以车牌识别的实用性为目的,设计一种鲁棒的车牌识别系统。 首先提出了 Sobel-Color 算法,以 Sobel 边缘和颜色 两种特征进行车牌定位,并结合 MSER 算法,设计了一种可靠的车牌定位方法来获取候选车牌区域,然后采用 SVM 算法 对候选车牌区域进行车牌判断;最后根据车牌特征设计了一种车牌字符分割算法,能正确分割车牌的各个字符,并有效地 去除车牌边缘部分的虚假字符,又根据分割出的车牌字符特征对 LeNet-5 深度网络模型进行改进,然后采用改进的 LeNet -5 网络对车牌字符进行识别。 对设计的车牌识别系统进行了正常条件测试、恶劣条件测试以及效率测试等实验,实验结 果表明设计的车牌定位和车牌判断方法具有较高的可靠性,车牌字符识别具有较高的准确率,因而设计的车牌识别系统 具有较好的鲁棒性和实用性。
2021-08-12 11:49:04
1.99MB
1
企业内网环境中，DNS协议是必不可少的网络通信协议之一，网络设备和边界防护设备在一般的情况下很少对DNS进行过滤分析或屏蔽，因此将数据或指令藏匿于DNS协议中进行传输是一种隐蔽且有效的手段。这类手段常用于APT中维持访问和数据窃取阶段。在实际场景中，当攻击者拿下某台服务器权限，或服务器被恶意软件、蠕虫、木马等感染之后，通过建立DNS隧道从而达到敏感信息盗窃、文件传输、回传控制指令、回弹Shell等目的。
相比于基于规则的静态阈值检测误报高，易被绕过等问题，可以使用机器学习技术从历史数据中学习出一个DNS隧道模式用于检测。使用机器学习构建DNS隧道检测模型，重要步骤是对DNS隧道流量进行特征挖掘分析，需要以DNS协议标准中各字段的统计分析、DNS隧道实现原理为基础，同时结合安全专家知识提取模型特征。在机器学习算法模型选择方面，鉴于在安全检测类产品中要求模型具有高效性、结果便于解释性等特点，在模型选取上更侧重选用一些基于特征的浅层学习模型。
Agenda
APT - 隐蔽信道
APT - Deep Info DNS Convert Channel
实践 - DNS TUNNEL Detection & Machine Learning
实践 - 工程（框架&流程），0 -> 1
2021-08-08 13:00:31
3.55MB
行业分类-物理装置-基于机器学习的安保活动方案生成方法、系统及安保活动管理系统.zip
2021-08-04 14:02:40
429KB
行业分类-物理装置-基于机器学习的储能类设备功率优化管理系统的过滤器.zip
2021-08-04 14:02:40
548KB
行业分类-物理装置-基于机器学习的高轨道卫星光压模型辨识方法及系统.zip
2021-08-04 14:02:39
714KB
行业分类-物理装置-基于机器学习的含IIDG配电网短路电流预测方法.zip
2021-08-04 14:02:38
682KB