基于支持向量机的Webshell黑盒检测

Webshell是一种基于Web的网站后门程序。当前已有的Webshell检测方法都需要根据脚本程序源代码来检测,因此只能部署在服务器主机上,而且只能检测本机的网站代码。本文通过分析Webshell的HTML页面特征,提出了一种基于支持向量机(Support vector machine,SVM)分类算法的黑盒检测方法。该方法是一种有监督的机器学习系统,对先验网页的HTML页面进行学习,可以在未知脚本源代码的情况下对Webshell进行检测。实现结果表明,该方法在黑盒的条件下达到了较高的准确率和极低的误报率,并且取得了与白盒检测方法相近的检出率,可以部署在基于网络的入侵检测系统中,同时监测多台服务器是否包含Webshell,从而帮助监控入侵趋势和网络安全态势。     

基于支持向量机和信息融合的整机振动状态监视与诊断

将信息融合和支持向量机等智能诊断技术应用于整机振动状态监视与故障诊断领域。采用航空发动机振动信号作为诊断模型的训练样本,使支持向量机能够反映特征向量和故障类型的映射关系,从而成功地诊断了某型发动机的振动故障模式。     

桨叶结构裂纹损伤检测和剩余寿命评估方法

研究了一种基于力残差向量的桨叶结构损伤检测和剩余寿命评估方法,从桨叶有限元模型出发构造了一种节点力残差向量,分析力残差向量可确定损伤位置和损伤程度。引入裂纹单元模型将损伤的大小量化为等效裂纹长度,桨叶结构损伤用等效裂纹大小表示。从腐蚀疲劳断裂理论出发,建立了损伤扩展模型,得到了桨叶结构剩余寿命估计曲线。最后,通过实例验证了方法的可行性和有效性。     

涡轮泵启动过程振动故障检测方法

为了更全面地保证液体火箭发动机涡轮泵的安全,提出了一种针对其启动过程的振动故障检测方法,首先对等时间隔采集的振动数据进行重采样,获得等角间隔的振动数据,消除转速变化对振动特征的影响,选择并计算振动特征值,最后采用支持向量回归方法建立振动特征与转速的非线性关系模型.当新的测试数据偏离模型一定限度时,表明涡轮泵工作异常.2.2 s试车数据的检测时间只有0.0470 s,说明模型可用于涡轮泵启动过程故障检测.      

基于支持向量机的滚动轴承状态寿命模型

使用状态寿命(即状态良好、初始损伤、故障发展和即将失效4个寿命阶段)描述滚动轴承的使用寿命,并建立了滚动轴承的状态寿命评估模型.状态寿命评估模型建模的关键是振动信号的特征提取和状态的识别算法.针对滚动轴承振动的特点,提取小波包重构信号的频带能量构造特征向量,利用支持向量机作为辨识算法建立滚动轴承状态寿命评估模型,并讨论了模型参数确定等关键问题.滚动轴承全寿命试验验证了模型的有效性和可信性.      

基于平衡核函数聚类的飞行航迹数据分析方法

目前,使用数据挖掘的方法对目标的飞行航迹进行分析来确定航迹类别具有许多应用价值。飞行航迹数据具有维数高、交连多、可分类性能差等特点,要做到尽可能精确的聚类和分类十分困难。文章立足提高飞行航迹数据聚类分析的准确性,在航迹特征数据的预处理阶段,提出了一种平衡核函数的K-均值聚类方法,可以解决高维特征数据带来的奇异性,还能提高交叠样本的聚类性能;设计了一种模糊支持向量机的算法框架实现航迹的分类。通过实际飞行航迹数据集测试了设计框架下航迹聚类和分类识别的有效性,在实际工程上具有广泛的应用前景。     

基于粒子群优化支持向量机的测控设备校准间隔预测

针对计量保证方案中仪器校准间隔的预测问题,提出了基于粒子群优化支持向量机的预测方法。综合运用了粒子群优化算法对支持向量机的参数进行全局并行寻优的能力和SVM强大的非线性映射功能,具有很高的预测精度。实例验证表明,该方法具有较好的预测效果。     

改进布谷鸟搜索算法优化支持向量机的MEMS陀螺温度零偏补偿

针对微机械陀螺零偏受温度影响较大的问题,提出一种改进布谷鸟搜索算法(CS)和支持向量机(SVM)相结合的陀螺零偏温度补偿方法。首先,将平滑处理后的陀螺数据作为样本点,采用基于径向基核函数的支持向量机方法构建漂移模型,把数据从低维空间映射到高维空间进行线性拟合。然后,利用改进布谷鸟算法对支持向量机的惩罚参数、核函数参数以及不敏感系数进行优化,避免了人为选择参数的盲目性且提高了建立模型的精度。实验结果表明：经CS调节支持向量机算法补偿后,陀螺输出精度更高。与最小二乘分段拟合方法、BP神经网络方法相比,陀螺输出数据方差分别平均减小了63.2%、43.4%,最大误差分别平均减小71.63%、48.3%。     

一种用于静态红外地球敏感器的高效算法

为提高微纳卫星的姿态检测效果,针对静态红外地球敏感器的全景鱼眼成像特点,以单张红外成像为研究对象建立成像模型,提出了间隔向量积与t Location-Scale分布置信区间均值结合的算法。将红外成像投影到空间球体上形成空间像点环;在像点环上间隔取点做向量积,得到当前目标姿态角的样本集合;通过t Location-Scale分布进行极大似然估计,得到目标姿态角样本均值和方差的估计量;再次计算1σ置信区间内样本均值,最终得到目标姿态角的估计值。相比于原算法,目标姿态角在±10°内的标准差由0.06°下降为0.03°,精度提高了50%。另外为避免迭代收敛的耗时问题,给出了应用于实际工程的查表法,使运算速度提高了87%,提升了静态红外地球敏感器的测量精度和效率。     

基于SVM方法的APU故障预测方法

针对辅助动力装置(Auxiliary power unit,APU)故障预测时,仅基于快速存取记录器(Quick access recorder,QAR)数据存在实时性欠缺或精度不足的问题,提出了基于实时报文数据的APU故障预测方法。首先,对报文所采集的数据进行预处理,将每次航班的报文数据规整为一条数据集;其次,从参数阈值、维修记录及APU序列号变化情况等角度对数据集进行标注工作;随后,针对特征选择算法具有较差解释性的缺点,提出通过相关性分析选取能够表征APU运行性能的参数;最后,建立基于支持向量机(Support vector machine,SVM)的多参数故障预测模型并优化。经验证,该模型提高了预测正确率,为APU视情维修策略的制定提供参考。