摘要：由于传统网络入侵检测方法的局限性无法满足当前网络安全需要,为提高网络入侵检测的准确率,引入机器学习算法,提出一种基于BiLSTM(bi-directional long short-term memory)和注意力机制的网络入侵检测方法。利用BiLSTM网络进行长距离依赖特征提取,利用DNN(deep neural network)提取更深层次的特征,引入注意力机制增加对特征重要性的计算,通过softmax分类器获得分类结果。使用NSL_KDD数据集作为实验数据,实验结果表明,相比于对比方法,该方法有效提高了入侵检测的准确率,验证了该方法的有效性。

摘要：当前中文地址的分词法主要采用基于规则和传统机器学习的方法。这些方法需要人工长期维护词典和提取特征。为避免特征工程和减少人工维护,提出了将长短时记忆(long short-term memory,LSTM)网络和双向长短时记忆(bi-directional long short-term memory,Bi-LSTM)网络分别应用在中文地址分词任务中,并采用四词位标注法以及增加未标记数据集的方法提升分词性能。在自建数据集上的实验结果表明,中文地址分词任务应用Bi-LSTM网络结构能得到较好的性能,在增加未标记数据集的情况下,可以有效提升模型的性能。

摘要：大数据环境下,互联网及其它行业领域中时刻都在涌现出海量数据并快速增长,传统的查询系统框架存在着数据量增大时无法满足用户实时查询的需求。提出了一种基于Storm的海量轨迹数据实时查询系统设计方法,采用分布式实时计算系统Storm平台对实时海量轨迹进行处理,利用CQL语句对数据流实时查询,对于轨迹数据量较大情况下引起的系统利用率问题,采用动态负载均衡算法对本查询系统进行负载均衡,针对数据量过大超出系统处理上限的问题,设计了一种过载处理方法。通过具体业务数据对该系统进行性能测试,测试结果表明实时查询系统所面临的负载均衡问题得到了有效的改善,系统的实时性得到了明显的提高,能够满足海量轨迹数据的实时查询需求。

摘要：随着Web2.0时代的到来,大量基于B/S架构的应用程序在各个企业的业务系统中得到了广泛的应用。在应用开发过程中,如果开发者缺乏相应的安全意识,则会导致网站存在着安全隐患。SQL注入攻击所造成的损失是灾难性的。目前,大量的研究工作主要是针对于一阶SQL注入攻击,而忽略了对二阶SQL注入的研究。二阶SQL注入对Web应用带来的危害与一阶SQL注入一致,相比与一阶SQL注入,这种漏洞更加细微,更加难以被检测到。通过对比分析一阶SQL注入的过程与产生原理,设计了一个二阶SQL注入防御系统。该系统主要包括随机化模块、语法分析模块、去随机化模块、参数化替换模块。实验结果显示,该系统在二阶SQL注入的防御上有着很好的效果。

摘要：在语音情感识别的研究中存在特征集维度过高的问题。高维度的特征向量易造成参数过拟合。因此需要一种合适的特征提取与筛选的方法降低特征维度。自编码器是一种应用广泛的特征降维方法,由此本文提出一种基于栈式自编码器,结合对抗训练的方法并在对抗训练中引入Wasserstein距离构造对抗损失函数进行特征降维。实验结果表明,与原始的对抗自编码器相比,经过改进的自编码器在对特征进行同等程度的降维后,准确率平均提高了3.31%。

摘要：信息可视化及大数据可视化主要研究大规模非数值型信息资源的视觉展示,以达到帮助人们理解并分析数据。基于对海量的关系型数据进行有效挖掘的目的,采用将数据挖掘领域的聚类分析算法与力导引布局算法相结合的方法,提出了一种新的基于聚类分析算法的海量数据可视化方法。针对关系数据集做简单的统计和对比分析,然后通过聚类分析算法对其进行分簇,将得到的各主节点和权重、关系等数据通过力导引算法,写入弹性图布局中,最后基于图可视化的判断标准画出图布局的基本架构。通过ECharts和***作为数据可视化呈现工具,并进行合理的质量评价,在选取10 000个数据情况下准确率达到了89%,证明了所提算法的快速性以及准确性。

摘要：随着数字化校园的建设,传统的数据集成系统在海量数据环境下数据查询和加载的效率均有所下降,且难以对非结构化、半结构化数据进行融合和分析。针对以上情况,依托高校大数据平台,从各个异构系统中抽取出数据,结合Hadoop和MPP技术的优势,设计并实现了一个基于MPP-Hadoop混合框架的高校异构数据集成系统,融合多种不同结构数据,提升了数据查询和加载的效率。以某高校为例,从学生的门禁刷卡系统和校园网系统中抽取出学生的行为轨迹数据,载入MPP数据仓库,进行数据融合,并与传统数据仓库产品Oracle搭建的现有高校数据集成系统进行数据加载和数据查询效率方面的对比评测,验证了系统的有效性并且为学生的学习生活、心理等各方面的管理工作提供一定的技术支持和指导。

摘要：针对高校学生课外资源过载、缺少实时个性化推荐等问题,将复杂事件处理技术(CEP)运用到推荐系统中,发挥其强大的实时处理优势,对进一步提高高校个性化资源推荐系统的准确性和实时性进行了研究。将高校管理与资源推荐相结合,设计大数据背景下的校园学辅资源推荐系统。利用复杂事件处理技术,将学生实时地理位置信息、签到信息、图书馆借阅信息、宿舍信息等四种多维、异构数据源相结合,使用EPL语言实现相应的规则关联,将简单事件流通过Esper引擎处理后形成复杂事件流,对高校学生资源推荐系统作实证分析,实现从学生基本信息数据流处理、复杂事件规则验证到相关资源推荐的整个推送过程。实验结果表明,将该系统与最常用的基于协同过滤算法的推荐系统性能作比较,实时性提升了20%,准确度提升了30%,验证了该系统具有良好的推荐效果。