导读:本文包含了异常检测系统论文开题报告文献综述及选题提纲参考文献，主要关键词:电力工控网络,网络入侵,神经网络,DQN
异常检测系统论文文献综述
王竹晓,张彭彭,李为,吴克河,崔文超[1]（2019）在《基于深度Q网络的电力工控网络异常检测系统》一文中研究指出电力是指以电能作为动力的能源,完整的电力系统包括发电、输电、变电、配电和用电等环节。电力是关系国计民生的基础产业,电力供应和安全事关国家安全战略,事关经济社会发展全局。工业自动化和控制系统(简称"工控")作为电力的感官和中枢神经系统,确保其网络安全,使其始终处于稳定可靠运行状态,对于保障电力安全运营至关重要。由于大部分网络都是高度互联的,因此都易受到网络攻击的威胁。虽然基于网络的入侵检测系统可以将入侵警告和安全响应进行很好的结合,但是随着技术的不断发展,攻击变得越来越普遍且难以检测,其中逃逸技术就是这类技术的一个代表,它可以通过伪装修改网络数据流以此来逃避入侵检测系统的检测。结合所学知识和电力工控网络的特点,提出一种基于深度强化学习的电力工控网络入侵检测系统,深度强化学习的算法融合神经网络和Q-learning的方法来对网络中的异常现象进行训练,通过训练使系统能及时地检测出入侵行为并发出警告。(本文来源于《计算机与现代化》期刊2019年12期）
钱国华,程芳芳,朱孝慈,丁力,岳友[2]（2019）在《电梯内异常行为检测系统设计》一文中研究指出针对电梯内乘客的异常行为检测问题,提出了一种基于深度学习的异常行为监测系统。首先将画面采集到云平台,之后使用YOLO算法来检测画面内显示的人数。同时从时间和空间描述监控画面内的运动特征,通过能量函数的数值,并结合电梯内的人数来判定异常行为的发生与否。实验结果表明,该检测系统应用在实际拍摄的图像中准确率达到90.3%,证明具有一定可行性。(本文来源于《工业控制计算机》期刊2019年11期）
黄小锋[3]（2019）在《非线性拟合高压电力设备异常状态检测系统研究》一文中研究指出高压电力设备在运行当中由于工作量较大会出现一些问题,对于高压电力设备异常状态检测系统目前研究仍存在一定的不足,为了更好地实现高压电力设备的正常运行,提出基于非线性拟合的高压电力设备异常状态检测系统的设计。本文从高压电力设备异常状态检测系统硬件设计入手,进行了检测传感器的设计,结合高压电力设备异常状态检测系统软件设计,以此实现本文研究,实验表明基于非线性拟合的高压电力设备异常状态检测系统相较于传统的检测系统其精确度更高,反应更灵敏。(本文来源于《中国设备工程》期刊2019年14期）
徐玮玮,张群[4]（2019）在《基于激光视觉传感器的实验室异常检测系统设计》一文中研究指出针对当前实验室环境监测系统检测准确率低的问题,设计基于激光视觉传感器的实验室异常检测系统,系统整体由上位机和下位机两部分构成,通过激光视觉传感器获取实验室内原始图像,采用计算机完成原始图像的处理和模式识别,实现对实验室异常情况的有效监督;声光报警模块通过单片机接口以某个频率输出低电流促使LED发光电路发光,实现对实验室异常的有效预警;温湿度检测和可燃气体检测的实现,完成实验室温湿度和可燃气体的准确检测。实验结果说明,所设计系统的系统响应能力强,实验室异常检测错误率最高不超过0. 55%,具有较高的检测准确性。(本文来源于《激光杂志》期刊2019年06期）
饶伊文[5]（2019）在《基于流计算的证券数据流异常检测系统的设计与实现》一文中研究指出我国的证券市场不断的在发展繁荣,不断的有新的企业在国内上市,交易量也不断增长,其规模的扩大也推动着我国实体经济向前发展。然而由于政治、行业、舆情等大幅变化会对造成证券市场的波动,而证券市场具有联动、易发等特点会反作用于实体经济,阻碍着经济的发展。因此,有必要对当前我国证券市场风险的进行评估,实时对证券市场的异常行为进行监管,越早的发现证券市场的异常情况就可以越快的进行应对。而当今证券监管部门所面临的业务痛点:1)数据量大造成高时延,不能满足高速变化的丰富市场需求;2)异常检测规则的阈值依赖业务领域专家长期积累的业务经验,不能随着市场的变化及时修正。而随着分布式系统的成熟稳定,流计算技术的产生和近年来的不断发展,以及各种机器学习相等算法涌现,考虑构建基于流计算的证券数据流异常检测系统,设计了实时数据源接入、实时数据预处理、实时异常检测和实时异常推出四大模块,对证券数据流进行异常检测并达到实时的秒级告警,从而提高监管效率,确保异常发现的实时性。具体地,本文做了以下工作:首先,本文对交易系统产生的实时增长的证券数据进行分析,尝试了使用实时流计算框架对数据进行接入,设计了使用Kafka作为数据总线、流计算作为实现方法的整个系统构架。其次,基于Flink框架进行了实时数据源的接入和对数据进行实时的预处理设计和开发。接着,使用流计算支持依据专家的异常规则进行实时检测,尝试使用自回归移动平均模型和层级实时记忆脑皮质学习算法(HTM)针对证券数据流进行异常检测。最后,将输入源和异常结果实时持久化落地,将产生的异常结果通过订阅的方式进行推送。在测试方面,从功能性和非功能性两方面进行,给出测试用例并分阶段完成,除了对需求中功能上的保证外,还检测了系统的时延和可靠性。本系统实现了对实时证券数据流的实时异常检测,为市场监察部门提供了更快速的监管信息,并可为投资人进行预警。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
杨晟[6]（2019）在《基于数据挖掘技术的用户异常用电检测系统的研究与实现》一文中研究指出随着电网的快速普及,居民在享受用电便利的同时,供电企业线路损失率居高不下,导致了企业供电成本的提升。而用户的异常用电行为往往就是供电企业线路损失率居高不下的主要原因,严重影响企业的正常运营秩序。在电网信息化程度不断提高的今天,正确的利用信息化电网所提供的海量数据,从大量的用电信息中挖掘有价值的信息用于解决异常用电行为的检测成为了一个热门的研究领域。本文提出了一种基于时间维度和主成分分析法的异常用电检测模型。模型包括数据预处理、基于时间维度的特征构造、主成分分析、xgboost、GBDT、随机森林模型融合这几个部分。然后根据融合的算法模型对异常用电识别系统进行设计与实现。对比传统的机器学习方法模型,本项目着重于通过原始用电负荷数据构造不同时间维度的特征来表征用户用电行为。之后再采用主成分分析法对高维度的特征进行降维,使得最后用于训练的特征都具有不同方面的代表性。在模型的选择方面也不再使用传统的单一模型进行训练,取而代之的是一个融合模型。在模型算法的验证阶段,本文通过使用中国电网提供的真实用电负荷数据做测试,综合叁个单一模型的评估结果,及对比本文所采用的融合模型的结果发现,经过融合后的模型检测异常用电用户的能力明显高于叁个单一的模型。而且无论是对于异常用电用户还是正常用户的检测其准确度都是较高的,本课题采用模型融合的方法有效的提高了异常用电用户的检测能力。在算法研究的同时,本文还设计实现了用户异常用电检测系统,系统实现了数据预处理、特征构造、模型训练、模型检测结果展示、用户管理等功能,能较好的识别异常用电用户并展示用电行为特征。(本文来源于《北京邮电大学》期刊2019-05-31）
吴琼琼[7]（2019）在《运动心电实时数据异常检测系统研究与应用》一文中研究指出在运动时,有些人会产生身体的不适,严重的会发生猝死现象。因此,运动时人们更要关注自己的心脏状况,及时调整运动量,从而避免出现无法挽回的后果。心电图能对人体的心脏电活动状况进行描述,同时也是医生对心脏病进行诊断治疗的重要依据,对处于运动状态的人进行心电实时监测具有实际应用价值。本文对心电异常检测方法进行研究。心电信号分析主要分为四个过程,其步骤为:数据预处理、QRS波群检测、特征提取和心电异常识别。根据现有的智能分析算法,为保证心电信号的去噪效果和实时性,本文采用的滤波器为级联低通和高通滤波器所组成的带通滤波器,该滤波器能很好的去除运动心电信号中的噪声,并采用Pan-Tompkins算法对QRS波群进行实时检测。在心电数据分析中,提取准确的心电特征是心电数据分析的关键环节,本文提出了一种小波包分解和主成分分析相结合的心电特征提取方法。为了提高心电数据异常识别时的准确率,本文采用遗传算法对支持向量机的参数C(惩罚参数)和g(核函数参数)进行寻优操作,设计了GA-SVM分类器。本文使用北京麦邦光电仪器有限公司提供的踏车运动心电数据及国际心率失常数据库MIT-BIH的四类心电数据:正常心跳、室性早搏、左束支传导阻滞、右束支传导阻滞进行实验,测试集分类效果良好,准确度优于其他分类预测模型。实验结果表明本文提出的特征提取算法稳定有效,通过遗传算法优化支持向量机参数提高了分类器性能。因此,本文采用的心电数据异常检测方法能够对心律失常进行有效地识别,对于心脏疾病的诊断和及时治疗具有重要意义。最后,本文开发了一款基于Android的运动心电异常检测系统,该App软件与相应的心电采集设备配套使用。系统能够完成心电数据的实时传输,并能在手机端进行心电数据分析。此外,该系统还具有显示用户的运动轨迹及对用户位置进行实时定位的功能,一旦发现用户心电出现异常,能够及时报警。经测试,该软件性能及功能运行良好。(本文来源于《北方工业大学》期刊2019-05-06）
潘虎[8]（2019）在《基于MIL行人异常行为检测系统的研究与实现》一文中研究指出智能监控系统对社会治安以及刑事案件侦破起到很重要的作用,但是传统的智能监控系统大多不能自动检测行人异常行为并自动记录异常信息,导致了发生异常情况后相关人员需要很长时间才能检索出行人异常行为。本文根据行人异常行为数据的特点选用了深度MIL(多示例学习)排序模型对13种行人异常行为进行检测,该模型运用MIL的思想,将正常视频和异常视频作为包,将视频片段作为多示例学习中的示例,进而预测异常视频片段。为了得到更好的训练效果,在模型中添加了稀疏性约束和平滑性约束,用于更准确定位异常发生区域。同时基于该模型设计了行人异常行为检测系统。本文的主要工作如下:(1)研究了深度学习框架Keras以及激活函数和正则化方法,并对传统多示例学习方法进行研究。(2)对基于MIL行人异常行为检测系统的功能性需求、非功能性需求以及可行性进行分析,根据需求确定系统为B/S(浏览器服务器结构)架构,并设计出系统总体框架、系统功能结构及系统整体流程。随后以系统流程为基础对数据库的概念结构、逻辑结构及物理结构进行设计。(3)选用了C3D(3D卷积网络)模型对数据集进行预处理,提取出视频特征数据,并融合C3D模型所提取的第六层全连接层视频特征数据。(4)对多示例学习模型进行分析,最终选用深度多示例排序模型对特征数据进行训练和测试,并且编写了特定的验证程序对训练出来的模型进行验证。(5)完成基于多示例学习的行人异常行为检测系统,搭建系统服务器,配置需要使用的硬件和软件环境,对各功能模块进行完善,部署系统到本地服务器中,并从系统功能性和稳定性两个方面进行测试,最终将行人异常行为检测系统调试成功。通过对基于MIL的行人异常行为检测系统进行测试,验证该系统能够很好的完成系统需求。根据具体视频数据的检验结果表明其可以检测出视频中行人异常行为的时段,并可利用异常事件发生的时间检索出对应的历史异常信息。(本文来源于《辽宁大学》期刊2019-05-01）
周继成[9]（2019）在《基于Spark的网络异常流量检测系统的设计与实现》一文中研究指出网络安全一直是全世界最受关注的问题之一,随着互联网技术的飞速发展,网络安全环境也急剧恶化。针对当前网络环境,设计一个网络异常流量检测系统是急需解决且有意义的事情。本文设计了基于spark异常流量检测系统,针对主机的数据包特征进行采集,然后预测并显示结果,告知用户是否具有异常流量。系统是一个准实时的流式系统,主要分成五个模块:采集模块,后台收集模块,预测模块,报表模块,模型训练模块。(1)采集模块基于JnetPcap技术分析采集IP包的31维特征,该技术具有跨平台的优点,在Windows和Linux系统下均能采集。采集的特征分为叁类,分别是TCP连接的基本特征12维,基于时间的数据包的统计量8维,基于主机的数据包统计量11维(具体见附表)。采集的特征发送至后台收集模块。(2)后台收集模块负责集中特征信息,初步过滤后发送至Kafka topic;预测模块将消费该topic,然后对流量进行预测。(3)预测模块包含两个模型。KMeans RandomForest_Model是监督学习模型,其优势在于预测准确度高,同时,该模型还是级联模型,包含算法K-Means和Random Forest。Streaming_KMeans_Model使用无监督学习算法Streaming K-Means实现,该模型的优势在于不需要标签数据,在对流量预测的同时也会训练模型,让模型一直学习;该模型具有参数衰减值a,可以使距离当前时间越近的数据对模型影响越大;其中两个模型的实现都基于本文引出的新特征。(4)报表模块对预测结果进行展示;显示内容包括全部流量的报表、异常流量的报表、Streaming_KMeans_Model模型中各个类的实时权重的直方图,以及各分类流量的饼图。_(5)训练模块与其他模块不同,该模块不在流水线上工作,该模块使用有标签样本数据集对模型进行训练,从而给预测模块提供支持。最后,本文采用IDS2017(Intrusion Detection Evaluation Dataset)数据集中部分数据,验证两个模型KMeans_RandomForest_Model、Streaming_KMeans_Model有效性,其中KMeans_RandomForest_Model模型达到97.4%的准确度,无监督模型Streaming_KMeans Model达到70.2%的准确度。此外、本文搭建基于叁台虚拟机的hadoop,spark系统,并在此基础上进行实验,实验结果表明:(1)各模块相互协调工作,系统可用。(2)随着使用虚拟机数量的增加,预测处理速度有所提升。(本文来源于《北京邮电大学》期刊2019-03-30）
陈俊[10]（2019）在《家庭用电异常检测系统》一文中研究指出传统电表缺乏家庭用户与电表的交互功能,在家用电器故障或电路异常时,用户无法对其及时检测和控制,严重时将导致电气事故的发生,极大影响人们的生活质量。为灵活监控家庭用电信息,保证家庭用电安全,该课题设计了家庭用电异常检测系统。该系统主要从两方面完成:一是设计家庭用电系统,代替和改善传统电表功能。二是完成用电异常检测,改进谐波检测算法,提高检测精度。课题选用STM32F301系列单片机、AD7656模数转换器、ESP8266 WiFi模块作为系统主要硬件电路,结合云服务器数据存储系统、手机APP控制终端,完成对家庭用电信息采集系统的设计。该系统不仅可以实现传统电表的电压、电流采集和电度计算功能,还完成了手机APP与家庭用电系统的双向通信功能,实现对家用电器的远程监控。课题研究了基于Prony算法和小波变化算法的联合波形诊断策略在电力系统上的应用。把Prony算法和小波变换算法结合起来,消除了两者各自在谐波检测中存在的不足,提高了谐波检测精度。利用MATLAB对基于Prony算法和小波变化算法的联合波形诊断策略进行仿真分析,证明算法的可行性。课题最后完成硬件平台的搭建并采集真实有效的家庭用电数据,实现对家庭用电异常的检测。检测方法一是利用手机APP对家庭用电异常状态断电处理。二是用改进了的谐波分析算法,对采集的电力波形进行谐波检测,确定稳态谐波中各次谐波含量及对应的幅值、衰减因子、相位,精确定位非稳态谐波突变点的位置。这种改进算法,不仅给通过分析谐波来检测家庭用电异常提供有效方案,也给后期谐波的治理提供理论基础。此外,课题使用服务器长期储存采集到的用电信息,这为利用大数据技术分析用户用电行为、改善供电和用电环境提供数据来源。(本文来源于《重庆理工大学》期刊2019-03-21）
异常检测系统论文开题报告
（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：
针对电梯内乘客的异常行为检测问题,提出了一种基于深度学习的异常行为监测系统。首先将画面采集到云平台,之后使用YOLO算法来检测画面内显示的人数。同时从时间和空间描述监控画面内的运动特征,通过能量函数的数值,并结合电梯内的人数来判定异常行为的发生与否。实验结果表明,该检测系统应用在实际拍摄的图像中准确率达到90.3%,证明具有一定可行性。
（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。
异常检测系统论文参考文献
[1].王竹晓,张彭彭,李为,吴克河,崔文超.基于深度Q网络的电力工控网络异常检测系统[J].计算机与现代化.2019
[2].钱国华,程芳芳,朱孝慈,丁力,岳友.电梯内异常行为检测系统设计[J].工业控制计算机.2019
[3].黄小锋.非线性拟合高压电力设备异常状态检测系统研究[J].中国设备工程.2019
[4].徐玮玮,张群.基于激光视觉传感器的实验室异常检测系统设计[J].激光杂志.2019
[5].饶伊文.基于流计算的证券数据流异常检测系统的设计与实现[D].哈尔滨工业大学.2019
[6].杨晟.基于数据挖掘技术的用户异常用电检测系统的研究与实现[D].北京邮电大学.2019
[7].吴琼琼.运动心电实时数据异常检测系统研究与应用[D].北方工业大学.2019
[8].潘虎.基于MIL行人异常行为检测系统的研究与实现[D].辽宁大学.2019
[9].周继成.基于Spark的网络异常流量检测系统的设计与实现[D].北京邮电大学.2019
[10].陈俊.家庭用电异常检测系统[D].重庆理工大学.2019