 5.4.3 修复结果对比分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（9）面向软件定义网络的恶意流量防御关键技术研究（论文提纲范文）
| 信息工程大学研究生学位论文自评表 |
| 学位论文创新点与发表学术论文对应情况表 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 主要问题 |
| 1.3.1 控制器安全问题 |
| 1.3.2 通道安全问题 |
| 1.3.3 应用安全问题 |
| 1.3.4 策略安全问题 |
| 1.4 研究现状 |
| 1.4.1 传统防御技术 |
| 1.4.2 新型防御技术 |
| 1.5 研究内容 |
| 1.6 论文组织结构 |
| 第2章 SDN与恶意流量概述 |
| 2.1 SDN体系架构 |
| 2.2 基于Open Flow的 SDN关键组件 |
| 2.2.1 Open Flow交换机 |
| 2.2.2 Open Flow控制器 |
| 2.2.3 应用程序 |
| 2.3 恶意流量检测技术 |
| 2.3.1 基本概念 |
| 2.3.2 常见的流量检测方法 |
| 2.4 SDN中恶意流量检测技术 |
| 2.4.1 网络探测型恶意流量 |
| 2.4.2 伪造欺骗型恶意流量 |
| 2.4.3 流表溢出型恶意流量 |
| 2.4.4 SDN中的流量检测方法 |
| 2.5 本章小结 |
| 第3章 基于链路监控的恶意流量防御方法 |
| 3.1 问题描述 |
| 3.2 恶意流量防御模型 |
| 3.2.1 模型组成 |
| 3.2.2 链路监听 |
| 3.2.3 行为分析 |
| 3.2.4 事件处理 |
| 3.3 测试与评估 |
| 3.3.1 测试环境 |
| 3.3.2 恶意流量检测能力评估 |
| 3.3.3 恶意流量防御能力评估 |
| 3.3.4 恶意交换机检测能力评估 |
| 3.3.5 性能开销 |
| 3.4 本章小结 |
| 第4章 基于CTI的恶意流量防御方法 |
| 4.1 问题描述 |
| 4.2 恶意流量防御模型 |
| 4.2.1 基本流程 |
| 4.2.2 威胁情报知识图谱生成 |
| 4.2.3 恶意流量特征识别 |
| 4.2.4 流表规则转换 |
| 4.3 测试与评估 |
| 4.3.1 测试环境 |
| 4.3.2 恶意流量检测能力评估 |
| 4.3.3 恶意流量防御能力评估 |
| 4.3.4 性能开销 |
| 4.4 本章小结 |
| 第5章 基于机器学习的Web Shell恶意流量防御方法 |
| 5.1 问题描述 |
| 5.2 Web Shell恶意流量防御模型 |
| 5.2.1 基本流程 |
| 5.2.2 边缘链路安全判定策略 |
| 5.2.3 主干数据转发策略 |
| 5.2.4 安全控制协同策略 |
| 5.2.5 Web Shell恶意流量检测算法 |
| 5.3 测试与评估 |
| 5.3.1 原型系统设计 |
| 5.3.2 测试环境 |
| 5.3.3 数据集 |
| 5.3.4 恶意流量检测能力评估 |
| 5.3.5 恶意流量防御能力评估 |
| 5.3.6 性能开销 |
| 5.4 本章小结 |
| 第6章 基于随机微分方程的流表溢出型DDoS攻击流量防御方法 |
| 6.1 问题描述 |
| 6.2 流表溢出型DDoS攻击流量检测模型 |
| 6.2.1 漂移系数和扩散系数 |
| 6.2.2 流表溢出攻击形式化表征 |
| 6.2.3 攻击检测和防御 |
| 6.3 测试与评估 |
| 6.3.1 恶意流量检测能力评估 |
| 6.3.2 时间优化性能评估 |
| 6.4 本章小结 |
| 第7章 SDN恶意流量防御原型系统设计与实现 |
| 7.1 系统概述 |
| 7.2 设计与实现 |
| 7.2.1 监控中心 |
| 7.2.2 分析中心 |
| 7.3 测试与评估 |
| 7.3.1 测试环境 |
| 7.3.2 DDoS攻击测试 |
| 7.3.3 Web Shell攻击测试 |
| 7.3.4 性能开销 |
| 7.3.5 对比测试 |
| 7.4 本章小结 |
| 第8章 总结与展望 |
| 8.1 研究总结及创新点 |
| 8.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（10）针对WEB服务器的DDoS攻击与防御技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作 |
| 1.4 论文结构 |
| 第2章 针对WEB服务器的DDoS攻击 |
| 2.1 DDoS攻击概述 |
| 2.2 应用层DDoS攻击 |
| 2.2.1 HTTP协议 |
| 2.2.2 应用层DDoS原理 |
| 2.2.3 应用层DDoS方法 |
| 2.3 WEB服务器DDoS攻击 |
| 2.3.1 HTTP-Get泛洪攻击 |
| 2.3.2 HTTP-POST慢速攻击 |
| 2.4 本章小结 |
| 第3章 针对WEB服务器的DDoS防御技术 |
| 3.1 基于会话异常度的防御检测 |
| 3.2 基于WEB群体外联行为的防御检测 |
| 3.3 基于用户忠实度的防御检测 |
| 3.4 本章小结 |
| 第4章 改进的针对WEB的DDoS攻击检测与防御WAP模型 |
| 4.1 WAP模型构架 |
| 4.2 WEB访问路径 |
| 4.2.1 定义 |
| 4.2.2 相关参数 |
| 4.2.3 特征分析 |
| 4.3 路径数据分析与处理 |
| 4.3.1 访问日志获取路径数据 |
| 4.3.2 会话跟踪获取路径数据 |
| 4.4 防御机制 |
| 4.5 WEB访问路径异常检测 |
| 4.5.1 请求路径异常 |
| 4.5.2 请求分布异常 |
| 4.5.3 路径循环异常 |
| 4.5.4 行为时隙异常 |
| 4.5.5 路径长度异常 |
| 4.5.6 路径异常度 |
| 4.6 本章小结 |
| 第5章 实验与结果分析 |
| 5.1 实验环境 |
| 5.1.1 Nginx |
| 5.1.2 WAF防火墙 |
| 5.1.3 BadBoy脚本录制工具 |
| 5.1.4 JMeter测试软件 |
| 5.1.5 数据集处理 |
| 5.2 实验结果与分析 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
| 致谢 |
四、异常检测模式判定策略的研究（论文参考文献）
- [1]基于深度学习的交通流运行风险评估方法研究[D]. 李海涛. 吉林大学, 2021(01)
- [2]基于多维数据模型的产品质量异常判定策略研究[D]. 黄伟鹏. 武汉科技大学, 2021(01)
- [3]基于雾计算的物联网数据采集开发与分析方法研究[D]. 郭鑫辉. 南京邮电大学, 2020(03)
- [4]离群点检测及其参数优化算法研究[D]. 宁进. 电子科技大学, 2020(03)
- [5]纯电动汽车空调控制器测试系统的研究与设计[D]. 张宇雷. 重庆邮电大学, 2020(02)
- [6]数据驱动的电力变压器智能化健康管理关键技术研究[D]. 许自强. 华北电力大学(北京), 2020(06)
- [7]基于无线传感器网络的水质数据流异常检测与预测方法[D]. 施佩. 江南大学, 2020(01)
- [8]中央空调设备电耗监测数据修复方法体系研究[D]. 柴竹玥. 大连理工大学, 2020
- [9]面向软件定义网络的恶意流量防御关键技术研究[D]. 赵新辉. 战略支援部队信息工程大学, 2020(03)
- [10]针对WEB服务器的DDoS攻击与防御技术研究[D]. 任皓. 河北科技大学, 2019(07)