摘要：针对现有分布式电源调控系统安全威胁检测存在的检测精度不高、通信效率低等突出问题,以及由于数据手工标注的高成本、低效率等客观原因和模型自动伪标注不可信导致的数据利用不充分问题,提出了一种基于半监督联邦学习(SSFL)的安全威胁分布式协同检测方法,在云端和边缘设备之间进行协同训练,并通过未标记数据进行模型自我学习和优化,从而更好适应分布式电源调控系统的安全威胁环境。首先,采用改进Transformer模型有效捕获安全威胁。其次,考虑到分布式电源调控系统的数据具有跨设备、跨区域的特点,引入联邦学习确保本地数据隐私安全。然后,针对未标记数据问题,通过云边协同训练获得全局模型并进行伪标记,设计一致性正则化与信息熵正则的损失函数以保证伪标记的可信度。最后,设计动态加权聚合方法优化参数更新和模型训练。在密西西比大学电力系统数据集上进行仿真实验,实验结果表明,与FedAvg-FixMatch方法和FedMatch方法相比,检测准确率分别提升了8%和4%,且类别召回率和精确率均有提高,显著减少了18%~28%的通信开销,表明了所提方法在分布式电源调控系统安全威胁检测中的有效性和实用性。

摘要：排水管网是城市基础设施的重要组成部分,对排水管网进行周期性的全面检测是快速发现管道病害、及时进行维修整改和提高管道建设质量的关键。管道胶囊是一种新型管道检测设备,可以在管道内部随流体运动时拍摄管道内壁图像,智能高效地检测出管道病害。该方法弥补了传统方法检测效率低、作业成本高等不足。在大范围管网检测工作中,多名工作人员可以相互配合,同时,操作多胶囊进行协同检测。因此,设计胶囊的投放、打捞位置,以及规划工作人员运动路径对于提高检测效率至关重要。提出了一种基于管道胶囊的排水管网协同检测方法,以最短工作时间、最短运动距离、最大检测范围、最大检测度为目标,利用模拟退火算法求解出最优协同检测方案。实验结果显示,基于管道胶囊的排水管网协同检测方法能够在实际检测作业中高效地完成管网检测任务,准确地识别管道病害区域。

摘要：网络流量异常状态检测是发现潜在安全威胁的重要手段,但是现有异常流量检测方法普遍存在环境适应性不强、协同能力较弱等问题。结合SDN网络的拓扑结构与流量特征,提出基于联邦学习的异常流量协同检测技术。利用SDN网络中的检测节点,构建基于联邦学习的多检测节点协同检测架构。通过信息熵计算提取流量特征,从相对熵的角度分析检测节点的流量关联度,并根据该关联度设计模型训练过程中的参数聚合权重优化算法,提高检测模型的适应能力。应用参数聚合权重优化算法进行多检测节点异常流量检测模型的协同训练,提升检测模型对异常流量的识别准确率。仿真结果表明,与本地独立训练和传统联邦学习算法相比,基于参数聚合权重优化算法的识别准确率分别提升了31.69%和7.92%,具有更好的异常流量检测效果及更强的环境适应能力。

摘要：Agent是人工智能领域中一种新兴的技术,在监控系统中的应用具有很大的优越性.设计实现了一种基于多Agent视频事件协同检测系统VECON.论述了VECON的结构与工作原理,并重点讨论了VECON中单个Agent模型和检测事件的方法,并为视频事件检测技术构建了一个智能的通用框架,使得该系统具有较好的自治性、可移植性和扩展性.最后通过实验,验证了VECON.

摘要：针对现有僵尸网络检测体系结构中协同功能的不足,提出一个层次协同模型,能够在信息、特性以及决策3个级别上进行信息共享与配合联动。基于该模型,提出一个僵尸网络协同检测体系结构——Bot_CODA,并设计了一个新型的特性提取模块,能够从多种数据中提取僵尸网络的内在特性。通过典型案例分析,表明Bot_CODA能够有效提高检测精度,增强检测能力。

摘要：电离层杂波、海杂波以及射频干扰的存在造成高频地波雷达目标检测上的困难。针对高频地波雷达的极化特性和目标在距离-多普勒谱中的扩张特性,先设计一种改进的二维恒虚警检测算法,后将该方法与极化处理方法融合设计一种新的协同检测算法,该检测算法实现了能量域和极化域的协同检测,突破传统极化检测方法计算复杂等问题。高频地波雷达实测数据中的仿真和检测结果表明:在电离层杂波背景中,协同检测算法性能优于恒虚警方法。

摘要：探讨并建立了一个基于多代理和数据融合技术的协同网络入侵检测模型,给出了协同网络入侵检测模型的体系结构及其组件,论述了从网络数据包中提取内容、网络连接与网络通信三种特征,生成可疑入侵事件,设计并实现了入侵事件检测代理(基于特征的检测代理和基于统计的检测代理),通过融合中心进一步改善了检测效果,实验结果表明了该模型的有效性。

摘要：番茄病虫害细粒度识别在实际农业生产中具有重要意义,其不仅能够及时、精准地发现病虫害,减少农业损失,而且有利于治疗过程中的精准用药,能够提升食品安全、减少环境污染。为了进一步提高番茄细粒度病虫害识别的精确度,创新性地提出了一种将图像分类技术与目标检测技术协同融合的细粒度病虫害识别方法,该方法由预处理模块、检测模块、分类模块、融合模块4个部分组成,其中检测模块在目标检测模型基础上增加了检测小目标的特征图,以提高对小病斑的检测能力,并通过设置阈值的方式引入了农作物病害的细粒度向量。分类模块对图像分类模型的下采样层进行改进,减少了病害图片像素的丢失。融合模块设计实现了一种将2类技术融合的方法,从而达到更好的细粒度识别效果。试验结果表明,该方法在番茄的16类细粒度病害识别中,相较于3组单纯依赖图像分类技术的方法,整体识别准确率分别提升了1.58百分点、1.90百分点、2.25百分点,细粒度识别准确率提升了0.28百分点、0.83百分点、1.19百分点。综上,本研究提出的协同方法在番茄细粒度识别中,效果明显优于传统图像分类方法,能够为农业生产起到更大的帮助作用。

摘要：针对现有的分布式入侵检测系统存在检测准确性低、可扩展性差问题,提出一种具有动态可插拔的协同入侵检测模型。该模型主要由检测实体、行为库、协同控制器构成,采用代理技术和Jini技术实现,具有自管理、自修复和跨平台的特性,系统中的各代理可以即插即用,并且能与其它代理进行协同检测。实验结果表明,该模型提高了入侵检测系统的准确性和扩展性。

摘要：为在未知信号源参数的情况下,仅根据接收到的观测信号对信号进行定位,结合频谱感知得到的接收信号强度(RSSI),提出一种分布式蒙特卡洛定位算法,从无线电信号传播损耗特性的物理层面出发,结合RSSI定位和蒙特卡洛方法,将传统的测距定位转换为概率学问题,利用不同检测节点的RSSI值的比较和四分法对信号源位置进行预测,缩小采样空间,增加更多的粒子滤波要求,达到提高定位精度的目的。仿真结果表明,相比于传统定位算法,该算法定位精度高,容错性好,能够减少由RSSI测量精度不高、检测节点频繁离开或加入引起的定位误差。