1、网络回溯的算法模型改进及电网应用 李文航 广东电网有限责任公司清远供电局 摘 要： 对称正定 (Symmetric Positive Definite, SPD) 矩阵可以通过计算图像集合的协方差矩阵建立图像集合的模型。文中基于网络回溯和对称正定进行了图像加密识别的研究。通过对标准数据库集分析实验得出:提出的方法获得了较高的识别精度, 将流形上的点投影到高维的核空间, 应用核鉴别分析进行分类。本文使用无监督的方法获得的投影矩阵达到降维的目的 , 性能上较同类的方法有较大的优势, 但是识别精度仍有待提高。研究结果对于识别进行的优化具有一定的参考价值。关键词： 对称正定; 网络回溯; 数据库; 作
2、者简介：李文航 (1989-) , 男, 工学学士, 工程师, 从事电网企业信息化工作。收稿日期：2016-12-21基金：广东电网资助项目 (编号 210548) Based on the Network Back Recognition Technology and Its Application ResearchLI Wen-hang Guangdong Power Grid co., Ltd.Qingyuan Power Supply Bureau; Abstract： Symmetric Positive Definite (Symmetric Positive Definite,
3、SPD) matrix can be very good to encode image information. In this paper, based on the network back and symmetric positive definite to encrypt the image recognition research. Through analyzing standard database set experiment, puts forward the method to obtain the higher recognition accuracy, the poi
4、nts on the manifold projection to high dimensional kernel space, using nuclear identify classification analysis. This article Uses unsupervised method to obtain the projection matrix to achieve the purpose of dimension reduction, performance on a similar method has great advantage, but still needs t
5、o improve identification precision. The results of the study identify the optimization has a certain reference value.Keyword： symmetric positive definite; network back; database; Received： 2016-12-211 引言随着电网企业信息化程度日益提高, 特别是资产管理、电力营销、办公自动化 (OA) 系统等主要业务系统的信息集成度越来越高, 电网企业各个信息系统承载的业务量也日益沉重1-3。尽管各主要业务系统在
6、上线前都有过严格的测试, 但实际环境的复杂程度远远高于单纯的压力测试环境, 各种业务系统在上线后总是会遇到各种无法预测的问题。网络带宽、网元健康状况、网络策略、终端性能、用户使用习惯、服务器性能、程序设计众多相互关联的因素都会影响到业务的质量4-7任何一个环境都可能造成业务质量的下降, 孤立的去监控某个元素无法保证整个端到端的传输质量。从日常的运维工作经验出发, 笔者认为电网企业信息部门需要从网络的角度监控、分析整个业务的流程, 实现网络可视化管理, 把握实际环境中各因素对业务质量的影响, 用量化数据指导信息化建设, 从科学的角度去规划、优化网络与业务系统8-11。为解决清远供电局在网络与应用
7、管理过程中面对的各种问题和困难, 建立对业务系统的实时监测体系, 排查某些特指系统延迟现象, 我局建立了一套网络回溯分析系统12-15, 通过在核心交换机上实用端口镜像的方式, 对核心链路、关键业务应用的主要环节进行了持续的监控, 掌握供电局网络中各种应用的使用情况, 分析应用的流量模型及性能变化模型。通过在综合数据网出口和骨干节点的数据监测, 对清远供电局关键网络节点和应用的性能评估具有较大的意义。对称正定 (Symmetric Positive Definite, SPD) 矩阵能够很好的对图像信息进行编码。协方差描述子 (Covariance region description) ,
8、扩散张量 (diffusion tensors) , 结构化张量 (structure tensors) 等都是 SPD 矩阵。对称正定矩阵在添加了相应的群运算之后构成李群。非奇异实方阵在矩阵乘法下构成一般线性群, 一般线性群的所有子群构成矩阵群。矩阵李群是具有群结构的微分流形, 在数学、物理、信息工程领域中都有着非常重要的作用。文中基于网络回溯及对称正定技术对识别进行了研究。2 模型及算法分析2.1 BP 模型本文研究的预报模型属于时间序列预测问题, 实际上可以看做是一种求动力系统的逆问题。使用动力系统的状态构造动力系统模型:式中:T 为预报的步长。使用 B P 神经网络算法是一种典型的,
9、较好的建立时间序列非线性模型进行逼近所求动力系统模型的方法。假设非线性动力系统的输入和输出分别为 Xi= (xi, xi+ , xi+ (m-1) ) , 和yi=xi+1。本文采用 BP 神经网络为典型的三层机构, 使用其进行预报时, 设定 BP 神经网络输入层维数等于时间序列重构相空间的嵌入维数。设定 BP 神经网络输入层维数为 1。设定 BP 神经网络隐含层维数为 p, 则隐含层各个节点的输入表示为:式中: j和 wij为隐含层各节点阀值和隐含层连接权值, 均由 BP 神经网络训练得到。隐含层节点输出为:输出层节点输入为:输出层节点输出为:式中: 和 vj是输出层各节点阀值和连接权值。均
10、由 BP 神经网络训练得到。2.2 对称正定识别为了进一步优化上实际模型, 下面结合对称正定识别优化。记 Sd=AM (d) |A=A, 其中 M (d) 表示全体 dd 对称矩阵的集合。 表示全体nn 实对称正定矩阵构成的集合。在普通的矩阵乘法和数乘规则下, 是 Sd向量空间, 是非向量空间。这两者之间存在一一映射关系:如果 xS d, , 则 , log (y) S d30。矩阵的指数运算是一个双射, 并且是一个光滑函数, 它的逆:矩阵的对数运算也是一个光滑函数。如图 1 所示, 流形上的点 X, Y 与切平面上的点 Sx, Sy之间的一一对应关系。图 1 正定对称矩阵流形单位矩阵处的切平
11、面的映射示意图 下载原图对 , exp () 和 log () 表示矩阵的指数和对数运算, 在上定义算子:那么 是一个以单位矩阵为单位元, 矩阵的逆为逆算子的群。因为中的群算子和逆算子都是光滑的, 并且它是一个黎曼流形, 所以 ( , ) 是李群, 而且 exp: (Sd, +) (S d, ) 是李群同构31。又因为: 是可交换的, 因此, 它还是一个可交换的群 (阿贝尔群) 。给定一个图像集合, 可以通过计算图像集合的协方差矩阵建立图像集合的模型, 根据前面的分析, 协方差矩阵构成正定对称流形, 从而一个图像集合可以表示为正定对称流形上的点, 通过计算流行上两个点的测地距离来度量两个模型的
12、相似性。通过计算单位矩阵的切空间 TI中的内积, 可以得到黎曼核。设特征映射 : , 特征空间内积定义为:= (C i, Cj) 。对 , 定义核函数: (C i, Cj) =tr (log (Ci) log (Cj) ) 该函数是对称正定的, 满足 Mercer 条件, 其中 tr 表示求矩阵的迹12。核鉴别分析 (kernel discriminant analysis, KDA) 求解最优化目标函数:式中核矩阵 Kij= (C i, Cj) , 相关系数 W=wij定义为:当 ci和 cj同时属于第k 类样本时, w ij=1/Nk, 否则 wij=0。最优的 可以通过求解特征值问题KW
13、K=KK 的最大特征值对应的特征向量得到。将最大的 q 个特征值对应的特征向量按照特征值大小排序, 组合在一起得到投影矩阵 A。给定测试样本CtR, 在鉴别子空间的维投影可以通过公式 Yt=AKt得到其投影, 其中 Kt=K (C1, Ct) , , K (CN, Ct) 。3 实验分析本节在 ETH80 对象数据库、Honda&UCSD 视频数据库和 You Tube Celebrities (YTC) 数据库上进行基于集合的对象匹配和人脸识别实验。实验计算机配置为:Intel (R) Core (TM) i7-4710MQ CPU2.5GHz2, 8GB 内存。3.1 数据集ETH80 数
14、据库是由苏黎世理工大学提供的实物光场数据库。如图 2 (a) 所示, 数据库中一共包含 8 类不同的对象, 分别是苹果、梨、西红柿、牛、狗、马、杯子和汽车。如图 2 (b) 所示, 每类对象中包含有 10 个实例的图像集合。每个类的 10 实例在采集时尽量选取了差异较大, 但又明显属于该类的对象。搭建光场时, 在对象实物的周围构造一个正八面体, 然后对其进行三级细分, 取上半部分, 在得到的顶点上设置照相机进行拍摄, 这样每个实例可以获取 41 个视的图像。试验中, 每一个实例的 41 张图像当成一个图像集合, 每类物体有 10个图像集合。图 2 ETH80 对象分类数据库中的样本 下载原图3
15、.2 实验结果及分析ETH80 数据集, 每一类对象有 10 个图像集, 实验随机选择 3、4、5 个图像集合作为训练集合, 剩余的图像集合作为测试集合。表 1 报告了 10 次随机试验的平均识别率和方差。本文提出的方法没有全部获得最高的识别精度, 根据本文的设置, 由于数据库能够提供的数据的数量有限, 在训练 2DPCA 矩阵的时候使用的是查询数据集, 这会影响得到的投影矩阵的独立性, 此外投影之后的维数也会影响识别的精度, 适当的调整参数能够进一步提高识别精度。表 1 ETH80 数据集上的分类效果 下载原表 Honda/UCSD 数据库由于部分人只有 2 段视频, 所以随机选择 1 段视
16、频作为训练集合, 其余的作为测试集合。YTC 数据库选择 01 小节、满足每一个人至少有 5段视频的一个子集, 满足条件的一共有 14 个人的视频, 随机选择 2 段 (YTC 2训练集合) 视频作为训练, 其余的视频作为测试视频。Mobo 数据库提取图像的局部二值模式 (Local binary pattern, LBP) 特征, 选择 2 段视频作为训练集合, 剩余的作为测试视频。计算 2DPCA 时使用全部的训练集合训练投影矩阵。4 结束语本文使用协方差矩阵来构建集合的模型。由于协方差矩阵能够提取集合中所有元素的二阶特征, 因而可以获得比一阶特征更好的描述能力。本文主要的内容是利用 BP
17、 神经网络, 预测每天的两个小时的负荷情况, 并及时对负荷进行仿真实验研究。预测结果显示, 随着 BP 神经网络的应用, 预测结果的准确度在很大程度上提高了。参考文献1刘辰.网络世界的“全球眼” 科来网络回溯分析系统J.网络安全技术与应用, 2013, 20 (1) :6. 2蒋宽.软件定义网络中控制平面的安全策略扩展D.南京:南京邮电大学, 2016. 3桂兵祥, 周康, 周万雷等.通信流熵变量 DDo S 攻击 IP 回溯跟踪模型J.小型微型计算机系统, 2013, 34 (7) :1607-1609. 4巩付鑫.基于 web 浏览的视频监控与回溯系统的研究与设计D.南京:南京邮电大学,
18、2016. 5孟召瑞.利用网络回溯分析技术进行邮件系统攻击分析J.网络安全技术与应用, 2013, 20 (12) :6. 6侯燕, 郭慧玲.关联规则挖掘结合简化粒子群优化的哈希回溯追踪协议J.重庆邮电大学学报 (自然科学版) , 2016, 28 (2) :239-246. 7彭辉, 陈红, 张晓莹等.无线传感器网络位置隐私保护技术J.软件学报, 2015, 26 (3) :617-639. 8科来网络回溯分析系统成功申报国家创新基金J.中国信息安全, 2013, 20 (10) :108-108. 9龙海旭.IPv6 网络下基于异常流量的 DPM 算法的研究D.天津:天津大学, 2014.
19、 10夏彬.基于软件定义网络的 WLAN 中 DDo S 攻击检测和防护D.上海:上海交通大学, 2015. 11蒋宽, 杨鹏.基于数据包回溯的软件定义网络中的故障排除J.信息网络安全, 2016, (3) :71-76. 12朱欣嘉.利用网络回溯分析技术进行异常流量分析J.网络安全技术与应用, 2013, 15 (10) :6, 5. 13易锐.BP 神经网络的一种拓展性分析论证及应用J.统计与决策, 2014, 42 (20) :93-95. 14朱欣嘉.利用网络回溯分析技术进行端口扫描行为分析J.网络安全技术与应用, 2013, 42 (4) :5-6. 15聂萌, 李喜同, 陈波涛等.基于图论的电力网络快速拓扑分析及拓扑岛建立的新方法研究J.电子测试, 2016, 15 (5) :55-56.
