摘要：在传统的VANETS (Vehicle Ad-hoc Networks)向IoV (Internet of Vehicles)转变的过程中,车联网范围不断扩大以及车联网内流量不断增加,使得传统入侵检测系统难以识别攻击信息或者无法及时给出反馈。Sybil攻击作为车联网环境中的一种重要攻击类型,通过模拟正常车辆的运行特性造成道路信息混乱、阻塞,为车辆的安全驾驶带来巨大挑战。本文面向车联网环境中的sybil攻击行为,使用基于流量统计的入侵检测分析方法来对sybil攻击行为进行鉴别。在数据收集方面,利用仿真工具Veins模拟实际车联网环境中的信息传输过程;在分类器选用方面,利用机器学习中的MLP (Multilayer Perceptron)神经网络,训练能够识别sybil攻击的入侵检测模型;在可视化方面,设计具有便捷交互性的用户界面来进行展示和预警。检测实验表明,本文所设计的入侵检测系统在区分正常流量和sybil攻击行为上平均达到了85%以上的准确率,同时能够在可视化界面上及时地反馈预测结果。

摘要：随着电力事业的快速发展,变电所对接地系统的要求越来越严格。但由于接地网设计不全面、施工不精细和测试不准确等原因,近年来已发生了多起接地网引起的事故,所以接地网对电力系统的安全稳定运行起着非常重要的作用。状态检测班一般通过直线法或30°夹角法对接地网进行试验,但是试验重复率很高。主要探寻一种降低试验重复率的方法,降低工作量,提高工作效率。