摘要：带外网管是通过专门的网管通道实现对网络的管理,将网管数据与业务数据分开,为网管数据建立独立通道,这样可以保证重要管理数据、敏感的统计信息、占用带宽的实时计费信息在同一个网络中进行安全、可靠的传输,带外管理方式有助于提高网管的效率与可靠性,也有利于提高网管数据的安全性。

摘要：深度报文检测(DPI,Deep Packet Inspection)技术是一种基于网络数据包的应用层(OSI 7层协议的最上层)流量检测和控制技术,通过深度检测和分析网络数据包载荷的内容来对应用层信息进行重组,从而得到整个数据流或数据包的应用层信息,然后按照系统定义的策略对流量进行统计分析和控制。

摘要：大跨光伏支架结构轻柔,在风荷载作用下易产生显著气动效应。为研究该类结构的气动阻尼特征,对不同风速和张力工况下两种典型倾角(0°和10°)的大跨度柔性光伏支架结构开展气弹风洞试验。基于气弹模型风洞试验结果,分别利用经验小波变换(empirical wavelet transform,EWT)和变分模态分解(variational modal decomposition,VMD)结合改进的随机减量方法(random decrement technique,RDT)识别得到了柔性光伏支架结构在不同风速风向、组件倾角和拉索预张力下的气动阻尼比。研究结果表明,气动阻尼对风向角的变化较为敏感。当组件倾斜铺设时(10°倾角),大跨光伏结构气动阻尼在180°迎风向时会出现负值。张力增加可能导致高风速下平铺组件的气动阻尼比显著降低。气动阻尼比随风速的增加整体呈减小趋势,低风速下基本为正值,而高风速下可能出现负气动阻尼。不同方法识别出的气动阻尼比结果存在一定的差异,但反映出的气动阻尼的变化特征具有一致性。

摘要：氨气(NH_(3))作为一种有害工业废气,严重危害大气环境和人类健康。氨泄露催化剂(ASC)可将选择性催化还原(SCR)催化剂中泄露的NH_(3)氧化为N_(2),有效降低NH_(3)的泄漏量,是柴油车后处理系统实现超低排放的必备催化技术。开发兼具低的NH_(3)泄露和良好的N_(2)选择性的ASC催化剂是目前亟待解决的难题。通过改变SCR涂层涂覆顺序,设计了两种涂层结构的ASC催化剂,并围绕涂层涂覆顺序对NH_(3)转化效率、N_(2)选择性和排放等性能的影响进行系统研究。结果表明:对于两种ASC催化剂,新涂覆方案具有更高的NH_(3)转化效率和氧化选择性。SCR涂层涂覆顺序变更可在不改动配方及工艺的基础上,通过影响ASC上层SCR涂层上载量,提高ASC的N_(2)选择性,显著降低NH_(3)泄露。

摘要：当前网络攻击方法和手段日趋复杂,网络日志深度分析和挖掘是发现异常行为的主要技术手段,针对缺乏对长期潜伏在系统中周期性发起特定攻击的入侵者行为的准确高效判断的问题,提出了一种适用于长周期有间隔日志序列的频繁项集挖掘算法,能够找出有间隔的所有频繁项集,支持这些项集的有效剪枝;并设计了基于KNN分类的异常检测模型。实验结果表明,在对有间隔长周期的日志序列分析中,此方法在时间复杂度、误报率、漏报率方面表现较优,验证了其有效性和合理性。

摘要：建立了新的研究抽油杆柱纵向振动特性的力学模型，研究了抽油杆柱自由振动的固有频率以及抽油杆柱对各种激励的稳态响应。建立了单级杆柱第ｉ阶固有频率ｐｉ和基频ｐ０之间的关系，即ｐｉ＝（２ｉ－１）ｐ０，指出了单级抽油杆柱产生共振的条件是激励频率等于基频的奇数倍，证明了“ＡＰＩＲＰ１１Ｌ有杆抽油系统的设计计算推荐方法”中关于激励频率等于偶数倍基频时单级抽油杆柱将产生共振的结论是错误的，并指出了导致这一错误结论的根本原因是采用的力学模型是错误的。

摘要：提出了一种网络拓扑层次化安全评估框架,并基于该框架设计了一种安全评估过程中风险因素权重计算方法.该方法在传统的层次分析法的基础上进行了改进,引入熵权法的概念并进行修正,在实际运用过程中其计算结果更加合理,为网络安全态势评估奠定良好基础.

摘要：物联网(IoT)网关作为多种网络间异构数据传输与交换的关键节点近年来长期遭受大规模攻击,可靠性差,大规模流量处理延时大、抗攻击能力差等问题显著。而现有对物联网网关的可靠性研究主要集中在加密技术和可信认证机制方面,没有解决大规模攻击环境下物联网的可靠性及安全性问题。因此,本文提出了基于BagR-CNN检测模型的物联网网关安全加固方法,设计了可低功耗集成在物联网网关上并能够快速检测出大规模多步骤攻击的模型。首先,不同于传统的单一流量分类,本方法将相关流量聚合到一个包中,并利用基于信息熵相关性的特征增强算法提高检测准确率。其次,区别于传统的特征提取与约简方法,本文提出基于包内相似度的特征扩展方法,挖掘出隐藏的关联信息并能保证包内数据在噪声扰动下的不变性。最后,本文提出基于高斯混合模型(GMM)的特征压缩算法,将聚合包映射为一维向量并由此训练简单的卷积神经网络,以提高检测效率。实验结果表明,基于BagR-CNN检测模型在准确率、召回率和F1值等方面均优于目前对于大规模多步骤攻击的检测方法。同时,在模拟网关上运行时平均CPU利用率(不使用GPU)低于20%,证明该方法适合集成到网关而不影响网关正常的数据传输工作。