- 荣存庆;靳珂;赵莹;常锦才;
现有图像隐写算法多是基于单通道图像,基于多通道的图像隐写算法研究较少。文章提出一种多通道隐写算法,在图像红色通道和绿色通道上DCT域进行运算,并使用图像两个通道的AC系数来写入消息;实验结果表明,在512×512像素的图像上,对原始图像隐写“Hello World!”后得到隐写图像,隐写质量评价MSE=1.14,PSNR=23.50,SSIM=0.98。隐写图像与原始图像相似;在隐写分析检测中,相比传统单通道隐写算法,能更有效抵抗隐写分析检测,因此该多通道隐写算法可应用在实际通信中。
2024年03期 v.46;No.173 87-95页 [查看摘要][在线阅读][下载 683K] - 秦阳阳;张思鹏;郑越;韩阳;陈丽芳;
针对常用的软件缺陷预测模型缺乏可解释性及鲁棒性的问题,为了推断和理解软件缺陷预测中变量间的相关关系,研究了贝叶斯网络在软件缺陷预测中的应用方法,建立了贝叶斯网络软件缺陷预测模型及集成软件缺陷预测模型。使用数据离散化方法处理数据,采用贝叶斯网络结构学习算法确定网络结构及参数,并利用贝叶斯网络推断软件缺陷的概率分布;将贝叶斯网络与K近邻、决策树、逻辑回归等软件缺陷预测器以软投票的方式集成,建立集成软件缺陷预测模型;在6个公开的软件缺陷数据集上进行实验仿真。实验结果表明,与常用的集成软件缺陷预测模型相比所建立的基于贝叶斯网络的集成软件缺陷预测模型在F1、Recall、G-Mean评价指标上表现出了更好的预测性能。从因果分析的角度,为软件缺陷预测探索一条新的研究思路。
2024年03期 v.46;No.173 96-103页 [查看摘要][在线阅读][下载 299K] - 左胜勇;冯立超;陈学斌;郭宸良;
伴随着互联网的快速发展,网络安全问题越发严峻,尤其是网络攻击变得更加频繁,对其检测防控迫在眉睫。该研究主要提出了一种新的LightGBM-XGboost-Random forest的Stacking集成学习模型;新的特征提取方法也被相应提出,通过探索性数据分析对特征集进行重要特征提取,较传统方法更快速、方便;相比于单一模型与传统模型,该Stacking集成学习模型的检测精确度更高,对LUFlows数据集进行实践训练,该集成模型检测精确度可达到97.0%,明显高于单一使用LightGBM模型、XGboost模型、Random forest模型的精确度;同时引入NSL-KDD数据集对该Stacking集成学习模型进行泛化能力测试,与最新的研究进行比对,LXR模型测得F1-score为0.870 9,优于多数模型结果。表明该集成学习模型能够提供一种更为精确有效且泛化能力强的网络攻击检测方法,以更好地维护网络空间安全。
2024年03期 v.46;No.173 104-111页 [查看摘要][在线阅读][下载 410K] - 彭璐璐;张淑芬;陈海田;徐超;
联邦学习是一种基于多个用户协作训练全局模型的分布式训练范式,旨在解决由数据孤岛造成的数据碎片化问题。然而,在真实环境中,参与联邦学习的各个节点的数据分布通常是不平衡的,这会导致联邦学习模型的精确率下降。针对上述问题,提出了基于改进CFSFDP算法的聚类联邦学习方法--FL_CDP。此方法对CFSFDP算法中的局部密度定义进行了优化,并通过二阶差分实现自动选择聚类中心。通过评估客户端模型的推理相似度,对客户端节点进行了聚类,进而缓解了联邦学习中因节点数据分布不均所带来的模型准确度下降问题。在MNIST和FashionMNIST数据集上的实验结果证明,相较于传统的联邦学习算法,基于改进CFSFDP算法的聚类联邦学习算法在模型准确率方面有着显著提升。
2024年03期 v.46;No.173 112-121页 [查看摘要][在线阅读][下载 462K] - 张浩;仁璐;阎少宏;
在大数据窃电检测领域,基于机器学习的异常用电检测方法往往面临数据不平衡问题,影响了模型的泛化性能。为此,提出了一种保护样本分布特征的混合采样算法。首先,根据样本的分布特征提出了密度欠采样和邻域过采样算法。然后,为进一步提高数据处理效果、提升模型性能,给出了失衡度指标来将两种算法结合,并提出了保护样本分布特征的混合采样方法。在两份数据集上进行实验,经过该算法处理的数据集,相较于现有的过采样算法,能够有效减少样本数量,提高模型的训练速度;相较于现有的欠采样算法,能够提高模型准确率和AUC值。
2024年03期 v.46;No.173 122-130页 [查看摘要][在线阅读][下载 592K] - 郑越;代琪;施永辉;韩阳;陈丽芳;
针对信用卡欺诈检测中存在数据不平衡以及模型超参数不能自动调优,导致检测精度低的问题,综合考虑数据平衡处理和参数优化两个关键因素,构建了一种基于混合采样和强化学习的信用卡欺诈检测模型。所提模型采用Kmeans聚类算法对多数类数据以及少数类数据分别聚类,多数类数据保留具有代表性的数据,少数类数据采用生成对抗网络生成数据,从而达到数据集平衡。同时,提出了一种改进的Q-learning算法,通过优化算法中奖励值的计算和Q-table的更新方式,以加快算法的收敛速度,然后采用改进的Q-learning算法优化XGBoost模型中的参数,以提高模型的检测效果。实验结果表明:相比于传统的欺诈检测模型,该模型具有更优的检测效果,更适合应用于信用卡欺诈检测领域。
2024年03期 v.46;No.173 131-140页 [查看摘要][在线阅读][下载 496K]