温度预测基于神经网络应用于入侵检测的物联网

文摘

物联网的网络信息安全面临巨大挑战。传统的安全防御机制是被动的和某些漏洞。入侵检测可以进行网络安全监控和采取相应的积极措施。神经网络的入侵检测技术具体的自适应能力,能适应复杂的网络环境并提供入侵检测率高。为了解决这个问题,农田物联网很容易入侵,我们使用神经网络来构建农田物联网入侵检测系统来检测异常入侵。在这项研究中,物联网的温度采集系统作为研究对象。它已经将它分成不同时间粒度进行特性分析。我们提供检测标准数据训练检测模块通过比较传统的ARIMA和神经网络方法。其结果表明,温度系列上的信息丰富。此外,神经网络能更好地预测不同时间粒度的温度序列,确保预测误差小。 It provides the testing standard for the construction of an intrusion detection system of the Internet of Things.

1。介绍

农业生产的大数据是基于连续观察环境要素的农田。它集成了大量的多源、多尺度信息(1,2]。依靠物联网的感知终端(以下是物联网中表达)收集农田环境信息已广泛应用(3- - - - - -6]。物联网传感器终端集成各种传感器,如气象学、水和盐、土壤、地下水、地面和空中传感器结合集群实时收集和传输各种数据。物联网中的传感器节点通常是分布在一个无人值守的环境,这是容易受到外部的恶意攻击和需要高安全性的节点。攻击模式和入侵行为的角度来解释它所面对的是两个主要的方式来影响消费的正常路由转发节点和节点资源(7- - - - - -9]。尽管现有的入侵检测技术为无线传感器网络可以抵御系统攻击在很大程度上,也有一些缺点6),如入侵检测系统误警率高,入侵检测系统的不稳定的速度,先前的攻击特征库的更新。随着人工智能的发展,神经网络吸引了太多的关注,因为他们的自学能力和高速搜索最优解。使用神经网络的原理和技术实现入侵检测已成为一个新的方向在近年来入侵检测技术的发展。它模拟了生物信息处理的理论和方法模式得到智能信息处理功能(10]。基于神经网络的入侵检测系统属于异常入侵检测的分类,包括数据采集模块,数据训练和检测模块和响应模块。最基本和最重要的特性的神经网络算法是数据训练和检测模块。在这项研究中,研究数据进行训练和检测模块。预测的数据添加到数据训练和检测模块。通过使用更好的预测方法,准确预测实现的证据(11),集合的特征信息提取、收集信息的内部关联规则挖掘,和随后的准确的入侵检测的检测标准。

目前,农田气候的预测主要包括指标如降水、湿度、风速、温度和土壤。其中,Ashok Mishra采用交换作物模型运行的米饭和两个场景和意识到降雨预报。证实是准确预测降雨可以节省水稻灌溉用水(12]。即Białobrzewski使用神经网络建模和STATISTICA方法预测相对空气湿度和发现,神经网络的预测结果更准确(13]。意识到每小时平均风速预测建模,右眼abdel aal使用GMDH-based诱导的网络诱导的验证网络预测有更好的预测效果比神经网络(14]。高Z等人使用force-restore修正方法来预测自然发生的非均匀土壤中土壤温度(15]。总之,大部分的温度预测是针对大气温度预测,但广义气候和田间小气候有不同的气候特征。农业小气候研究对农业生产的发展,具有重要意义和农田温度对作物生产至关重要。因此,农业小气候的温度作为研究变量(16]。因此,农业小气候的温度作为研究变量。此外,选择合适的预测模型来预测农田温度为农业生产提供一些数据指导。

虽然有许多研究大气温度的预测,大部分研究是基于投影的温度根据年平均气温、月平均温度,或每日平均温度。时间对预测结果有重要影响,因此应该考虑时间因素在预测(17]。关于大气温度的预测,导致长郡冬天方法用于预测平均温度从6月到8月在夏天18]。张Yingchun使用人工神经网络学习算法来预测月度平均温度数据在克拉玛依沙漠(19]。Ustaoglu使用三种人工神经网络算法(RBF、FFBP和GRNN)预测每日平均最高、最低温度系列(20.]。温室温度的预测,左知宇和其他人建立ARMA互译预测模型使用时间序列分析方法,实现温室温度的预测在接下来的时间与收购单位30分钟(21]。张Xiaodan使用参数优化支持向量机模型预测和白天温室温度序列,数据是一个小时的时间间隔22]。HuihuiYu等人使用改进的PSO优化LSSVM预测温度系列收集太阳能温室。温度序列的时间粒度6小时预计通过对比不同的方法(23]。可以看出大多数的气候温度的预测是基于每月和每日预测单元,和时间粒度的温室温度预报主要是小时组。然而,温室的温度比农田小气候的手动控制。因此,农田小气候的温度作为研究对象,温度时间序列数据组织、不同时间粒度划分,和这一趋势特征进行了分析。传统的时间序列分析方法和神经网络预测方法用于预测不同时间粒度,分别。根据收集到的数据的特征提取和预测,我们构建的关联规则基础入侵检测和入侵检测信息的更新规则库,实现动态学习的目标。

2。方法

物联网可以使各种集成嵌入式传感器协同工作,监测、感知和采集各种环境或监测对象的信息通过各种传感器实时协同工作。嵌入式系统分析数据,并通过自适应无线网络通信,各种信号的收集和感知物理世界中实现。然而,由于许多传感器分布在相对开放和不受监督的地方,很容易从外部的攻击。因此,物联网的安全将成为一个重要的研究方向。物联网的电力供应是有限的,沟通能力是有限的,计算和存储也有限。在这种情况下,如何建立一个有效的安全系统,发现各种入侵和恶意攻击,保证物联网的可靠性尤为重要(24]。从安全技术的角度,对物联网的安全技术包括身份验证技术来保证自己的安全,密钥建立和分配机制,确保安全的传输,和数据加密,以确保数据本身的安全25]。这些技术都是被动预防措施,不能主动检测入侵。基于物联网安全技术的入侵检测是一种主动防御技术。通过监控状态,行为,和使用的网络和系统,入侵检测系统检测到的主要使用系统用户和外部入侵者试图入侵网络或系统。它不仅可以识别入侵从外面还监控非法行为的内部用户(26]。张剑锋等人进行了一系列的讨论基础上,介绍了入侵检测技术的应用神经网络入侵检测技术在物联网27]。将入侵检测系统划分为不同的模块,每个模块神经网络应用于实现智能和动态检测的入侵检测系统。通过收集到的数据的特征提取和预测,预定义的数据集和攻击数据集规则训练神经网络训练模块,提供一个动态的入侵检测系统的规则库。

分析和预测气象数据之前,有必要检查序列的特点,掌握数据的变化规律。气象数据的主要特征是季节性分析和周期性分析。其中,季节性研究分析不同季节的气候差异,常用的气候要素的振幅,大大小表示强烈的季节。通过季节性分析,我们可以理解数据的季节性变化,帮助人们进行季节性根据需要分解。此外,定期报告是探索一个变量是否显示了一个不可避免的趋势随时间变化的28]。时间尺度的周期相对较长模式包括年度周期性趋势,季节性趋势,周期性趋势,相对轻微的季度周期趋势,每周一次的周期性趋势,甚至更短的日子和时间周期的趋势。本研究的对象是温度序列。系列的功能分析有助于了解链的变化,也可以用来区分不同的预测时间粒度。

温度系列是时间序列数据,分析时间序列数据的常用方法分为传统的时间序列预测模型和数据驱动的时间序列预测模型29日]。传统的时间序列预测模型主要包括ARMA (AR, MA), ARIMA、改进的门限自回归时间序列模型(TAR),向量按照(VAR),自回归条件异方差(ARCH),和广义自回归条件异方差(GARCH)。利用ARMA模型必须满足参数的自相关,自相关系数必须高于0.5,和模型只能用于预测其早期阶段相关的经济现象。TAR模型的主要问题有气象时间序列预测是它需要大量的复杂建模过程优化工作(30.]。VAR模型可以视为多元AR模型的扩展。使用VAR模型必须消除周期性的非平稳变量的性质(31日]。拱和GARCH过程都是新的随机过程显示随机变量的方差的变化随着时间的推移,但不是历史序列数据具有异方差性(32,33]。ARIMA模型只需要内生变量不必诉诸其他外生变量。数据驱动的时间序列预测方法包括混沌时间序列预测、灰色时间序列预测、模糊逻辑时间序列预测、神经网络时间序列预测和支持向量机的时间序列预测等。选择混沌时间序列预测模型时,应该分析时间序列的特定特征把握的性质混乱的前兆。灰色预测关于灰色措施仍然需要改进,序列算子,相关措施,残余误差校正,等。模糊时间数列的问题量化程度的模糊推理,预测精度,先验知识依赖于具体问题。支持向量机实现对大规模训练样本是具有挑战性的,需要改善的速度和操作。此外,神经网络具有更好的非线性映射能力、泛化能力和容错。基于上述分析,本实验选择了ARIMA模型在传统时间序列分析和数据驱动的神经网络模型来预测农田的温度。

华宇电脑。ARIMA模型只需要内生变量,不需要使用其他外生变量。利用ARIMA模型需要满足,时间序列数据必须是稳定的。此外,模型可以捕捉的线性关系在本质上,无法捕捉的非线性关系。

步骤1。为了测试原始序列的稳定性,如果假定值的不稳定测试超过0.05,不同的治疗应持续在这个时候,然后进行不同处理后的稳定性试验,如果一阶差分序列是静止的,是稳定的。如果不稳定,最二阶差分平稳进行测试。如果非平稳的二阶差分后,序列是一个非平稳的序列,它不适合下一步预测。

步骤2。根据时间序列模型的识别规则,建立了相应的模型。如果固定序列截断的偏相关函数和自相关函数是尾随,可以得出结论,序列适用于AR模型;如果跟踪平稳序列的偏相关函数和自相关函数被截断,可以得出结论:适用于序列MA模型;如果固定的偏相关函数和自相关函数序列跟踪,然后序列适用于马模型。序列适用于ARMA模型。(截断是财产,自相关函数(ACF)或偏自相关函数(PACF)时间序列的零后一定的顺序(如PACF AR);落后是ACF的财产或PACF不为零后一定的顺序(如AR的ACF)。)

步骤3。进行参数估计和测试是否有统计学意义。

步骤4。假设检验是用于诊断是否白噪声残差序列。

第5步。使用测试模型预测分析。

Levenberg-Marquardt算法。Levenberg-Marquardt算法是应用最广泛的非线性最小二乘算法(34]。它是使用梯度找到的最大(小)值的算法。算法的目标函数关系 ,鉴于和Noise-containing观测维克多 ,估计。计算步骤如下。

步骤1。取初始点 ,终止控制常数 ,和计算 。

步骤2。计算雅可比矩阵 ,计算 ,和正常构造增量方程 。

步骤3。解决δ正规方程获得 。(1)如果 ,使 ,如果 ,然后停止迭代,输出结果,否则 ,然后转到步骤2。(2)如果 ,使 ,解决正规方程获得 ,并返回1。

3所示。材料

主要数据来源和温度的自动采集设备采集的数据介绍了物联网,数据预处理和分析。

监控数据。动态农田信息的实时传感系统基于物联网突破重要的实时问题,例如实时动态检测的盐、碱、水、快速自我诊断设备的故障,和在线自动实时预警。信息数据库实现数据接收、清洁、存储、集成和共享,有效地提高了收集到的数据的真实性和可靠性,并提供了一个有用的数据服务后续数据挖掘和精准农业的基础35]。数据分为两组。一组是东营市气象站的气温数据,采样频率是每3个小时。我们选择的数据从2014 - 2017年,共有11680人。第二部分是基于物联网设备收购东营,是收集一次一小时。我们选择2016年全年数据,共有8784个数据。

数据特性分析。数据分析之前,两组数据预处理填补缺失值和平滑噪声数据,识别和删除离群值和解决矛盾,消除重复数据。数据转换成数据挖掘形式通过平滑和正常化。

年度统计变异。四年整体空气温度变化是通过绘制农田空气温度为2014 - 2017,如图1。

从图可以看出1,该地区农田空气温度变化曲线类似于函数曲线 。一年气温的变化趋势是先增加,然后降低。每年几个月最高气温出现在三个月从6月到8月,最低气温在1月,2月和12月。

为了比较和分析空气温度间距的不同,我们选择每日每日最高温度和最低温度的最巨大的温度变化(0.528)9月,最小的变化(0.270)和一般7月4月温度变化(0.421)和(0.393)12月作为研究的对象,他们的变化趋势如图2。

7月每日最高和最低温度差距更小比9月是均匀分布的。12月最高和最低温度曲线分布在0°C,和温度差距最小的22天。

昼夜温度变化。每个月的日变化数据得到的统计平均温度在每个月每天24小时。

通过分析图3,我们可以发现,每日温度趋势是相似的,和温度较高11:00-16:00日报第二天4点22点钟达到最低。平均每日温度最低是1月和7月最高。今年9月,昼夜温差极大,而7月是最小的。

空气温度时间序列的稳定性试验。ARIMA预测建模之前,我们需要测试的稳定性数据。因此,固定时间的考验系列空气温度在2014 - 2017年获得的表1。时间序列是一阶微分固定,即温度时间序列是静止的。

拟合结果和分析。日平均温度的拟合在2015年和2016年可获得如下。

两年的拟合曲线方程 。系数(95%置信界限)如表所示2和图4。

由于正弦函数的拟合曲线,拟合的均方误差为3.201是0.9067。没有明显的趋势在短期内,但一定的周期性。如果使用传统的时间序列预测可能不会达到理想的效果,但神经网络具有良好的学习能力,可以预测序列中的一些优势。

4所示。建模

利用ARIMA模型和l m算法模型,分别建模,我们获得实验结果。

4.1。数据组

两组不同时间的温度数据粒度划分为训练集,验证集和测试集,比例为0.7:0.15:0.15。首先,2014 - 2017年的月平均温度进行建模和预测,和温度的影响预测36]随着时间粒度进行了分析。然后3小时的时间粒度的温度数据进行建模和预测。我们选择2017年的气温数据来验证模型和选择最好的模型。最后,2016年的最后一个星期的数据预测的时间粒度1小时。

4.2。模型建设

两种预测方法被用于预测农田实验温度的预测试验ARIMA应该首先进行稳定性试验。当时间序列是稳定的,订单预测。在使用神经网络预测之前,清理数据,格式输入变量和输出变量,并把数据集分成比例。通过网络培训,优化不断优化,直到达到最佳状态。两种预测方法的执行步骤如图5和6。

数据5和6展示了两种建模方法的预测过程。可以看出,不同的预测方法需要不同的数据,ARIMA模型需要高稳定的数据,和神经网络不需要数据稳定。ARIMA模型的关键步骤是解决数据的平稳性和确定的顺序模型和神经网络的关键在于优化模型。

4.3。结果

Levenberg-Marquardt模型训练实现的算法。此外,根据样本训练网络输入向量,目标向量,隐层节点和延迟参数预设数量的培训网络。误差自相关是用来判断是否最优训练网络。此外,该模型不断优化直到误差的自相关系数达到最优范围。

通过设置时间粒度数月,我们预测每月平均温度。结果如图7。

MSE图显示了均方误差的变化的训练数据,验证数据和测试数据在不同训练时期。三条曲线的总体趋势是相似的。最好的状态是第六次,测试数据的均方误差最小化。在训练状态图,μ先下降,然后上升,然后下降 ,和保持静止,这表明该模型达到了最佳状态。回归关系图描述了回归的三个数据集。大部分的数据是附近的对角线,表明回归工作良好。

图的上半部分(图8(一个))输出元素的响应时间序列,下部是输出误差,其范围是(5,5),这表明误差很小。它的图表(图中可以看到8 (b)),除了0阶自相关,相关系数不应超过上下置信区间。一些图表的置信区间表明预测结果不是很理想,原因是相对较小的数据量。

图9,因为少量的数据,显示了模型的学习的影响。l m预测的结果和实际价值有点差距,但趋势是相同的,这是符合图的误差和误差自相关的影响8。数据量有一个特定的关系模型的预测的准确性。黑色的线显示了数据预测的传统ARIMA时间序列预测方法。美,RMSE迈普,激射微波检测ARIMA的1.588801,1.051737,-86.78105和0.3993068。可以看出,ARIMA模型的趋势是一样的真正的价值,但数据的数值差异是显著的。平均差异是6.537237°C, l m神经网络是0.548778°C。

每日序列预测。通过设置时间粒度的获得数据收集每三个小时的一天。预测的结果如图10。

图10 ()显示了MSE的三个数据集训练15倍,显示和MSE成为最好的训练次数接近9倍。第一个图曲线10 (b)表明,训练的梯度显示一个下降的趋势。当μ的值不会改变,它意味着模型训练达到最好的状态,并停止这种做法。否则,它将导致过度拟合和影响预测效果。第三个图是验证神经网络,其主要影响是看网络演化的影响。

目标和输出序列的三个数据集都是分布在一个正弦的风格。从误差图,时间序列误差小,分布约为0。图11 (b)显示时间序列具有很高的0阶自相关,和其他自相关值都很小,他们中的大多数分布在上下置信区间。

通过比较不同方法的预测值与实际成本,如图12序列ARIMA预测的方法是不准确的,表明ARIMA不能达到好的结果在预测温度时间序列。

绩效评估。两个评价指标是用来衡量模型的准确性:均方误差(MSE)和 。ARIMA模型测量的准确性通过比较平均绝对标准错误(激射微波)。MSE的平方的期望是区别参数估计和参数的真值,可以评估的程度变化的数据,和较小的MSE价值显示了描述实验数据预测模型具有更好的精度。MSE类似,但不同的是,比较了趋势预测的值与实际值。接近1表明之间的线性关系和是非常接近的。相应的计算公式是(1)和(2)。 在公式(1)和公式(2),预测价值,是真正的价值,是样本容量,通过计算MSE,可以评估模型的性能。此外,在公式(1),分子是误差的平方和是自由的程度。计算模型的评价指标如表所示3。

在表3,每月平均温度测量均方误差值大于常规日常温度MSE。它是由于更少的数据每月平均温度。的值由两个实验测量表明拟合结果是好的,和预测误差小于实际价值。

模型应用程序。为了验证温度预测模型的准确性,我们选择了空气温度在项目区域东营2016年收集的数据。

根据图13,可以看出神经网络算法具有较高的准确性和一致性。

通过计算MSE和模型的再一次,我们得到了表4。MSE的值在表中都小于1.8。的价值在94%以上,这表明模型预测数据的误差很小,验证数据的拟合程度很高。

4.4。总结

可以发现,当数据量少,区别两个模型的预测结果和实际价值很好,但比ARIMA l m。ARIMA模型的预测效果较弱,当数据量非常大,没有长期趋势。

5。总结与展望

无线传感器网络的安全性一直是关注的焦点。安全保护措施之间的矛盾和物联网的攻击模式。因此,应用程序的智能入侵检测新的入侵检测模型是安全研究的重点之一。

在这项研究中,我们研究了神经网络在入侵检测系统中的应用。通过建模和分析实时数据收集的物联网终端,我们构造入侵检测规则库。主要研究工作有以下两点。

(1)神经网络应用于入侵检测系统,它充分利用神经网络的自组织和自学习能力。此外,弥补我们的缺陷,缺乏主动保护的物联网的安全技术。

(2)以温度数据为例,研究了神经网络和传统的准确性和效率ARIMA模型预测的数据类型。这项研究提供了一个参考引入预测研究入侵检测。

通过入侵检测系统的研究和讨论,我们提出一种基于神经网络的网络入侵检测系统。的前提下保证系统的安全性和可靠性,系统充分考虑数据采集的智能特征和入侵检测节点的物联网。使用入侵检测的智能感知能力节点在物联网(物联网),我们综合入侵检测和数据预测和提供一种新的方案建设的物联网安全体系。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作一直是由山东省自主创新的成果转化项目(2014 zzcx07106)。

引用

1. m m。赵,研究所。赵,L.-Y。Zhang et al .,“生态环境的应用大数据:进展和前景,”中国应用生态学》杂志上,28卷,不。5,1727 - 1734年,2017页。视图:谷歌学术搜索
2. d . Wanchun et al .,“服务QoS增强节能意识的虚拟机调度方法在云大数据,”并发性和计算实践经验2016年,卷。29日。视图:谷歌学术搜索
3. z杰,r . Huaijun f . w . Xu和x Shiwei”研究进展农业物联网的体系结构和应用领域,“中国农业科学,50卷,不。04年,657 - 668年,2017页。视图:谷歌学术搜索
4. g .蕴结和c .赵”研究和农业物联网的应用现状与发展对策,“农业机械学报,45卷,不。07年,222 - 230年,2014页。视图:谷歌学术搜索
5. t .苗”,冬小麦产量的预测基于条件植被温度指数”农业机械学报,45卷,不。02年,239 - 245年,2014页。视图:谷歌学术搜索
6. g .兴x, h, s .雪霁,j·杨,“合理节能的虚拟机调度为物联网应用在云环境中,“国际期刊的分布式传感器网络,13卷,不。2、2017。视图:出版商的网站|谷歌学术搜索
7. r·h·雅n·m·帕特尔,y中,和a . k . Sangaiah”攻击模式的灵敏度分析发现基于可信路由方案移动ad hoc网络在工业物联网,”IEEE访问》第六卷,第20103 - 20085页,2018年。视图:出版商的网站|谷歌学术搜索
8. w·陈,“小说安全方案基于物联网的即时加密传输,”安全与通信网络,2018年,页1 - 7。视图:谷歌学术搜索
9. j .李x y黄,j·w·李x f . Chen和y,“安全外包与checkability属性的加密,”IEEE并行和分布式系统,25卷,不。8,2201 - 2210年,2014页。视图:出版商的网站|谷歌学术搜索
10. 张x, x, w .窦c . Hu和j·陈,“交通热线发现方法在使用大出租车GPS数据云的事情,”软件:实践和经验卷,47号3、361 - 377年,2017页。视图:出版商的网站|谷歌学术搜索
11. 张y, z, j . Lei f·l·王,“自适应fractional-Pixel运动估计跳过HEVC运动估计算法有效,”ACM交易多媒体计算、通信和应用程序(汤米·),14卷,不。1 - 2018页。视图:谷歌学术搜索
12. a . Mishra c . Siderius k . Aberson m . van der Ploeg和j . Froebrich“短期降雨预报作为软适应气候变化在灌溉管理在印度东北部,”农业水管理卷,127年,第106 - 97页,2013年。视图:出版商的网站|谷歌学术搜索
13. 即Białobrzewski,”神经建模相对空气湿度,”计算机和电子产品在农业,60卷,不。1、1 - 7,2008页。视图:出版商的网站|谷歌学术搜索
14. r . e . abdel aal m . a . Elhadidy和s . m . Shaahid”建模和预测平均每小时的风速时间序列使用GMDH-based诱导的网络,”《可再生能源,34卷,不。7,1686 - 1699年,2009页。视图:出版商的网站|谷歌学术搜索
15. z高,r·霍顿l . Wang h . Liu和j·温,“一种改进force-restore土壤温度预测的方法,”欧洲的土壤科学》杂志上卷,59号5,972 - 981年,2008页。视图:出版商的网站|谷歌学术搜索
16. h . Shoubo农业小气候浙江,浙江大学出版社,1版,2001。
17. l .气x, x Zhang et al .,“结构性平衡理论基础电子商务推荐大评级数据,”诉讼的IEEE大数据,2016年。视图:出版商的网站|谷歌学术搜索
18. l . j . Chang甄,l .挂表,“冬天的预测方法的应用温度在夏天,“气象科学和技术卷,S1。3、107 - 109年,2005页。视图:谷歌学术搜索
19. z z Yingchun、x Dongrong和远东,”研究风电场的风速时间序列预测时间序列的基础上,“电力技术和环境保护,27卷,不。2、237 - 240年,2003页。视图:谷歌学术搜索
20. b . Ustaoglu h . k . Cigizoglu, m . Karaca”预测每天的意思是,最高和最低温度时间序列由三个人工神经网络方法,”气象应用程序,15卷,不。4、431 - 445年,2008页。视图:出版商的网站|谷歌学术搜索
21. 左。致宇et al .,“温室温度的预测模型基于时间序列方法,”中国农业机械学会的事务第41卷。。11日,第177 - 173页,2010年。视图:谷歌学术搜索
22. z Xiaodan”农业温室温度预测模型基于支持向量机的参数优化,“北华大学学报(自然科学),18卷,不。4、557 - 560年,2017页。视图:谷歌学术搜索
23. h . h . Yu y y . Chen s g·哈桑和d·l·李,“预测中国太阳能温室温度的基于LSSVM优化的改进算法,”计算机和电子产品在农业卷,122年,第102 - 94页,2016年。视图:出版商的网站|谷歌学术搜索
24. l .羌族et al .,“物联网的关键技术及应用”计算机科学,37卷,不。6日1 - 4,2010页。视图:谷歌学术搜索
25. 易。徐,无线传感器网络的原理和方法,清华大学出版社,2012年。
26. 罗。Shoushan,“入侵检测[M],”入侵检测[M],13 26页,北京邮电大学,2004年。视图:谷歌学术搜索
27. z剑锋”,研究入侵检测技术的基础,”数字技术与应用11卷,第194 - 193页,2014年。视图:谷歌学术搜索
28. c .吴”时间优化的多个知识转移在大数据环境中,“电脑资料和连续,54卷,不。3、269 - 285年,2018页。视图:谷歌学术搜索
29. 魏z z峰,“数据驱动的时间序列预测方法的概述,陕西科技大学学报,28卷,不。03年,27,2010页。视图:谷歌学术搜索
30. j . Juliang et al .,”基因的应用门限自回归模型预测气象时间序列,“17(04),415 - 422年,2001年。视图:谷歌学术搜索
31. c。太阳,Y.-N。王,X.-R。李,“向量自回归模型,每小时风速及其在每小时风速预测,应用”中国Dianji Gongcheng学报/中国电机工程学会学报》上,28卷,不。14日,第117 - 112页,2008年。视图:谷歌学术搜索
32. w .启明创投”,自回归条件异方差(ARCH)模型及其应用”预测,4卷,不。1,p。1998。视图:谷歌学术搜索
33. h·陈,”新方法基于广义自回归条件异方差性的负荷预测模型,”电力西铜Zidonghua /电力系统自动化没有,卷。31日。15日,51 - 105,2007页。视图:谷歌学术搜索
34. j .瞿b徐,问:金”大型macro-micro耦合本构模型的参数识别方法可识别性分析的基础上,“电脑,材料和连续,20卷,不。2、119 - 157年,2010页。视图:谷歌学术搜索
35. z Cai, h .燕,p . Li Z.-A。黄,和c高”,对安全、灵活的EHR共享移动健康云下静态假设,”集群计算,20卷,不。3、2415 - 2422年,2017页。视图:出版商的网站|谷歌学术搜索
36. r . r . Cheng徐,x唐”异常网络流量特性DDoS攻击检测序列预测方法在大数据环境中,“电脑资料和连续,55卷,不。1,第095 - 095页,2018。视图:谷歌学术搜索

版权

版权©2018贵院刘et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。