导读:本文包含了误用检测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:向量,异常,密码学,相似性,密钥,对偶,语义。
误用检测论文文献综述
卫志刚,张晓龙[1]（2018）在《Android应用程序密码学误用检测方法》一文中研究指出在智能手机的普遍应用过程中,大量Android的应用程序存在着一定的密码误用问题,对此相关学者对密码学误用检测方式进行了系统的研究分析。在常规状况之下,密码学误用是在程序操作以及实现过程中对于密码的各种算法调用出现了失误问题,导致密码机制无法实现既定的安全标准的状况。而通过动静结合的分析方式对密码学误用进行检测,精准度相对较高,可以精准检测各种误用状况。(本文来源于《科技资讯》期刊2018年08期）
朱众志[2]（2017）在《英文动词语义误用检测研究》一文中研究指出英语作为世界上使用最广泛的语言已被人们广泛学习和应用。在非英语母语(Englishassecondlanguage,ESL)作者的写作中,动词的误用是所有语法错误中最为频繁出现的错误之一。ESL对动词的误用主要分为两种:一种是从语法的角度,主要发生在动词的主谓搭配、时态、拼写上;另一种是从语义的角度,对动词的使用环境理解不当,造成语义的错误与混淆。而第二种动词语义误用的错误却没有人对其做过相关研究。主要原因在于,动词的语义错误很难直接定义,与错误形式相对固定的语法错误相比,动词的语义误用没有相应的规则来进行直接处理。因此,为解决动词的语义误用问题,本文进行了深入研究并主要做了以下工作。本文首先从Lang-8网站上获取了英文正误句子对,根据这些句子对,本文提取了容易被误用的动词集合,然后设计了几种纠正ESL学习者的英语动词语义错误的方法。首先我们使用传统的机器学习方法,引入了强分类器SVM,通过特征选择,为每一个易误用的动词训练了一个多分类器(由于每个动词可能有多种误用形式),然后我们提出了基于序列到序列的注意力模型(Sequence to Sequence Attention GRU,SSAG)。经过实验验证,发现对于误用形式较多的词,基于SVM的动词误用检测模型的效果不稳定,其中的一个主要的原因是特征空间过于稀疏,从而导致算法无法选择合适的分类面。而使用词嵌入(Word Embedding)加注意力模型(Attention model)的SSAG算法效果稳定,模型准确度达到了 87.84%。最后我们将SVM与SSAG算法相结合。通过在Giga数据集上进行评估,此方法显示出了令人满意的结果,模型的最终准确度为92.52%。(本文来源于《北京交通大学》期刊2017-06-01）
朱俚治[3]（2016）在《一种基于决策系统和决策树的误用检测算法》一文中研究指出互联网络技术发展至今其技术已相当的成熟,并且其规模在不断地扩大之中。但为了保护网络的安全性,安全人员开发出了防火墙技术和入侵检测技术。在入侵技术中有两大核心技术是异常检测技术和误用检测技术。误用检测技术对用户的行为进行检测时,需要使用模式匹配技术来实现,因此根据误用检测技术的特点,论文在此基础之上提出了一种基于决策系统和决策树的误用检测算法。论文的算法思路是:首先使用聚类的算法对相似的用户行为进行聚类,并计算用户行为的属性值,再根据用户行为的属性值使用决策系统做出决策,最后使用决策树的算法对用户行为进行模式匹配,最终得出用户行为的属性是正常的行为,还是入侵行为。(本文来源于《计算机与数字工程》期刊2016年12期）
朱俚治[4]（2016）在《一种新的误用检测算法》一文中研究指出在当今网络的入侵事件频频发生,使得网络变得十分不安全,因此为了增强网络的安全性,必须加强入侵检测技术的智能性。在入侵检测技术中误用检测和异常检测是2种主要检测技术,为了进一步地提高误用检测算法的智能性,减少漏检率,因此作者在查阅了已有的入侵检测算法和某些智能算法之后,提出了一种具有一定智能性的检测算法。该检测算法的思路是:首先通过计算某种代码的权值来判断该程序的行为是属于恶意行为还是善意行为,之后使用决策树对恶意行为和善意行为进行分类。如果是恶意行为,那么再使用相似性算法对该行为进行相似性计算,最后使用BM算法对恶意代码行为进行识别,从而达到检测恶意代码的目的。该文提出的算法在一定程度上能够提高入侵检测算法的智能性,将相似性计算算法,决策树算法和权值计算算法在入侵检测系统中进行应用是本文的创新点。(本文来源于《计算机与应用化学》期刊2016年04期）
朱俚治[5]（2015）在《一种基于误用检测的新算法》一文中研究指出当今攻击网络的手段是多种多样的,为保护用户在访问网络资源时不受黑客的攻击,因此需要网络安全设备和网络安全技术。入侵检测技术是一种安全技术,该技术能够检测出网络中数据包的行为属性,是正常还是异常。目前入侵检测技术有两种:误用检测和异常检测。这两种技术都能够阻止网络攻击行为。但要想阻止网络的攻击行为,必须检测出攻击行为。文中在简述了入侵检测技术、粒子群的某些概念后,提出了基于粒子群技术在入侵检测中的应用,最后给出了数据包属性的匹配算法。(本文来源于《计算机技术与发展》期刊2015年02期）
苏忠,徐洸,丛培荣[6]（2014）在《无线传感器网络对偶密钥误用检测算法》一文中研究指出无线传感器网络正常节点之间的对偶密钥有可能受损,攻击者将误用受损密钥伪造信息数据包,破坏正常通信或消耗节点有限的资源.针对这一问题,提出一种对偶密钥误用检测算法.在每一个信息数据包里附加一个可验证的认证因子,转发节点通过验证认证因子就能够确认对偶密钥是否被误用.通过安全分析和性能分析表明该检测算法的有效性.而且,该算法可集成到大多的密钥预分发算法或错误数据过滤算法,以提供更可靠的安全通信.(本文来源于《计算机系统应用》期刊2014年09期）
朱勇[7]（2014）在《基于误用检测的网络入侵系统实现》一文中研究指出随着网络技术的不断发展,网络安全问题日益突出,入侵检测成为网络安全中的核心技术,Snort系统由于开放源代码具有其自身巨大的优势。本文介绍了网络入侵检测技术,具体研究了Snort系统的工作原理和入侵检测流程等,最后对系统进行了一系列实验,实验显示的实验数据和日志情况。(本文来源于《无线互联科技》期刊2014年02期）
段善荣[8]（2013）在《基于误用检测的数据库入侵检测系统的设计与实现》一文中研究指出本文提出了一种数据库入侵检测模型,详细设计了系统的各个功能模块,构造了误用规则库,实现了一个基于误用检测的数据库入侵检测系统.该系统能够检测的入侵类型主要包括登录失败检测、登录检测、操作记录失败检测和操作表失败检测,同时能对检测结果进行响应.(本文来源于《湖北科技学院学报》期刊2013年06期）
谢红,刘人杰,陈纯锴[9]（2012）在《基于误用检测与异常行为检测的整合模型》一文中研究指出针对入侵检测中普遍存在检测率低与误报过高的问题,采用基于多维-隐马尔可夫模型的检测方法和基于Apriori算法的误用检测技术相结合的入侵检测系统(intrusion detection system,IDS)模型。新模型减少了单纯使用某种入侵检测技术时的漏报率和误报率,同时在异常检测模块中采用了隐马尔可夫与简单贝叶斯分类器相结合的新检测方法,用来处理具有时间相关的多维度序列,从而提高系统的安全性和检测效率。使用KDD Cup99数据集进行效果评估证明:新的模型系统检测率为93.12%,而误报率为0.46%,能有效检测网络数据中的入侵行为。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2012年01期）
夏哲恒,丁俊松,于伟[10]（2011）在《基于LogitBoost的网络误用检测技术》一文中研究指出LogitBoost由于其解趋近于贝叶斯最优解,并且实现简单,因而成为机器学习中研究的热点,是直接优化二项对数损失的Ada boost算法。首次将LogitBoost的分类算法应用于网络误用检测中,实验结果表明,LogitBoost检测性能优于目前常用的模式匹配算法。(本文来源于《电脑知识与技术》期刊2011年33期）
误用检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
英语作为世界上使用最广泛的语言已被人们广泛学习和应用。在非英语母语(Englishassecondlanguage,ESL)作者的写作中,动词的误用是所有语法错误中最为频繁出现的错误之一。ESL对动词的误用主要分为两种:一种是从语法的角度,主要发生在动词的主谓搭配、时态、拼写上;另一种是从语义的角度,对动词的使用环境理解不当,造成语义的错误与混淆。而第二种动词语义误用的错误却没有人对其做过相关研究。主要原因在于,动词的语义错误很难直接定义,与错误形式相对固定的语法错误相比,动词的语义误用没有相应的规则来进行直接处理。因此,为解决动词的语义误用问题,本文进行了深入研究并主要做了以下工作。本文首先从Lang-8网站上获取了英文正误句子对,根据这些句子对,本文提取了容易被误用的动词集合,然后设计了几种纠正ESL学习者的英语动词语义错误的方法。首先我们使用传统的机器学习方法,引入了强分类器SVM,通过特征选择,为每一个易误用的动词训练了一个多分类器(由于每个动词可能有多种误用形式),然后我们提出了基于序列到序列的注意力模型(Sequence to Sequence Attention GRU,SSAG)。经过实验验证,发现对于误用形式较多的词,基于SVM的动词误用检测模型的效果不稳定,其中的一个主要的原因是特征空间过于稀疏,从而导致算法无法选择合适的分类面。而使用词嵌入(Word Embedding)加注意力模型(Attention model)的SSAG算法效果稳定,模型准确度达到了 87.84%。最后我们将SVM与SSAG算法相结合。通过在Giga数据集上进行评估,此方法显示出了令人满意的结果,模型的最终准确度为92.52%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
误用检测论文参考文献
[1].卫志刚,张晓龙.Android应用程序密码学误用检测方法[J].科技资讯.2018
[2].朱众志.英文动词语义误用检测研究[D].北京交通大学.2017
[3].朱俚治.一种基于决策系统和决策树的误用检测算法[J].计算机与数字工程.2016
[4].朱俚治.一种新的误用检测算法[J].计算机与应用化学.2016
[5].朱俚治.一种基于误用检测的新算法[J].计算机技术与发展.2015
[6].苏忠,徐洸,丛培荣.无线传感器网络对偶密钥误用检测算法[J].计算机系统应用.2014
[7].朱勇.基于误用检测的网络入侵系统实现[J].无线互联科技.2014
[8].段善荣.基于误用检测的数据库入侵检测系统的设计与实现[J].湖北科技学院学报.2013
[9].谢红,刘人杰,陈纯锴.基于误用检测与异常行为检测的整合模型[J].重庆邮电大学学报(自然科学版).2012
[10].夏哲恒,丁俊松,于伟.基于LogitBoost的网络误用检测技术[J].电脑知识与技术.2011