時間：2024-02-28 14:46:00
序論：在您撰寫網(wǎng)絡的概率時，參考他人的優(yōu)秀作品可以開闊視野，小編為您整理的7篇范文，希望這些建議能夠激發(fā)您的創(chuàng)作熱情，引導您走向新的創(chuàng)作高度。
目前，門限準則模糊了所有負載描述值低于門限的節(jié)點之間的差別，也模糊了所有負載描述值高于門限的節(jié)點之間的差別，這勢必對負載均衡的效果產(chǎn)生不利的影響。負載均衡中的路由準入算法大部分基于門限準則來實現(xiàn)。門限準則通過設置一個門限值來判斷路由準入，低于(或高于)門限值則準入(或禁止)路由。但是可相比基于門限的路由準入機制，基于概率的算法并不直接決定是否準入路由，而是綜合各種信息得到一個準入的概率，節(jié)點以這個概率進行路由準入。節(jié)點B、C和D都收到了來自源節(jié)點A的路由請求，在t1時刻節(jié)點B、C和D的負載描述值分別為8，10和12。如果門限值為7，那么三個節(jié)點的負載都高于門限值，則此門限值的設定就無法區(qū)別出節(jié)點B、C和D之間的負載差異；同樣，在t2時刻B、C、D3個節(jié)點的負載描述值分別為4、6、8時，如果門限值為10，那么此門限值也無法區(qū)別出3個節(jié)點之間的差異，而實際上3個節(jié)點的負載有較大的差異。概率算法針對不同的負載描述值得到不同的路由準入概率。例如對于負載描述值8、10和12，概率算法分別給予80%、60%和30%的準入概率，那么B、C和D三個節(jié)點路由準入的結果必然不同，節(jié)點D轉發(fā)RREQ將多于其它兩個節(jié)點。基于概率的算法能夠準確區(qū)別節(jié)點之間的負載差異，對不同負載予不同的策略。對于一個既定的負載量，要求得到一個對應的準入概率。如果把給定的負載量L作為自變量，而對應的準入概率P作為函數(shù)值，那么就可以確定負載量和準入概率之間的函數(shù)對應關系：PF(L)其中P是準入概率，L是節(jié)點的負載量，F(xiàn)是概率函數(shù)。給定一個負載L就可以通過上式算出路由準入的概率P。概率函數(shù)F可以用多條曲線來擬合，理論上講，只要是單調(diào)下降的函數(shù)曲線都合適，使大的負載描述值對應小的準入概率(負載描述值越大，負載越重)，但是不同曲線對應不同的協(xié)議性能。
2.基于歷史信息的負載映射
在一定的網(wǎng)絡區(qū)域內(nèi)，以節(jié)點隨機移動為例，理論上經(jīng)過足夠長的時間，節(jié)點會遍歷網(wǎng)絡，經(jīng)歷網(wǎng)絡的各種負載狀態(tài)，我們稱之為節(jié)點的網(wǎng)絡各態(tài)歷經(jīng)性。也就是在經(jīng)過足夠的時間后，節(jié)點能夠掌握足夠豐富的網(wǎng)絡負載信息，而這些信息與當前時刻其他節(jié)點的負載高度相關。節(jié)點之間沒有任何的負載信息交互。因此節(jié)點對網(wǎng)絡狀態(tài)感知的準確性就成為負載均衡的關鍵之一。基于歷史信息的負載映射利用節(jié)點的歷史負載信息來映射網(wǎng)絡的負載狀態(tài)，為節(jié)點的路由準入提供有效的參考。研究發(fā)現(xiàn)節(jié)點負載強度與節(jié)點在網(wǎng)絡中的位置有很大的關系，當節(jié)點處在網(wǎng)絡的中心區(qū)域時，由于經(jīng)過的路由數(shù)比較多，所以節(jié)點負載一般較高；相反，當節(jié)點處在網(wǎng)絡邊緣時，負載較低。又由于節(jié)點的移動，節(jié)點在網(wǎng)絡中的位置不斷發(fā)生變化，從而節(jié)點的負載狀態(tài)也在不斷改變。所以，節(jié)點在歷經(jīng)各種網(wǎng)絡負載狀態(tài)時，記錄下相應時刻的負載描述值，作為路由準入時的橫向比較參考，使路由準入更準確。四個相隔不遠時刻的網(wǎng)絡拓撲，圖中著色的節(jié)點為同一個節(jié)點A。從圖中可以看到，從t1時刻到t4時刻這段時間內(nèi)，節(jié)點A由網(wǎng)絡的中心運動到了網(wǎng)絡的邊緣(其它節(jié)點也會移動，只是我們并不關心)，而節(jié)點移動之后的位置被其它節(jié)點取代。2(b)中的t2時刻，節(jié)點B運動到了節(jié)點A在t1時刻的位置，其它幾個圖同理。節(jié)點在網(wǎng)絡中位置的變化導致節(jié)點的負載狀態(tài)改變，在t1、t2、t3、t4四個時刻，節(jié)點A的負載描述值分別為9、7、5和3，可見節(jié)點的負載在逐漸降低。而在這個過程中，節(jié)點不斷記錄負載信息，包括變化過程中負載的最大值、最小值以及整個過程中的負載平均值等。節(jié)點A記錄的負載最大值是t1時刻，其負載描述值為9，負載的最小值是在t4時刻，其負載描述值為3，整個過程負載的平均值為（9+7+5+3）/4=6。節(jié)點利用這些歷史負載信息來映射網(wǎng)絡的負載狀態(tài)。比如節(jié)點記錄的歷史最大負載描述值為9，那么很可能此時網(wǎng)絡中的其它某個節(jié)點的負載值為9。通過當前的負載值與歷史負載值比較，節(jié)點很容易判斷出自己的負載輕重，從而決定是否準入路由，達到負載均衡的目的。
3.H&P算法
能夠描述網(wǎng)絡負載的表征量有很多，主要的有時延、信道占用時間、路由數(shù)和緩沖區(qū)隊列長度等。時延表征量是選擇一條時延最短的路徑；信道占用時間是以節(jié)點感知到的信道被占用的時間作為負載的度量；路由數(shù)是以經(jīng)過節(jié)點的路由數(shù)目作為負載的度量；緩沖區(qū)隊列長度是以節(jié)點接口隊列緩沖區(qū)長度作為負載度量。不同的表征量各有特點，操作也不相同。時延和路由數(shù)表征量需要在節(jié)點之間交換表征量信息，增加了額外開銷，且對負載的描述不全面；信道占用時間是一個有效的負載度量，但是需要MAC協(xié)議支持，即需要跨層設計，這增加了協(xié)議的復雜性，也破壞了負載均衡算法與協(xié)議的松散耦合；緩沖區(qū)隊列長度對負載的描述簡單有效，而且具有獨立分布式運算、易于操作等特點。所以在H&P_DSR協(xié)議中選擇緩沖區(qū)隊列長度作為負載表征量。規(guī)則二：負載信息的學習與搜集。H&P算法中對網(wǎng)絡負載狀態(tài)的判讀依賴節(jié)點運行時搜集的信息。節(jié)點搜集到的負載信息越多，對網(wǎng)絡負載的分布情況判斷越準確，負載均衡的效果就越好。由于開始時節(jié)點沒有搜集到足夠的負載信息，所以前幾個周期并不進行路由準入的判斷，而是正常路由，只對網(wǎng)絡的負載情況進行采樣和記錄，其中包括節(jié)點運行過程中負載表增量的最大值(記為MaxL)、最小值(記為MinL)以及平均值記為AveL)。可以靈活的設置路由準入介入的時間，理論上此時間越長節(jié)點搜集到的信息越豐富，路由準入判斷越準確。實際中可根據(jù)具體的應用來設計，其與節(jié)點的移動速度、通信距離等有關。在當前仿真場景下，在2000*2000m2范圍內(nèi)的區(qū)域內(nèi)，節(jié)點的平均速度為20m/s，通信距離為400m，理論上節(jié)點從網(wǎng)絡邊緣進入到中心所用的時間大約30s。
關鍵詞： 概率神經(jīng)網(wǎng)絡（PNN）； 顏色識別； 生化分析
中圖分類號： TP 391.4文獻標識碼： Adoi： 10.3969/j.issn.10055630.2012.05.005
引言顏色識別在遙感技術、工業(yè)過程控制、材料分揀識別、圖像處理、產(chǎn)品質(zhì)檢、機器人視覺系統(tǒng)等領域已得到廣泛應用。利用已有的彩色圖像處理設備，如彩色掃描儀、彩色數(shù)碼相機、攝像頭等，可以進行尿液的醫(yī)學生化分析[1]。但是，由于系統(tǒng)信號傳輸?shù)姆蔷€性、硬件設備本身的局限性及其它各種外在因素的影響，不同設備間顏色信息的傳遞也不是線性的，而是非常復雜的。即使是同一彩色圖像，經(jīng)不同的彩色圖像處理設備掃描或拍攝后再輸入到計算機中所得到的RGB數(shù)據(jù)文件在比例關系上和數(shù)量大小方面也會呈現(xiàn)明顯的失調(diào)和不一致[2]。概率神經(jīng)網(wǎng)絡（PNN）是一種基于概率密度函數(shù)理論且泛化能力很強的神經(jīng)網(wǎng)絡，并且能夠廣泛地應用于模式識別等領域。可以利用線性學習算法完成以往非線性算法的工作，又可以保持非線性算法的高精度特性[34]。現(xiàn)基于PNN，提出一種與尿液反應后尿試紙的顏色識別方法。針對顏空間轉換的非線性復雜關系，在獲取標準閾值顏度值后，進行歸一化處理，建立PNN，用于尿樣顏色的識別，并與顏差評價方法進行比對。1概率神經(jīng)網(wǎng)絡（PNN）
1.1PNN特點PNN是統(tǒng)計方法與前饋神經(jīng)網(wǎng)絡相結合的一種神經(jīng)網(wǎng)絡模型。與多層前饋神經(jīng)網(wǎng)絡（back propagation，BP）相比較，PNN的主要優(yōu)勢為：（1）網(wǎng)絡收斂速度快。網(wǎng)絡結構僅有兩層，并且運算時不需要返回網(wǎng)絡再對權值進行修改；（2）無論多么復雜的分類問題，只要有足夠的訓練數(shù)據(jù)，PNN可以保證獲得貝葉斯準則下的最優(yōu)解；（3）允許減少或增加訓練數(shù)據(jù)而無需進行長時間的訓練。
光學儀器第34卷
第5期王春紅，等：基于概率神經(jīng)網(wǎng)絡的尿樣顏色識別
圖1概率神經(jīng)網(wǎng)絡結構
Fig.1Schematic diagram of PNN structure1.2PNN結構PNN是一種能夠用于模式分類的徑向基神經(jīng)網(wǎng)絡，實質(zhì)是基于貝葉斯最小風險準則的一種并行算法[5]。PNN網(wǎng)絡結構如圖1所示，共三層：輸入層、隱含層和輸出層。第一層為輸入層，網(wǎng)絡第二層為隱含層，用徑向基函數(shù)作為激勵函數(shù)，一般為高斯函數(shù)（即exp（-n2），n為徑向基函數(shù)神經(jīng)元輸入值）；第三層為輸出層，即競爭層。圖1中Q為輸入向量的個數(shù)，R為輸入向量的維數(shù)，LW1，1為輸入權值向量，LW2，1為隱層權值向量，K為輸出神經(jīng)元個數(shù)，C為擴展常數(shù)。C值越大，隱含層神經(jīng)元對輸入向量的響應也越大。PNN分類方法：徑向基層計算輸入向量同樣本輸入向量間的距離dist，輸出一個距離向量。競爭層接受距離向量，計算各個模式出現(xiàn)的概率，通過競爭傳遞函數(shù)compet尋找輸入向量中的最大元素，把響應的神經(jīng)元輸出設置為1，其余輸出設置為0。2樣本體系結構
2.1標準閾值尿液生化分析中每一具體項目分為正常（-）、臨界正常（-+）和非正常情況（+，++，+++）。將尿試紙與標準閾值實驗液作用，在規(guī)定的時間內(nèi)，檢測尿試紙可見光譜反射率或用色度儀器測試顏色三刺激值XYZ。CIE1931顏色三刺激值XYZ計算公式為X=k∑λS（λ）R（λ）x―（λ）Δλ
Y=k∑λS（λ）R（λ）y―（λ）Δλ
Z=k∑λS（λ）R（λ）z―（λ）Δλ（1）式（1）中，S（λ）為照明光源相對光譜功率分布、R（λ）為物體可見光譜反射率、x―（λ）、y―（λ）和z―（λ）為CIE標準觀察者的光譜三刺激值函數(shù)，Δλ為采樣間隔，一般Δλ=10 nm。在Lambda 9紫外可見近紅外分光光度計上測試獲得光譜反射率數(shù)據(jù)，即可由式（1）得到光源下的顏色三刺激值XYZ。實驗中比對實驗所用光源和測試標準閾值顏色所用光源相同。為能更好地反映兩個顏色間色差大小與人眼感知程度的一致性，通常將物體顏色三刺激值XYZ轉換成CIE Lab勻色空間色度值[6]，依據(jù)下式進行計算。L*=116×fYYn-16
a*=500×fXXn-fYYn
b*=200×fYYn-fZZn（2）式（2）中，L*為米制明度；a*、b*為米制色度。Xn，Yn，Zn為標準照明體的三刺激值。fXXn、fYYn、fZZn的計算公式為f（I）=I13I>0.008 856
f（I）=7.787×I+16116I≤0.008 856（3）實驗在A標準光源、D65標準光源下分別進行，尿膽素原（URO）標準閾值色度數(shù)據(jù)如表1所示。表2為標準光源A和標準光源D65下的相鄰標準閾值間的色差。由表1和表2中的色度數(shù)據(jù)可以看出，標準閾值間的色差遠遠超出了人眼分辨顏色差別的閾值。標準光源A和標準光源D65下的色差值較接近。D65標準光源下，對于尿膽素原測試，RGB空間色度值如表3所示。
2.2指標數(shù)據(jù)的量化、規(guī)范化處理為減少網(wǎng)絡的訓練難度，需要對輸入數(shù)據(jù)進行歸一化處理[7]。利用計算公式將輸入數(shù)據(jù)量化為閉區(qū)間[0.05，0.95]上的無量綱指標屬性值。當輸出越大分析結果越高時，效應系數(shù)計算公式為：Fj=0.9×（Xj-Xjmin）/（Xjmax-Xjmin）+0.05（4）當輸出越小分析結果越高時，效應系數(shù)計算公式為：Fj=1-[0.9×（Xj-Xjmin）/（Xjmax-Xjmin）+0.05]（5）其中，F(xiàn)j為目標值Xj的效應系數(shù)，Xjmin為第j個指標的最小值，Xjmax為第j個指標的最大值，j是評價指標數(shù)。將D65標準光源下標準閾值的RGB值經(jīng)過上述處理后，便得到樣本數(shù)據(jù)。3用PNN進行尿液生化分析
3.1PNN的建立每項檢測項目中均有5個閾值，即共有5個訓練樣本，與待測尿液反應后的尿試紙顏色的RGB值為測試樣本。（1）輸入層神經(jīng)元數(shù)的確定。輸入層神經(jīng)元數(shù)的多少與評價指標數(shù)相對應。采用顏色RGB值對尿液生化分析結果進行模擬評價，因此，網(wǎng)絡輸入層神經(jīng)元個數(shù)為3。（2）隱含層神經(jīng)元數(shù)與訓練樣本數(shù)相同。共計5個，傳遞函數(shù)為高斯函數(shù)（radbas），加權函數(shù)設為歐氏距離加權函數(shù)（dist）。編程中設計輸人函數(shù)為netprod，輸出函數(shù)為compet，加權函數(shù)為dotprod。（3）輸出層神經(jīng)元數(shù)的確定。網(wǎng)絡輸出結果共分5個等級，即-、-+、+、++、+++，因此輸出神經(jīng)元個數(shù)取為5。
3.2PNN的訓練和預測用MATLAB神經(jīng)網(wǎng)絡工具箱中newprm（）函數(shù)設計PNN網(wǎng)絡，代碼：net=newpnn（P，t，spread），其中P為歸一化樣本向量，t為輸出目標向量，即評價等級，分別用1、2、3、4、5代表-、-+、+、++、+++五個等級，net為產(chǎn)生的PNN，spread為徑向基函數(shù)分布密度，設為0.1[8]。利用vec2ind函數(shù)可將分類結果轉換為容易識別的類別向量，亦可用ind2vec函數(shù)將類別向量轉化為PNN可以使用的目標向量。將驗證樣本數(shù)據(jù)輸入已訓練完成的PNN進行預測，測試函數(shù)Y=sim（net，X），Y為預測結果，X為歸一化驗證樣本矢量。網(wǎng)絡輸出：Y=1354212歸一化后的尿膽素原驗證樣本數(shù)據(jù)和網(wǎng)絡的預測結果如表4所示。
表4尿樣顏色分類結果
Tab.4The classification results of urine color
驗證樣本1234567R0.049 00.601 70.152 60.567 20.843 60.152 60.567 2G0.092 20.505 20.939 30.748 70.229 80.187 50.304 0B0.083 60.627 10.847 80.813 90.321 40.134 50.389 3期望輸出-++++++-+--+預測結果-++++++-+--+
4結論（1）與尿液生化分析顏差方法[1]進行了比對，預測值Y與計算顏差方法結果完全一致，說明網(wǎng)絡有較好的預測精度，概率神經(jīng)網(wǎng)絡用于尿液生化分析中的尿樣顏色識別是完全有效的。（2）該方法無須進行色空間轉換，只利用設備原有RGB顏色空間RGB值即可實現(xiàn)，用MATLAB語言編程，結果直觀，具有良好的圖像界面支持，易于操作，具有一定的使用價值。（3）由于照明光源直接影響物體的顏色，因此尿樣檢測的照明光源要和提供檢測項目標準閾值的照明光源相同或相近。參考文獻：
[1]王春紅，周越，趙紅霞.基于色差評定理論的尿液生化分析方法研究[J].生物醫(yī)學工程學雜志，2008，25（1）：77-82.
[2]蔡明杰，賈宏志，畢波，等.基于黑白攝像系統(tǒng)的偽彩色處理[J].光學儀器，2011，33（3）：33-36.
[3]YOUNES C，SURANJAN P，RONALD M.Conjugate gradient and approximate newton methods for an optimal probabilistic neural network for food color classification[J].Optical Engineering.1998，37（11）：3015-3023.
[4]LIU G.Remote sensing image segmentation with probabilistic neural networks[J].Geospatial Information Science，2005，8（1）：28-32.
[5]柳松，王展.基于徑向基概率神經(jīng)網(wǎng)絡的人臉識別方法[J].計算機工程與科學，2006，28（2）：57-60.
[6]荊其誠，焦書蘭，俞柏林.色度學[M].北京：科學出版社，1979.
關鍵詞：群垂直切換 阻塞概率 傳輸時延 丟包率
中圖分類號：TN929.5 文獻標識碼：A 文章編號：1672-3791（2017）02（b）-0214-02
1 系統(tǒng)模型及問題
群垂直切換場景是由多個不同的無線接入網(wǎng)絡和多個移動終端組成，假設共有N個可用的無線網(wǎng)絡，移動終端可以選擇這些網(wǎng)絡進行垂直切換。對于每一個網(wǎng)絡i∈N （i=1，2...N），可用資源是ARi Mbps，往返時間是RTTi ms，兩個網(wǎng)絡參數(shù)隨時間不斷變化。假設共有M個用戶進行群垂直切換，對于每一個用戶j∈M （j =1，2...M），該用戶所需的傳輸比特率表示為Rj Mbps。移動終端在向網(wǎng)絡發(fā)出的切換請求時分為兩種業(yè)務類型：一種是實時業(yè)務，另一種是非實時業(yè)務。實時業(yè)務對時延較為敏感，延時的大小對于該業(yè)務的性能的影響較大。對于非實時業(yè)務而言，丟包率的大小對于該業(yè)務的影響較大。因此，對于不同類型的切換，優(yōu)化目標是不同的。對于實時業(yè)務，目標是盡量使得整個網(wǎng)絡的平均傳輸延遲最小，而非實時業(yè)務的目標是盡量使得整個網(wǎng)絡的平均丟包率最小。
2 群切換方案
群切換一般發(fā)生在多個用戶之間離得很近，當多個用戶檢測到一個熱點信號時，同時或幾乎同時向目標網(wǎng)絡發(fā)出切換請求。因此，該文將多個用戶之間看成是無差別的，忽略用戶所用信道的差異性，即用戶享有同樣的信道條件，所有的用戶都符合垂直切換的條件或標準。同時，我們假設任意用戶都可以知道其他用戶的信息和所有網(wǎng)絡的信息。即當用戶向目標網(wǎng)絡發(fā)出切換請求時，目標網(wǎng)絡獲取到請求切換用戶的總個數(shù)，然后通過廣播的形式將該信息通知給所有的用戶，使得任意一個用戶都能夠了解當前切換用戶的總個數(shù)。同時，從網(wǎng)絡的廣播信息中所有用戶都會知道每個目標網(wǎng)絡在當前時隙所剩下的可用資源。
在群切換中，當用戶個數(shù)很少，無線網(wǎng)絡可以提供足夠的無線資源給請求切換的用戶時，將不會產(chǎn)生網(wǎng)絡擁堵和切換阻塞。然而，隨著用戶個數(shù)的增長，網(wǎng)絡資源不斷減少，至少會有一個網(wǎng)絡將被不能提供足夠的資源給用戶，在這種情況下，會產(chǎn)生網(wǎng)絡阻塞。
2.1 確定最多的切換用戶
當多個用戶選擇同一個目標網(wǎng)絡進行切換時，用戶所需的資源總和超過目標網(wǎng)絡的可用資源時就會發(fā)生沖突和阻塞。設P b 表示群切換時網(wǎng)絡中用戶發(fā)生阻塞的概率，阻塞概率越小越好。因此，我們的目標就是在網(wǎng)絡阻塞概率在小于最大阻塞概率的基礎上，得出在同一時隙網(wǎng)絡最多能滿足用戶的切換請求個數(shù)，保證在阻塞最小的情況下，最大程度上利用網(wǎng)絡的資源給用戶提供服務。可以表示為式（1）：
（1）
其中k代表同一時隙進行切換的用戶個數(shù)。而k的最大值又依賴于Pb ，因此，應該首先確定的表達式Pb。
設用戶向目標網(wǎng)絡i 發(fā)出切換請求概率表示為Pi，向量P=[P1，P2，...PN]表示向所有目標網(wǎng)絡發(fā)出切換請求的概率。因此，，且滿足P ≥0。
設當一個用戶選擇了i 網(wǎng)絡進行切換接入時，還有其他s個用戶也選擇了該網(wǎng)絡，即剩余的k-1個用戶中有s個用戶選擇同一個網(wǎng)絡i 進行切換，這種事件發(fā)生的概率可用式（2）表示：
3 結論
該文提出了一種基于最大阻塞概率的群切換算法的群切換方案，首先確定在同一時隙最多能夠進行切換的用戶個數(shù)，避免網(wǎng)絡負載過重和切換阻塞，然后在切換判決階段選取使得整個系統(tǒng)平均傳輸延遲和丟包率最小的結果。仿真表明，與之前的方案相比該問提出的方案具有更好的切換效果，提高了系統(tǒng)性能。
參考文獻
[1] S. K. Lee， K.Sriram， et al. Vertical Handoff Decision Algorithms for Providing Optimized Performance in Heterogeneous Wireless Networks [J].IEEE Transactions on Vehicular Technology，2009，58（2）：865-881.
[2] A. Mehbodniya， F.Kaleem， et al. Wireless network access selection scheme for heterogeneous multimedia traffic[J].IET Networks， 2013，2（4）：214-223.
[3] T. M. Ali， M. Saquib. Analytical Framework for WLAN-Cellular Voice Handover Evaluation[J].IEEE Transactions on Mobile Computing，2013，12（3）：447-460.
【關鍵詞】概率統(tǒng)計；網(wǎng)絡BB平臺；教學模式
概率論與數(shù)理統(tǒng)計是研究隨機現(xiàn)象統(tǒng)計規(guī)律的一門學科，其理論嚴謹，應用廣泛，發(fā)展迅速，目前是全國高校理工科類必修的一門基礎公共課，而且在20世紀末，此課程被教育部認定為碩士研究生入學考試的數(shù)學課程之一，由此可見其重要性.但是，傳統(tǒng)的概率統(tǒng)計課堂教學模式存在著很大的不足，需要提高與改善，為此，提出了基于網(wǎng)絡BB平臺的課堂教學模式.
一、課堂教學模式下存在的問題
概率統(tǒng)計課程是我校大面積的公共基礎課，各專業(yè)都把這門課開設在專業(yè)課之前，是理工科類學生學好專業(yè)的基礎，其重要性不言而喻.但目前，由于各方面的原因，使得這門課的教學現(xiàn)狀存在著多方面的不足.主要有如下幾點：
1.大班教學，課堂學習效果差
我校的概率統(tǒng)計課程是由理學院公共部的老師承擔教學任務，由于師資有限，每學期基本上都是以4個班級合在一起為一個教學班，大概120名學生左右，安排在一個大教室里上課，這樣會使坐在后面的學生由于距離太遠看不清老師的板書或者聽不清老師講的話而大大影響了學習，有些甚至因此失去了學習的興趣.而另一方面，老師也更難掌控整個課堂的教學，其一，學生多了，課堂紀律就會下降，這就影響了課堂的教學質(zhì)量；其二，學生間的差異也會增大，這樣，教師在課堂上就會顧此失彼，很難進行合理的課堂教學過程的設計.
2.內(nèi)容多，課時少
我校概率統(tǒng)計課，隨著教學計劃的多次調(diào)整，從原來的51學時現(xiàn)被壓縮到了42學時，這點學時根本講不完原來教學大綱上規(guī)定的內(nèi)容，所以只有修改大綱，刪減教學內(nèi)容，考慮到現(xiàn)在的學生質(zhì)量的下降，就刪減了相應的學生感覺比較困難的章節(jié)，比如概率中的大數(shù)定律，這章的內(nèi)容在概率論中的地位是相當重要的，是整個概率論的一大支撐，但很遺憾，只能舍棄不講.再比如統(tǒng)計中的回歸分析，它的應用是相當廣泛的，學生以后很可能經(jīng)常會用到這個方法，但考慮到學時也只能刪除不講.這樣會對學生的知識面產(chǎn)生影響，勢必會影響專業(yè)課的學習以及今后的考研內(nèi)容的復習.從長遠看，是很不利于學生的發(fā)展的.
3.課堂教學內(nèi)容死板，教法單調(diào)
課堂上的教學，受課時的影響，為了及時完成教學內(nèi)容，教師只能是以講解為主，甚至很少有時間提問，再讓學生思考，這樣，教師的教法就很單調(diào)，這種“滿堂灌”的教學方式早已被證明是不利于學生的創(chuàng)新意識的培養(yǎng)的，甚至是抹殺了學生的探索性思維，這樣很難調(diào)動學生的積極性，造成學生的學習主動性不高，甚至出現(xiàn)學生課堂玩手機、看報紙等不良的學習風氣.
二、BB平臺的教學模式的優(yōu)勢
為了解決上述傳統(tǒng)課堂教學所存在的這些問題，我們近期在校網(wǎng)絡BB平臺上創(chuàng)建了概率統(tǒng)計課程.從使用的效果看，很好地填補了以上課堂教學的不足之處.具體表現(xiàn)為以下幾個優(yōu)勢：
1.充實了課堂教學內(nèi)容
在BB平臺上，開辟了很多的學習內(nèi)容板塊，比如：習題解答，在這板塊中，放置了課后習題的詳細解答，這樣可以方便學生進行自學，以前，學生經(jīng)常抱怨習題課太少，老感覺自己不會做題，有了這個詳細解答后，學生的疑問就少了，不懂的可以自己去看解答，這樣就非常的方便.對學生的學習起到了很大的幫助作用.再如課堂錄像，我在網(wǎng)絡上放了完整的課程錄像，這樣，學生如果對哪一章哪一節(jié)的內(nèi)容在課堂上還沒有完全消化理解，他就能夠自己課后上網(wǎng)看這節(jié)課的錄像，尤其是課堂上的一些難點，學生很可能一下子理解有困難，那么通過再次聆聽老師的講解，就能使學生很好地理解知識、掌握知識.另外，對于那些即將參加考研的同學，在復習中如果哪一部分的內(nèi)容忘記了，就可以上網(wǎng)找到錄像來進行復習.我在這次的考研輔導班上就向?qū)W生公布了網(wǎng)絡課程的地址，讓學生自己看視頻復習，學生反映效果很好，非常方便，想什么時間看都行，想看哪章內(nèi)容可以很方便地挑，充分發(fā)揮了學生的學習主動性.
2.激發(fā)了學生的學習興趣
傳統(tǒng)的課堂教學一味地填鴨式的教學法，讓學生感覺很沉悶，久而久之，學生就會失去對這門課程的興趣，而利用網(wǎng)絡平臺，可以很好地激發(fā)學生的學習興趣.比如，在問題討論區(qū)，在每節(jié)課后，都會有相應的一些問題，讓學生在這里交流探討，教師也積極地在網(wǎng)上進行答疑，讓學生在討論中明知，在爭論中解惑，在思考中提升，充分發(fā)揮學生的主體地位.再如，在網(wǎng)絡平臺上，放置了很多的概率小實驗，需要在計算機上操作完成，這些都是些小程序，每名學生都可以進行自主的實驗，這樣可以更好地理解和掌握知識，而這在課堂是不可能辦到的.又比如案例分析，這一塊內(nèi)容放了很多的概率統(tǒng)計的經(jīng)典案例，這些平時在課堂上很難有時間講，學生在學習的過程中也老對這門課程產(chǎn)生疑惑，學了到底有什么用、哪里有用等類似問題，而通過查看這里的內(nèi)容，學生就能了解這門課程在實際生活、生產(chǎn)中的重要應用，這樣也從另一方面大大地激發(fā)了學生的學習興趣.
三、結束語
最后，認識到基于BB平臺下的概率統(tǒng)計課程教學改革，是一項比較繁重的任務，可能會出現(xiàn)很多新的挑戰(zhàn)，很多新的問題需要思考，我們也將不斷地進行探索實踐，讓學生能有一個更完整、有效的學習模式.
【參考文獻】
[1]曹飛龍. 概率論與數(shù)理統(tǒng)計[M].北京：高等教育出版社，2012.
關鍵詞：容遲/容斷網(wǎng)絡；路由算法；能量敏感；消息轉發(fā)；緩存管理
中圖分類號： TP393.01
文獻標志碼：A
Node energy-aware probabilistic routing algorithm for delay/disruption tolerant network
FU Kai*，XIA Jing-bo，LI Ming-hui
Institute of Information and Navigation， Air Force Engineering University， Xi’an Shaanxi 710077， China
Abstract：
Considering the problem of limited energy in Delay/Disruption Tolerant Network （DTN）， a node energy-aware probabilistic routing algorithm was proposed. Nodes in network were distinguished according to energy situation， and different message delivery mechanism and energy-efficient buffer management strategy were adopted in order to achieve the balance between delivery ratio and energy consumption. Simulations indicate that the algorithm improves delivery ratio and reduces overhead ratio on low energy consumption， and has better performance on network lifetime compared with other algorithms.
英文關鍵詞 Key words：
Delay/Disruption Tolerant Network（DTN）； routing algorithm； energy-aware； message delivery； buffer management
0 引言
容遲/容斷網(wǎng)絡（Delay/Disruption Tolerant Network， DTN）[1-2]是一類采用“存儲—攜帶—轉發(fā)”機制的新型網(wǎng)絡，主要應用于深空通信、戰(zhàn)爭網(wǎng)絡、移動自組網(wǎng)，以及無線傳感器網(wǎng)絡等。在DTN中，由于節(jié)點的移動性通常不存在一條完整的端到端路徑，而且節(jié)點的緩存資源和能量有限，存在較大且可變的時延，因此傳統(tǒng)的Internet路由協(xié)議不能獲得理想的性能。
為了在鏈路間歇中斷的情況下提高消息傳輸?shù)男?，研究人員提出了幾種典型的DTN路由算法[3-4]。Epidemic算法[5]采用傳染機制盡可能地增加消息副本數(shù)量來提高傳輸成功的概率，但對于節(jié)點能量和緩存資源的消耗很大。PROPHET算法[6]基于歷史信息計算轉發(fā)效用，有效克服了消息的盲目轉發(fā)，減少了消息副本數(shù)量和節(jié)點能量消耗。First Contact算法[7]是一種不需要先驗知識的單副本路由算法，只選擇首先接觸到的節(jié)點為轉發(fā)節(jié)點，對于網(wǎng)絡資源的要求較低，但不能保證消息成功傳輸?shù)侥康墓?jié)點。
隨著研究的深入和DTN應用的推廣，節(jié)點的能耗問題越來越值得關注，尤其對于一些小型移動設備更為突出，因此在路由算法設計中節(jié)能也是必須考慮的。文獻[8]提出基于能量約束和歷史信息的容遲網(wǎng)絡路由算法，節(jié)點依據(jù)歷史記錄和剩余能量進行層次編碼，提高了節(jié)點將數(shù)據(jù)傳輸?shù)交镜目赡苄浴Ｎ墨I[9]提出基于節(jié)點優(yōu)先級的數(shù)據(jù)轉發(fā)策略，考慮了節(jié)點剩余能量對傳輸優(yōu)先級的影響，有效地控制了消息平均副本數(shù)，并降低了能量消耗。為合理利用網(wǎng)絡中的能量傳輸消息，本文提出一種節(jié)點能量敏感的概率路由算法，在消息轉發(fā)和緩存管理上體現(xiàn)了節(jié)能的理念，延長了網(wǎng)絡壽命。
1 網(wǎng)絡模型和問題描述
1.1 基于節(jié)點能量的網(wǎng)絡模型
在網(wǎng)絡中，每個節(jié)點都被賦予一個初始能量Einit，節(jié)點實時剩余能量為Eres。為了方便研究節(jié)點能量對路由選擇的影響，本文依據(jù)節(jié)點能量剩余率RE（RE=Eres/Einit）設置能量狀態(tài)門限Estate和能量告警門限Ewarn，并將網(wǎng)絡中的節(jié)點劃分為高能節(jié)點（RE≥Estate）、低能節(jié)點（EwarnEs。另外，在所研究的網(wǎng)絡中具有以下假設條件：
1）維持節(jié)點移動性等所需的能量消耗不在考慮范圍之內(nèi)，如車載、機載等通信設備的運動能耗由車輛或飛行器提供。
2）Et和Er依據(jù)每次接收或發(fā)送一個數(shù)據(jù)包計算，Es為每分鐘的掃描能耗，并認為以上均為固定值，當能量耗盡時不再進行掃描和收發(fā)消息。
3）節(jié)點充能時補充至初始能量，充能所需時間忽略不計。
關鍵詞：概率神經(jīng)網(wǎng)絡；核保風險；模型
就我國目前的醫(yī)療保險體制來說，其還不夠健全，單單是社會保險并不足以構建較為完善的醫(yī)療保險制度，因此，還需要商業(yè)醫(yī)療保險的支持，通過采用商業(yè)醫(yī)療保險可以構建出一個多層次和多格局的醫(yī)療保障體系。但是，商業(yè)醫(yī)療保險具有較高的風險，針對其進行風險管理也具有較大的難度，我國的相應體制也不夠健全，這樣就使得商業(yè)醫(yī)療保險的發(fā)展相對緩慢，為了解決這一問題，相關的工作人員也做了大量的工作，不斷的提升對投保人患病的可行性預測，工作人員將概率神經(jīng)網(wǎng)絡的患病分析模型應用到該工作中，在很大程度上提升了預測的精確度，使得投保人患病的可行性預測更加的可靠。
1 概率神經(jīng)網(wǎng)絡的構成
就概率神經(jīng)網(wǎng)絡來說，其主要是由隱層以及輸出層所構成的，其中，隱層為第一層，在這一層中，主要包括徑向基神經(jīng)元，而輸出層則屬于第二層，所謂的輸出層也就是競爭層。概率神經(jīng)網(wǎng)絡從根本上來說，其可以表示為前饋型神經(jīng)網(wǎng)絡。而在概率神經(jīng)網(wǎng)絡中的徑向基神經(jīng)元則主要是以凈輸入為主，從這一點來對輸入向量與權值向量之間的距離進行有效的測量，另外，也可以依據(jù)這一點來對隱層的傳遞函數(shù)進行概率密度的有效反映。
2 實際項目中的風險分析
2.1 相關性檢驗
應用相關的分析軟件，計算得出相應的分子變量，對所計算得出的分子變量進行有效的統(tǒng)計。依據(jù)相關的醫(yī)學專業(yè)理論知識可以了解到，統(tǒng)計值的分界線為0.1，以這一分界線為依據(jù)，將患有不同疾病的患者進行患病程度的劃分，而劃分所要依據(jù)的變量主要分為年齡、家族病史等。
2.2 概率神經(jīng)網(wǎng)絡的建立以及學習
就相關性分析可以了解到，將劃分依據(jù)的變量作為相應的輸入神經(jīng)元，針對患者所患疾病的程度的輕重，來對患者的病情進行等級的劃分，其中0則代表沒有患病，1則說明鎖環(huán)疾病的程度較輕，2說明所患疾病的程度屬于中等，而3則說明患者所患疾病的程度較重。針對概率神經(jīng)網(wǎng)絡進行學習，主要的步驟包含如下：
首先，要對輸入向量以及權值向量之間的距離進行有效的計算，所計算出的距離結果就可以表示為兩向量之間的相似程度。
其次，將閾值向量與距離輸出向量各自的元素進行一一的對應，并將對應的元素進行有效的相乘，在徑向基函數(shù)非線性映射作用的影響下，對輸出的向量進行獲取。
在最后，要注意分析出競爭輸出層中的權值向量的點，并將其與上一層的輸出向量進行有效的相乘，從而可以的出具體的加權和向量值，選出加權和向量值中最大的一個值，將其確定為輸出的最終值。
3 模型檢驗及結果分析
本文主要依據(jù)實例來進行分析，并選取了17000條相關的數(shù)據(jù)作為實際的訓練集，其中100條為測試集。依據(jù)這1000條測試集來對所構建的概率神經(jīng)網(wǎng)絡進行分析，檢驗改網(wǎng)絡在檢測疾病上所具有的能力和準確度，在檢驗樣本相同的情況下，所采用的訓練數(shù)據(jù)樣本不同，則網(wǎng)絡檢測的精確度也會有所不同。具體可見表1。
就上述表中可以了解到，在訓練樣本的數(shù)目增加的過程中，其n能夠得到的模型精確度也會更高，然而，雖然精確度會有所提高，但是提高的速度則相對較慢?？梢哉f，這種方式具有一定的優(yōu)勢也有一定的弱點，但是總體來說，其優(yōu)勢較為明顯。
4 針對概率神經(jīng)網(wǎng)絡核保風險分析模型的探討
在目前的各個領域中，概率神經(jīng)網(wǎng)絡都得到了廣泛的應用。而在概率神經(jīng)網(wǎng)絡基礎上鎖構建的核保分析模型，具有學習簡單以及模式分類能力強等特點，這就使得其在實際的應用中，具有良好的效果。在該網(wǎng)絡結構中，只有兩層結構，其中一層為隱層，另外一層就是輸出層。在進行計算的過程中，可以忽略對網(wǎng)絡權值的更改，這就使得其計算執(zhí)行的速度相對較快，就本文的實驗結果可以看出，該網(wǎng)絡結構的建立相對用時較短，能夠在最短的時間內(nèi)構建出已經(jīng)成型的網(wǎng)絡結構，利用該網(wǎng)絡結構對所選取的1000條測試集進行分析的時候，所耗費的時間相對較長，而在實際的應用中，其分析的精確度則相對較高，判定的疾病與實際的情況符合率能夠高達80%，這就使得風險分析的模型得到了有效的充實，這對于全球性的疾病預測和治療都有著重要的影響意義。
此外，從保險角度來看，保險公司可以依據(jù)模型建立智能化系統(tǒng)，要求投保人在投保時填寫個人信息，然后把同疾病相關的信息輸入該智能系統(tǒng)，計算出被保險人患病的概率，并將他們進行不同程度的風險分類，對于不同的風險類別制定不同的費率，對投保人收取不同的保費，或者做出拒保的決定。經(jīng)過一定時期的運營，保險公司將不斷積累大量的業(yè)務數(shù)據(jù)和反饋信息.從這些信息中選取數(shù)據(jù)加入訓練集，使訓練集樣本數(shù)更大，覆蓋面更廣，并減少訓練集的錯誤率，從而完善模型，使得模型對于患病判別的準確性更高。本模型運用Kendall檢驗選取同疾病相關性較大的6個因素作為輸入神經(jīng)元，但是未給出這些因素對于高血壓的具體貢獻度，我們可以通過主成分分析和logistic回歸給出因素的具體貢獻度。
結束語
在任何的國家當中，醫(yī)療保險都占有重要的地位。我國目前為了能夠?qū)⑨t(yī)療保險體系發(fā)展健全，開始將商業(yè)醫(yī)療結合到社會醫(yī)療保險體系中，從而使得我國建構出了一個較為多層次以及覆蓋面較廣的醫(yī)療保障體系，但是，商業(yè)醫(yī)療保險本身就有較高的風險性，因此，要想能夠使得醫(yī)療保險事業(yè)可以得到長足的發(fā)展，就需要有效的保障投保人患病可能性預測的真實性和可靠性，盡可能的提升預測的可行性，并且積極的構建概率神經(jīng)網(wǎng)絡，利用該網(wǎng)絡進行投保人所患疾病的檢測，其檢測的準確率可高達80%，具有實際可操作性。
參考文獻
[1]陳永燦，陳燕，鄭敬云，高千紅.概率神經(jīng)網(wǎng)絡水質(zhì)評價模型及其對三峽近壩水域的水質(zhì)評價分析[J].水力發(fā)電學報，2014（3）.
[2]莫劍冬，徐章遂，米東.應用概率神經(jīng)網(wǎng)絡診斷自行火炮發(fā)動機的故障[J].測試技術學報，2010（1）.
[3]阮炯等.神經(jīng)動力學模型方法和應用[M].北京：科學出版社，2012.
摘要：本文利用神經(jīng)網(wǎng)絡的強大的自學習能力和自適應性來提高安全審計系統(tǒng)的性能。在眾多神經(jīng)網(wǎng)絡中，PNN概率神經(jīng)網(wǎng)絡尤為適合運用到入侵行為模式的誤用檢測方面。因此本文將PNN概率神經(jīng)網(wǎng)絡和入侵檢測技術結合起來，研究保護企業(yè)數(shù)據(jù)庫的安全技術，并構造出一套企業(yè)數(shù)據(jù)庫入侵誤用檢測模型。該模型主要用于檢測已知的入侵行為模式，并給系統(tǒng)及時處理入侵行為提供依據(jù)。
關鍵詞：數(shù)據(jù)庫安全 PNN概率神經(jīng)網(wǎng)絡 入侵檢測
Abstract：The thesis uses the neural network's powerful self-learning and self-adaptive to improve the performance of the security audit system. In many neural networks， the Probabilistic Neural Network is particularly suitable for the misuse detection of intrusion mode. The thesis combines the method of the Probabilistic Neural Network with the technique of intrusion detection， and constructs a model of intrusion detection system applied to the corporation database. The mode can detect the known intrusion modes， in the same time， provides the basis for system to deal with the intrusions in time.
Key words： Database security Probabilistic Neural Network Intrusion detection
數(shù)據(jù)庫作為企業(yè)和部門信息系統(tǒng)的重要組成部分，存儲著大量的數(shù)據(jù)，其中某些數(shù)據(jù)可能是機密的重要數(shù)據(jù)，這些數(shù)據(jù)一旦遭到破壞，會給企業(yè)和部門造成不可挽回的損失，所以，這些數(shù)據(jù)的安全性在信息系統(tǒng)的安全中起著至關重要的作用。當前，數(shù)據(jù)庫安全技術的研究已經(jīng)成為信息安全的重要課題，入侵檢測技術是新一代的動態(tài)安全保障技術，它用來檢測內(nèi)部用戶的不合法操作和外部非法入侵者的惡意攻擊。檢測系統(tǒng)在檢測到攻擊的同時，還會采取適當?shù)奶幚砼c保護措施，對有效保護數(shù)據(jù)庫安全提供了一種很好的解決思路，被稱為防火墻之后的第二道安全閘門。其本身也成為當今信息安全領域的一個研究熱點。
入侵檢測ID（Intrusion Detection）是近十年發(fā)展起來的一種預防、動態(tài)監(jiān)測和抵御系統(tǒng)入侵行為的安全機制，彌補了傳統(tǒng)安全技術的不足。入侵檢測系統(tǒng)IDS（Intrusion Detection System）可以實時監(jiān)控網(wǎng)絡和計算機主機，發(fā)現(xiàn)可疑事件，入侵行為一旦被檢測出來，系統(tǒng)就會采取報警、記錄和切斷連接等措施，在對系統(tǒng)安全產(chǎn)生的危害之前及時消除風險。
神經(jīng)網(wǎng)絡技術具有自適應和自學習的能力，只要給系統(tǒng)提供所需的網(wǎng)絡數(shù)據(jù)包和審計數(shù)據(jù)，它就可以通過自學習構造出相對正常的用戶或系統(tǒng)活動模型，從而檢測出異?；顒拥墓裟Ｊ剑虼嗽跈z測方法上，將神經(jīng)網(wǎng)絡引入到入侵檢測的研究中，使得入侵檢測的智能性研究逐漸成為熱點。
PNN概率神經(jīng)網(wǎng)絡在數(shù)據(jù)庫入侵的誤用檢測中，能夠?qū)θ肭中袨槟Ｊ竭M行快速準確的檢測及判斷，為系統(tǒng)及時采取相應的措施提供依據(jù)。誤用檢測是指運用已知的攻擊方法，根據(jù)定義好的異常模式，通過判斷這些異常模式是否出現(xiàn)來檢測。本文圍繞PNN神經(jīng)網(wǎng)絡的運用，對整個數(shù)據(jù)處理過程進行了介紹，從數(shù)據(jù)采集，到網(wǎng)絡訓練，以及測試網(wǎng)絡性能，提出利用PNN概率神經(jīng)網(wǎng)絡進行入侵行為模式判斷的優(yōu)勢，進而總結出一種新型的企業(yè)數(shù)據(jù)庫入侵的誤用檢測模型。
一、PNN神經(jīng)網(wǎng)絡算法模型
概率神經(jīng)網(wǎng)絡PNN（Probabilistic Neural Network）是根據(jù)徑向基函數(shù)網(wǎng)絡發(fā)展而來的一種前饋型神經(jīng)網(wǎng)絡，是徑向基網(wǎng)絡的一種變化形式，其理論依據(jù)是貝葉斯最小風險準則。PNN具有結構簡單、訓練快捷等優(yōu)點，在分類問題中，它的優(yōu)勢在于可以利用線性學習算法來完成非線性算法所做的工作，同時又可以保持非線性算法高精度的特點。其結構如圖1所示。
輸入層測試向量X（X1…Xn）通過傳遞機制傳遞到模式層，經(jīng)過模式層的相應處理產(chǎn)生新的信息量依次經(jīng)過該網(wǎng)絡的所有層，其神經(jīng)元的數(shù)目由訓練數(shù)據(jù)的維數(shù)決定。模式層中各個類別組的輸出為：
其中Wi表示連接輸入層與模式層的權值，δ表示平滑因子。
求和層具有線性求和的功能，估計分類模式的各個類別的累計概率。概率密度函數(shù)為：
其中m為屬于類別A的訓練樣本數(shù)，XAi為樣本中屬于類別A的第i個訓練樣本，σ為平滑因子。訓練過程可以表示如下：首先通過輸入層輸入訓練樣本向量，然后在模式層中分別計算該向量與代表不同類別組的神經(jīng)元之間的距離，再在求和層中求出每個類別模式的概率，最后在輸出層計算各個類別的概率估計，由閾值辨別器從中選擇并傳遞出后驗概率密度最大的神經(jīng)元的輸出即1，而其他的輸出0。
二、數(shù)據(jù)采集
入侵檢測的數(shù)據(jù)采集可以收集系統(tǒng)、網(wǎng)絡、數(shù)據(jù)及用戶活動的狀態(tài)和行為，一般可以利用的信息主要來自以下三個方面。
1、系統(tǒng)和網(wǎng)絡日志文件
2、非正常的程序執(zhí)行
3、非正常的目錄和文件改變
入侵檢測的準確性很大程度上依賴于收集信息的可靠性和正確性，因此很有必要只利用精確的軟件來報告這些信息。本文利用SQL Server的事件探查器（SQL Server Profiler）跟蹤各客戶端的數(shù)據(jù)庫調(diào)用。首先建立跟蹤文件，使用SQL Profile標準模板，將跟蹤的結果存儲到表。表1為SQL事件探查器監(jiān)控的事件分類。
本文主要跟蹤企業(yè)數(shù)據(jù)庫，相應數(shù)據(jù)庫事件類主要為
1、TSQL分類中的SQL：BatchCompleted、SQL：StmtCompleted和SQL：StmtStarting
2、安全審核分類中的Audit Login和Audit LogOut
3、存儲過程中的RPC：Output Paramete、RPC：Completed、RPC：Starting、SP：CacheHit、SP：CacheInsert、SP：CacheMiss、SP：Cac-
heRemove、SP：Completed、SP：ExecContextHit和SP：Recompile
4、會話分類中的Existing Connection事件類。
相應的事件類數(shù)據(jù)為EventClass（捕獲的事件類類型）、LoginName（客戶數(shù)據(jù)庫登錄名）、CPU（CPU占用時間）、Reads（服務器代表事件執(zhí)行的邏輯磁盤讀取數(shù)）、Writes（服務器代表事件執(zhí)行的物理磁盤寫入數(shù)）、ClientProcessID（客戶端進程號）、SPID（SQL Server指派的與客戶端相關的服務器進程ID）和objectID（系統(tǒng)分配對象）。
SQL探查器將采集到的數(shù)據(jù)存儲在表中，為后續(xù)的神經(jīng)網(wǎng)絡訓練與測試提供直接的數(shù)據(jù)源。
三、實驗
（一）實驗數(shù)據(jù)
本文選取實驗數(shù)據(jù)為從SQL事件探查器中采集到的具有入侵行為模式分類的入侵數(shù)據(jù)，有5類入侵模式，所以用1、2、3、4、5分別代表各類入侵模式。本文所采用的入侵數(shù)據(jù)的特征向量為上節(jié)所采集的各個數(shù)據(jù)列，在上述監(jiān)控的八個數(shù)據(jù)列里面去掉LoginName數(shù)據(jù)列，選取EventClass、LoginName、CPU、Reads、Write、ClientProcessID、SPID和objectID七個數(shù)據(jù)列作為神經(jīng)網(wǎng)絡的七個特征向量。一共有4500個入侵數(shù)據(jù)樣本，隨機選取其中的4000個入侵數(shù)據(jù)樣本作為PNN神經(jīng)網(wǎng)絡的訓練集，其余的500個數(shù)據(jù)樣本作為測試集以測試PNN神經(jīng)網(wǎng)絡的性能。此入侵數(shù)據(jù)集為4500×8維的矩陣，1到7列為七個特征向量，第8列為分類的輸出，也就是入侵類別。實驗采用MATLAB2012B軟件及其神經(jīng)網(wǎng)絡工具箱。
（二）入侵檢測的實現(xiàn)
如圖1，在對入侵數(shù)據(jù)進行測試時，輸入層接收具有分類號的數(shù)據(jù)樣本（訓練樣本向量）的值，即1、2、3、4、5，將入侵數(shù)據(jù)樣本的屬性傳遞給網(wǎng)絡。模式層計算輸入特征向量（樣本屬性）與訓練集中各個模式的匹配關系，求和層將屬于某類的概率累計，按式（1）計算，從而得到各類的估計概率密度函數(shù)。模式層由5類入侵類型的數(shù)據(jù)樣本構成，將分類好的樣本向量填充到模式層，即可完成該PNN的構建。
測試時，輸入層把未分類的需要測試的入侵數(shù)據(jù)樣本向量Xn送至所有的模式層單元。每個模式層單元計算測試入侵數(shù)據(jù)樣本向量Xn和該單元訓練向量之間的距離，求和層各單元把模式層單元的輸出按類別號相加求和，獲得各分類對應的分布密度。輸出層從求和層中求得輸入測試數(shù)據(jù)相對于各類別號的分布密度最大值，并將其對應的類別號1、2、3、4、5作為PNN的輸出。
（三）PNN神經(jīng)網(wǎng)絡性能分析
選取1530到1580這50個樣本來分析，在這50個樣本中有2個樣本判斷錯誤，如圖2所示。實際上在此次PNN網(wǎng)絡訓練過程中，4000個樣本只有5個樣本判斷錯誤，如圖3所示。并且，用預測樣本進行驗證的時候，選取150到200個這50個樣本，其中有1個樣本的入侵模式類別判斷錯誤，如圖4所示。而實際在此次PNN網(wǎng)絡檢測過程中，500個樣本只有2個樣本的入侵模式類別判斷錯誤，精度高達99.6%。將網(wǎng)絡重復運行10次，其平均精度為99.64%。
（四）PNN神經(jīng)網(wǎng)絡優(yōu)勢
1、PNN過程簡單，收斂速度快。PNN神經(jīng)網(wǎng)絡網(wǎng)絡結構簡單，需要調(diào)節(jié)的參數(shù)很少，其處理數(shù)據(jù)的時間與其他神經(jīng)網(wǎng)絡相比有較大優(yōu)勢。
2、PNN網(wǎng)絡基于貝葉斯最小風險分類準則，能夠最大限度地考慮樣本數(shù)據(jù)的先驗信息，即使分類問題異常復雜，只要用于學習的樣本向量足夠多，就能夠得到Bayes判別準則下的最優(yōu)解。
3、樣本的追加能力強，且可以容忍個別錯誤樣本，即使訓練樣本改變也不需要花費較多時間重新訓練網(wǎng)絡。由于PNN神經(jīng)網(wǎng)絡考慮的是訓練樣本屬于各個類別的概率，在估計出各個類別的概率密度函數(shù)（PDF， Probability Density Function）之后，即使根據(jù)實際問題有新的入侵行為模式的加入，只需要相應改變模式層神經(jīng)元數(shù)目，而無需重新訓練網(wǎng)絡。
4、PNN在異常與否分類問題應用中，通過線性學習算法來完成非線性學習算法所做的工作，同時能保持非線性算法的高精度等特性。
5、PNN網(wǎng)絡不需要訓練，因而能夠滿足數(shù)據(jù)庫入侵檢測實時處理的要求。
四、企業(yè)數(shù)據(jù)庫入侵檢測的系統(tǒng)模型
該模型主要由以下三個模塊組成：
1、數(shù)據(jù)采集模塊。該模塊主要利用SQL Server事件探查器采集相關數(shù)據(jù)。
2、特征數(shù)據(jù)庫模塊。該模塊為訓練好的PNN神經(jīng)網(wǎng)絡，相當于事件數(shù)據(jù)庫，其征數(shù)據(jù)庫與被監(jiān)控數(shù)據(jù)庫分離存儲。
3、報警單元模塊。該模塊對檢測到的異常事件進行處理，將數(shù)據(jù)損失降低到最小，提供報警的可視化界面，將報警信息反饋給系統(tǒng)管理員并記錄到相關文件，以便及時處理或進行事后分析。
該模型主要流程為：利用事件探查器實時跟蹤各客戶端調(diào)用，采集相關數(shù)據(jù)并進行處理，將數(shù)據(jù)直接導入特征數(shù)據(jù)庫，利用PNN神經(jīng)網(wǎng)絡對誤用檢測的優(yōu)勢，實現(xiàn)快速檢測及判斷各種數(shù)據(jù)是否為已知的異常調(diào)用，如有匹配則為某種入侵行為模式，將數(shù)據(jù)送入報警單元，不匹配的數(shù)據(jù)則為正常行為，不作處理。
總結：
隨著互聯(lián)網(wǎng)迅猛發(fā)展，企業(yè)數(shù)據(jù)庫的安全顯得非常重要。入侵檢測作為一種重要的安全保障手段，涉及到廣泛的技術領域。本文提出一種基于PNN概率神經(jīng)網(wǎng)絡的算法，實驗結果表明將PNN概率神經(jīng)網(wǎng)絡引入到入侵檢測中的具有快速、精準的優(yōu)勢，由此結合PNN概率神經(jīng)網(wǎng)絡與入侵檢測技術研究了一類企業(yè)數(shù)據(jù)庫的安全保護技術，實現(xiàn)了企業(yè)數(shù)據(jù)庫入侵檢測的系統(tǒng)模型，并詳細介紹了模型各個模塊的具體實現(xiàn)方法及流程?？梢杂行У姆婪兜絹碜詢?nèi)部的越權操作、違規(guī)操作和惡意破壞等，并可以抵制外部的遠程非法入侵，是運用神經(jīng)網(wǎng)絡技術解決企業(yè)數(shù)據(jù)庫安全保障的有效嘗試?；谄髽I(yè)數(shù)據(jù)庫的數(shù)據(jù)采集方法和神經(jīng)網(wǎng)絡檢測技術為今后的工作打開了思路。
參考文獻：
[1]王小川，史峰等?！禡ATLAB神經(jīng)網(wǎng)絡30個案例分析》.第一版.北京：北京航空航天大學出版社，2010：176-182.
[2]張德豐等.《MATLAB神經(jīng)網(wǎng)絡應用設計》.第二版.北京：機械工業(yè)出版社，出版年2011：320-323.
[3]金波.入侵檢測智能方法的研究.上海：華東理工大學，2000：29-131.
[4]李鋼.基于神經(jīng)網(wǎng)絡的入侵檢測研究與實現(xiàn).南京：南京師范大學.2006.
[5]Sushil Jajodia.Database Security and Privacy.ACM Computing Surveys.1996.
