[12] ROOPCHANDDE,CARMODYRN,KUHNP,etal.Dietarypolyphenolspromotegrowthofthegutbacterium

Akkermansiamuciniphilaandattenuatehigh-fatdiet-induced metabolicsyndrome[J].Diabetes,2015,64(8):

2847-2858.

[13] 張東,鄔國棟.沙棘黃酮的化學成分及藥理作用研究進展[J].中國藥房,2019,30(9):1292-1296.

[14] 陳薇伊,徐興軍,劉佳人,等.山楂葉總黃酮對鏈脲佐菌素誘導(dǎo)的糖尿病小鼠體內(nèi)抗氧化酶活性及相關(guān)基因表達的影

響[J].天然產(chǎn)物研究與開發(fā),2023,35(8):1314-1321.

[15] 李雪涵,徐興軍,李浩雨,等.榆莢仁黃酮對慢性睡眠剝奪小鼠體內(nèi)抗氧化酶活性及相關(guān)基因表達的影響[J].動物營

養(yǎng)學報,2023,35(5):3323-3332.

[16] 藍志福.響應(yīng)面優(yōu)化超聲輔助提取青椒葉多酚工藝及抗氧化研究[J].延邊大學農(nóng)學學報,2023,45(2):51-59.

[17] 張峰,林志勇,劉曉丹,等.花青素對氧化應(yīng)激小鼠脂代謝和抗氧化能力的影響[J].安徽科技學院學報,2023,37(3):

6-15.

[18] 吳冕,李婷婷,汪夢圓,等.滁菊總黃酮和滁菊多糖配伍體內(nèi)外抗氧化活性研究[J].安徽科技學院學報,2020,34(2):

51-56.

[19] 韋福忠.超聲輔助低共熔溶劑提取諾麗果渣黃酮及抗小鼠運動疲勞研究[J].中國食品添加劑,2023,34(3):105-113.

[20] 朱秀紅,武佳佳,李寧,等.表面活性劑協(xié)同超聲波提取泡桐花總黃酮及其抗氧化活性研究[J].化學與生物工程,

2023,40(4):35-41,47.

[21] 林繼輝,陳琳榕,馮慶玲,等.沙棘果總黃酮提取工藝及抗氧化性研究[J/OL].云南民族大學學報(自然科學版):1-10

[2022-12-25].http://kns.cnki.net/kcms/detail/53.1192.N.20221010.0849.002.html.

[22] 田建華,張春媛,魏璐.沙棘果渣總黃酮提取工藝優(yōu)化及抗氧化活性研究[J].天然產(chǎn)物研究與開發(fā),2021,33(1):

65-72.

[23] 白生文,湯超,田京,等.沙棘果渣總黃酮提取工藝及抗氧化活性分析[J].食品科學,2015,36(10):59-64.

[24] 李東香,關(guān)榮發(fā),黃海智,等.3種新疆沙棘黃酮的提取優(yōu)化及抗氧化活性對比[J].中國食品學報,2023,23(4):

157-167.

[25] MUNHOZV M,LONGHINIR,SOUZAJRP,etal.ExtractionofflavonoidsfromTagetespatula:Processoptimizationandscreeningforbiologicalactivity[J].RevBrasDeFarmacogn,2014,24(5):576-583.

[26] 李萌萌,焦天慧,呂長鑫,等.紅樹莓籽中黃酮提取工藝及抗氧化活性研究[J].中國食品學報,2017,17(2):101-109.

[27] 羅磊,張冰潔,朱文學,等.響應(yīng)面試驗優(yōu)化超聲輔助提取金銀花葉黃酮工藝及其抗氧化活性[J].食品科學,2016,

37(6):13-19.

[28] 俞紅恩,劉紅開,康玉凡.響應(yīng)面試驗優(yōu)化豌豆胰蛋白酶抑制劑超聲粗提工藝[J].食品科學,2017,38(14):227-232.

[29] 崔小凡,杜椅楠,孫世廣,等.蝦夷扇貝裙邊酶解物美拉德反應(yīng)產(chǎn)物的自由基清除活性[J].中國食品學報,2022,22

(8):276-284.

[30] PAREJOI,CODINAC,PETRAKISC,etal.EvaluationofscavengingactivityassessedbyCo(II)/EDTA-induced

luminolchemiluminescenceandDPPH (2,2-diphenyl-1-picrylhydrazyl)freeradicalassay[J].JPharmacolToxicol

Methods,2000,44(3):507-512.

[31] 南星梅,顧健.藏藥五味沙棘口服液對實驗性慢性支氣管炎大鼠模型的防治作用研究[J].西南民族大學學報(自然

科學版),2015,41(3):299-304.

[32] 楊詩涵,李紫菡,張金山,等.酶協(xié)同微波提取云南沙棘果實總黃酮及其抗氧化活性評價[J].中國食品添加劑,2023,

34(3):19-26.

(責任編輯:顧文亮)

96 安徽科技學院學報 2024年

安徽科技學院學報,2024,38(1):97-103

JournalofAnhuiScienceandTechnologyUniversity

收稿日期:2023-08-06

基金項目:安徽省高校協(xié)同創(chuàng)新項目(GXXT-2019-003)。

作者簡介:陳敏權(quán)(1999-),男,安徽宿州人,碩士研究生,主要從事智能制造裝備研究,E-mail:1059968052@qq.com。

通信作者:陳豐,教授,E-mail:chenf@ahstu.edu.cn。

基于 YOLOv5s的母豬基礎(chǔ)行為識別

陳敏權(quán), 陳 豐* , 鐘金鵬, 劉士靜, 孟凡盛

(安徽科技學院 機械工程學院,安徽 鳳陽 233100)

摘 要:目的:探究機器視覺技術(shù)在母豬行為識別中的應(yīng)用,以及提高遮擋情況下的識別精度。方法:本研

究基于 YOLOv5s算法,針對母豬的站、坐、躺、爬、趴等5種行為,建立母豬行為識別模型。通過使用圖像

處理技術(shù)優(yōu)化訓練數(shù)據(jù)集,識別模型添加CBAM 注意力模塊,提高對被遮擋母豬行為的檢測精度,最終實

現(xiàn)復(fù)雜環(huán)境下母豬的行為識別,為判斷母豬當前狀態(tài)提供參考。結(jié)果:經(jīng)過優(yōu)化與反復(fù)訓練,模型最終檢

測的精度值較高,達到97.58%,召回率為89.69%,單張圖片識別時間約為0.047s,精確度比未優(yōu)化前提

升了1.23%。結(jié)論:應(yīng)用 YOLOv5s可實現(xiàn)母豬的行為識別,且準確率較高,識別時間較短,識別結(jié)果與

人工識別結(jié)果基本一致,符合豬場實際的養(yǎng)殖要求。

關(guān)鍵詞:母豬行為;目標檢測;圖像處理;算法

中圖分類號:TP249 文獻標志碼:A 文章編號:1673-8772(2024)01-0097-07

開放科學(資源服務(wù))標識碼(OSID): DOI:10.19608/j.cnki.1673-8772.2024.0015

SowbehaviorrecognitionbasedonYOLOv5s

CHEN Minquan, CHENFeng

* , ZHONGJinpeng, LIUShijing, MENGFansheng

(CollegeofMechanicalEngineering,AnhuiScienceandTechnologyUniversity,Fengyang233100,China)

Abstract:Objective:Toexploretheapplicationofmachinevisiontechnologyinsowbehaviorrecognition

andimprovetherecognitionaccuracyin occlusionsituations.Methods:Based onthe YOLOv5s

algorithm,asowbehaviorrecognitionmodelwasestablishedforfivebehaviors,whichwerestanding,

sitting,lying,crawlingandlyingonthestomachofsows.Byusingimageprocessingtechnologyto

optimizethetrainingdataset,therecognition modeladdedCBAM attention moduletoimprovethe

detectionaccuracyofthebehavioroftheshieldedsow,andfinallyrealizedthebehaviorrecognitionof

thesowincomplexenvironments,whichprovideedareferenceforjudgingthecurrentstateofthesow.

Results:Afteroptimizationandrepeatedtraining,theaccuracyofthefinaldetectionofthemodelwas

high,reaching97.58%,therecallratewas89.69%,andtherecognitiontimeofasingleimagewas

about0.047s,which was1.23% higherthanbeforeoptimization.Conclusion:Theapplicationof

YOLOv5scouldrealizethebehaviorrecognition ofsows,andtheaccuracyrate washigh,the

recognitiontimewasshort,andtheidentificationresultswerebasicallyconsistentwiththemanual

identificationresults,whichmettheactualbreedingrequirementsofpigfarms.

Keywords:Sowbehavior;Objectdetection;Imageprocessing;Algorithm

在豬場日常管理中,母豬養(yǎng)殖要求高難度大。目前豬場管理主要使用的是人工管理方式,人力資源耗

費大,而且母豬對環(huán)境的感知敏感,長時間與人接觸所產(chǎn)生的應(yīng)激反應(yīng)以及與人接觸而導(dǎo)致的疾病傳播都

會給豬場帶來巨大的經(jīng)濟損失[1],因此國內(nèi)外眾多學者致力研究智能化技術(shù)在母豬養(yǎng)殖業(yè)中的應(yīng)用,希望

找到智能化養(yǎng)殖的方法。目前研究最多的是通過滑道或者巡檢機器人[2]搭載攝像頭對豬只進行拍照識

別,根據(jù)識別結(jié)果調(diào)整飼喂結(jié)構(gòu),并對突發(fā)狀況進行及時處理[3]。

機器視覺技術(shù)[4]是實現(xiàn)智能化養(yǎng)殖的一項重要技術(shù),具有無接觸、可持續(xù)、成本低等優(yōu)勢,在實現(xiàn)智能

化養(yǎng)殖過程中起到舉足輕重的作用。機器視覺技術(shù)主要應(yīng)用于母豬的姿態(tài)識別[5],主要是對母豬的一些

特殊行為進行識別[6]。

早期的視覺識別主要是對圖像的分割以及目標的提取[7],通過經(jīng)驗高低閾值[8]、灰度差異[9]、直方圖

均衡化等對靜態(tài)單幀豬只目標進行提取[10],通過背景減去法以及二值化處理對動態(tài)多幀豬只目標進行

提取[11]。

目前,有不少研究人員將機器視覺應(yīng)用于母豬行為識別[12],莊晏榕等[13]基于 AlexNet卷積神經(jīng)網(wǎng)絡(luò)

通過識別豬發(fā)情時耳朵豎起動作判斷母豬是否發(fā)情;Yang等[14]提出一種基于時空特征的母豬爬跨行為

識別來檢測豬是否發(fā)情;劉龍申等[15]利用EfficientDet網(wǎng)絡(luò)對產(chǎn)床內(nèi)母豬圖像進行深層次特征提取,通過

母豬產(chǎn)前產(chǎn)后行為變化預(yù)測母豬分娩時間。

除行為識別以外,豬只個體識別[16]和體尺測量[17]也備受研究人員青睞,為豬的保種工作奠定基

礎(chǔ)[18]。李廣博等[19]采用改進后的 YOLOv5s模型識別豬臉,通過添加注意力機制提高模型特征提取的能

力,用來識別豬臉,判斷個體身份。耿艷利等[20]提出基于點云語義分割的豬只體尺測量方法基于

Pointnet網(wǎng)絡(luò),結(jié)合注意力模塊構(gòu)建語義分割模型,針對不同分割部位設(shè)計豬只體尺測量方法。左若雨

等[21]采用 YOLOv4對豬耳部進行識別,為識別豬只病變提供依據(jù)。

綜上,基于機器視覺的母豬行為識別雖然可以識別出單豬的行為,但是因為豬是一種群居動物,遮擋

現(xiàn)象嚴重,所以本研究在 YOLOv5s的基礎(chǔ)上進行改進,旨在實現(xiàn)對復(fù)雜環(huán)境下豬基礎(chǔ)行為(如站、趴、爬

等行為)的識別,從而根據(jù)識別母豬基礎(chǔ)動作判斷母豬狀態(tài),實現(xiàn)智能化養(yǎng)殖。

1 材料與方法

1.1 數(shù)據(jù)采集

本研究數(shù)據(jù)來源于網(wǎng)絡(luò)圖片以及養(yǎng)殖場視頻。養(yǎng)殖場視頻由手持攝像機采集,試驗圖片集包含母豬的

站、坐、躺、趴、爬等5種動作,并通過更換圖片背景以及更改圖片亮度、飽和度和色差來減少燈光、背景環(huán)境

等因素對訓練結(jié)果的影響,效果如圖1所示。通過篩選去除質(zhì)量較差的圖片后形成圖片集為1000張。

圖1 圖像預(yù)處理

Fig.1 Imagepreprocessing

1.2 數(shù)據(jù)集制作

對上述圖片集使用Labelimg標注工具進行人工標定,目標標簽為stand、lie、sit、climd、crawl,生成格

式為txt的標簽文件。通過pycharm使用分類函數(shù)對標簽文件進行均分,形成訓練集、驗證集、測試集為

7∶2∶1。

98 安徽科技學院學報 2024年

1.3 YOLOv5s模型

YOLOv5有4種模型,分別為 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x,通過使用自制數(shù)據(jù)集對

這4種模型進行訓練對比,結(jié)果如表1所示,其中 YOLOv5s模型小,檢測速度快且準確率相對較高,所以

本研究選擇使用 YOLOv5s模型。

表1 YOLOv5不同模型的訓練結(jié)果

Table1 AnalysisofexperimentalresultsofdifferentmodelsofYOLOv5

模型 準確率/% 召回率/% AP/% 參數(shù)量 單張圖像識別時間/s

YOLOv5s 97.61 89.46 89.47 7.2 0.095

YOLOv5m 95.88 89.81 89.96 21.2 0.141

YOLOv5l 96.68 88.84 89.88 46.5 0.137

YOLOv5x 96.29 89.37 89.41 86.7 0.136

YOLOv5s模型由輸入端、基準網(wǎng)絡(luò)、Neck網(wǎng)絡(luò)、預(yù)測輸出組成,網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)圖

Fig.2 YOLOv5snetworkstructure

1.3.1 輸入端 主要包括 mosaic數(shù)據(jù)增強,通過對圖像的隨機縮放、裁剪、排布,從而提高對目標的檢測

與識別效果。

1.3.2 基準網(wǎng)絡(luò) 主要包括Focus結(jié)構(gòu)與 CSP結(jié)構(gòu)。Focus結(jié)構(gòu)包含4個切片與一個卷積,將608×

608×3的圖像轉(zhuǎn)化為304×304×12的特征圖;CSP結(jié)構(gòu)通過將淺層特征圖一分為二,一部分直接向后傳

播,另一部分跨層與特征提取模塊融合,從而得到更豐富的特征圖。

1.3.3 Neck網(wǎng)絡(luò) 主要包括PAN和FPN結(jié)構(gòu),YOLOv5通過這兩種結(jié)構(gòu)分別進行自頂而下和自下而

上的聚合,并將特征進行融合,通過將不同尺度的特征圖進行融合以提高檢測性能。

1.3.4 預(yù)測輸出 在 YOLOv5原網(wǎng)絡(luò)中預(yù)測輸出層主要包括一個損失函數(shù) GIOU_Loss和一個非極大

值抑制nms函數(shù),YOLOv5通過預(yù)測框與實際框的面積比為判定依據(jù)進行計算,幾何關(guān)系如圖3所示。

圖3 預(yù)測框與輸出框幾何關(guān)系

Fig.3 Geometricrelationshipbetweenpredictionboxandoutputbox

選取取預(yù)測框上兩點 A(x1,y1)、C(x3,y3)以及實際框上兩點B(x2,y2)、D(x4,y4),兩框的相交面

積為S1,并集面積為S2,所以兩框交并集面積如式(1)~(2)所示:

第38卷第1期 陳敏權(quán),等:基于 YOLOv5s的母豬基礎(chǔ)行為識別 99

S1 =(min(x3,x4)-max(x1,x2))×(min(y3,y4)-max(y2,y1)) (1)

S2 =(x3 -x1)×(y3 -y1)+(x4 -x2)×(y4 -y2)-S1 (2)

從而得到交并比IoU為

IOU=

S1

S2

(3)

但是常用的IoU 評價標準不適用于評價矩形框沒有重合的情況,故引入兩框中心距l(xiāng)以及對角線距

離ρ,最后加上框的長寬等信息,最終損失函數(shù)如式(4)所示:

lossDIoU =1-(IoUl2

ρ

2)+αν (4)

其中,

ν=

4

π2 arctan

wgt

hgt -arctan

w h

2

(5)

α=

ν

(1-IoU)+ν

(6)

經(jīng)過損失函數(shù)計算,檢測出來可能有多個檢測框,YOLOv5使用非極大值抑制(NMS)刪除多余檢測

框,保留最佳檢測框。

1.4 CBAM 注意力模塊

CBAM(ConvolutionalBlockAttentionModule)注意力模塊用于增強卷積神經(jīng)網(wǎng)絡(luò)感知能力,CBAM

注意力模塊由2個子模塊組成:通道注意力模塊 CAM(ChannelAttentionModule)和空間注意力模塊

SAM(SpatialAttentionModule),結(jié)構(gòu)圖如圖4所示。

圖4 CBAM 注意力模塊結(jié)構(gòu)圖

Fig.4 StructurediagramofCBAMattentionmodule

CAM 通過在每個通道上學習通道權(quán)重來對輸入特征圖進行加權(quán),以強調(diào)重要的特征通道。它利用

全局平均池化和全連接層來學習通道權(quán)重,然后將這些權(quán)重應(yīng)用到輸入特征圖上,使得網(wǎng)絡(luò)能夠自動學習

并關(guān)注對當前任務(wù)最有用的通道。

SAM 則通過在每個空間位置上學習空間權(quán)重來對輸入特征圖進行加權(quán),以提取空間上的重要特征。

它利用最大池化和全連接層來學習空間權(quán)重,然后將這些權(quán)重應(yīng)用到輸入特征圖上,從而增強感受野內(nèi)不

同位置的特征表示能力。

CBAM 模塊將通道注意力和空間注意力結(jié)合在一起,通過同時關(guān)注通道和空間信息,可以提升對復(fù)

雜特征的感知和區(qū)分能力,通過在卷積中添加CBAM 模塊,提高模型對母豬的注意力,提高通道權(quán)重,進

而提升模型在母豬相互遮擋背景下的檢測性能,引入CBAM 注意力模塊后的結(jié)果如圖5所示。

圖5 引入CBAM 注意力模塊

Fig.5 CBAMattentionmoduleisintroduced

100 安徽科技學院學報 2024年

1.5 試驗方法

本研究使用一種改進的母豬行為識別方法。首先構(gòu)建多背景的母豬多種行為數(shù)據(jù)集,通過添加

CBAM 注意力機制,提高模型的檢測精度和檢測速度,識別框架如圖6所示。

圖6 母豬行為識別框架

Fig.6 Sowbehaviorrecognitionframework

2 結(jié)果與分析

2.1 試驗環(huán)境

本試驗采用pycharm搭建框架,操作平臺為64位 Windows10,顯卡為NVDIAGeFORCEGTX1650

顯卡,數(shù)據(jù)集為多背景的母豬多種行為,數(shù)據(jù)集一組未添加注意力機制的 YOLOv5s模型以及一組添加注

意力機制的 YOLOv5s模型,訓練輪數(shù)設(shè)置為400輪。本研究其他訓練參數(shù)如表2所示。

表2 訓練參數(shù)設(shè)置

Table2 Trainingparametersettings

參數(shù) 數(shù)值

模型深度 0.3500

模型寬度 0.5500

學習率 0.0100

學習率動量 0.9370

損失系數(shù) 0.0500

權(quán)重衰減系數(shù) 0.0005

2.2 評價指標

本研究采用Precision、Recall、mAP作為衡量算法性能的指標,公式如式(7)~(10)所示:

Precision=

TP

TP+FP

(7)

Recall=

TP

TP+FN

(8)

其中,TP為母豬動作預(yù)測準確的數(shù)量;FN是預(yù)測正樣本預(yù)測為假的數(shù)量;FP是負樣本預(yù)測為真的數(shù)量。

AP=∑

n-1

i=1

(ri+1 -ri)Precision(r1 +1) (9)

mAP=

∑

k

i-1APi

k

(10)

其中,AP為精確率和召回率曲線圍成的面積;mAP為 AP的平均值。

2.3 模型分析

經(jīng)過 YOLOv5s算法模型的訓練,最終訓練后的對比結(jié)果如表3所示,訓練過程中的準確率、召回率、

MAP值變化曲線如圖7所示。遮擋問題是造成母豬行為識別精度低的主要原因之一。當母豬相互遮擋

時,母豬目標輪廓缺失,特征提取困難,圖7(a)為原始數(shù)據(jù)集訓練出的結(jié)果,圖7(b)為添加了CBAM 注意

力模塊后訓練出的結(jié)果圖。

表3 2種模型的訓練結(jié)果對比表

Table3 Comparisontableoftrainingresultsofthetwomodels

模型 精確率/% 召回率/% AP/% mAP/%

YOLOv5s 96.35 89.65 88.91 74.45

YOLOv5s+CBAM 97.58 89.69 88.98 74.92

第38卷第1期 陳敏權(quán),等:基于 YOLOv5s的母豬基礎(chǔ)行為識別 101

由圖7(a)可以看出,原始數(shù)據(jù)集訓練出的結(jié)果圖波動大,在 YOLOv5s模型中添加CBAM 注意力模

塊,提高對遮擋母豬的檢測效果,模型準確率等都有了提升,最終的訓練結(jié)果如圖7(b)所示。

從圖7(b)可以看出,優(yōu)化后的數(shù)據(jù)集在前50輪訓練中,模型的Precision、Recll和 mAP值上升較快,

在300輪時已經(jīng)達到比較高的精度,最終檢測的精度值較高,達到97.58%,召回率為89.69%。

圖7 2種模型的訓練過程對比圖

Fig.7 Comparisonchartofthetrainingprocessofthetwomodels

實際檢測結(jié)果如圖8所示,針對部分遮擋的情況,圖中所示預(yù)測框的置信度較高,可以作為母豬狀態(tài)

的判定依據(jù)。

圖8 母豬相互遮擋情況下的實際檢測結(jié)果

Fig.8 Actualtestresultswithsowsshieldingeachother

3 結(jié)論與討論

本研究為實現(xiàn)母豬智能化養(yǎng)殖,對母豬行為進行識別,針對母豬行為檢測,建立了一種基于

YOLOv5s的檢測模型,避免了人豬接觸產(chǎn)生的應(yīng)激反應(yīng),有效提高了檢測效率,減少人工成本,降低工人

工作強度,通過引入CBAM 注意力機制,使訓練模型基本可以識別遮擋情況下豬的不同行為,且置信度相

對較高,訓練精度提升了1.23%。在今后的研究中可以針對母豬動作變化以及各種行為持續(xù)時間判斷母

豬狀態(tài),從而實現(xiàn)智能化養(yǎng)殖。

參考文獻:

[1] 張金玲.母豬飼養(yǎng)管理技術(shù)要點[J].中國畜禽種業(yè),2021,17(5):142-143.

[2] 楊蕓.計算機視覺系統(tǒng)應(yīng)用于豬生產(chǎn)養(yǎng)殖過程[J].科技資訊,2013,11(25):14-15.

[3] 劉奎,檀志遠,陳豐.IMU輔助下豬場巡檢機器人路徑規(guī)劃研究[J].安徽科技學院學報,2020,34(4):68-73.

102 安徽科技學院學報 2024年

[4] 王魯,劉晴,曹月,等.基于改進 CascadeMaskR-CNN與協(xié)同注意力機制的群豬姿態(tài)識別[J].農(nóng)業(yè)工程學報,2023,

39(4):144-153.

[5] 龍沈飛,賀騰飛,張校軍,等.豬的智能化飼養(yǎng)管理和環(huán)境控制研究進展[J].中國畜牧雜志,2023,59(5):34-39.

[6] 字吉湖,譚利輝,趙永聚,等.機器視覺在豬行為識別中的應(yīng)用進展[J].現(xiàn)代畜牧科技,2022(11):26-28.

[7] 靳敏,楊博文,王春光.特征提取和特征降維在豬只行為分類識別中的應(yīng)用[J].黑龍江畜牧獸醫(yī),2022(23):

53-59,134.

[8] LAOF,BROWN-BRANDLT,STINNJP,etal.Automaticrecognitionoflactatingsowbehaviorsthroughdepth

imageprocessing[J].ComputElectronAgric,2016,125(C):56-62.

[9] GUOYZ,ZHU W X,JIAOPP,etal.Multi-objectextractionfromtopviewgroup-housedpigimagesbasedon

adaptivepartitioningandmultilevelthresholdingsegmentation[J].BiosystEng,2015,135:54-60.

[10] CHENC,ZHU W X,MAC H,etal.Imagemotionfeatureextractionforrecognitionofaggressivebehaviors

amonggroup-housedpigs[J].ComputElectronAgric,2017,142:380-387.

[11] NASIRAHMADIA,HENSELO,EDWARDSSA,etal.Automaticdetectionofmountingbehavioursamongpigs

usingimageanalysis[J].ComputElectronAgric,2016,124(C):295-302.

[12] 滕光輝,冀橫溢,莊晏榕,等.深度學習在豬只飼養(yǎng)過程的應(yīng)用研究進展[J].農(nóng)業(yè)工程學報,2022,38(14):235-249.

[13] 莊晏榕,余炅樺,滕光輝,等.基于卷積神經(jīng)網(wǎng)絡(luò)的大白母豬發(fā)情行為識別方法研究[J].農(nóng)業(yè)機械學報,2020,

51(Z1):364-370.

[14] YANGQ M,XIAODQ,CAIJH.Pigmountingbehaviourrecognitionbasedonvideospatial-temporalfeatures[J].

BiosystEng,2021,206:55-66.

[15] 劉龍申,舒翠霓,李波,等.基于EfficientDet的圍產(chǎn)期母豬姿態(tài)識別[J].農(nóng)業(yè)機械學報,2022,53(4):271-279.

[16] 李卓,毛濤濤,劉同海,等.基于機器視覺的豬體質(zhì)量估測模型比較與優(yōu)化[J].農(nóng)業(yè)工程學報,2015,31(2):155-161.

[17] 寧遠霖,楊穎,李振波,等.基于改進 YOLOv5的復(fù)雜跨域場景下的豬個體識別與計數(shù)[J].農(nóng)業(yè)工程學報,2022,

38(17):168-175.

[18] 王治華,龐訓勝,柴亮,等.皖北豬仔豬體重和體尺參數(shù)相關(guān)性研究[J].安徽科技學院學報,2014,28(3):7-9.

[19] 李廣博,查文文,陳成鵬,等.基于改進 YOLOv5s的豬臉識別檢測方法[J].西南農(nóng)業(yè)學報,2023,36(6):1346-1356.

[20] 耿艷利,季燕凱,岳曉東,等.基于點云語義分割的豬只體尺測量方法研究[J].農(nóng)業(yè)機械學報,2023,54(7):332-338,380.

[21] 左若雨,陳豐,陳蒙,等.基于 YOLOv4的豬耳檢測方法研究[J].安徽科技學院學報,2022,36(4):60-65.

(責任編輯:顧文亮)

第38卷第1期 陳敏權(quán),等:基于 YOLOv5s的母豬基礎(chǔ)行為識別 103

安徽科技學院學報,2024,38(1):104-110

JournalofAnhuiScienceandTechnologyUniversity

收稿日期:2023-02-20

基金項目:滁州市科技計劃項目(2022ZN014);安徽省高校自然科學研究項目(2022AH040238)。

作者簡介:王一鳴(1995-),男,安徽蚌埠人,碩士,助教,主要從事機械產(chǎn)品結(jié)構(gòu)設(shè)計研究,E-mail:2991683008@qq.com。

基于 AnsysWorkbench的手動火災(zāi)報警按鈕

仿真分析和結(jié)構(gòu)優(yōu)化

王一鳴1, 喬印虎1, 袁枝亭1, 魏廣智1, 賈 茹2

(1.安徽科技學院 機械工程學院,安徽 鳳陽 233100;2.安徽水利開發(fā)有限公司,安徽 蚌埠 233000)

摘 要:目的:針對一款依靠壓桿自身形變自鎖和工作的手動火災(zāi)報警按鈕的結(jié)構(gòu)特點,為使其滿足國標

不動作試驗要求,并改善應(yīng)力分布情況,對手動火災(zāi)報警按鈕中關(guān)鍵零部件進行有限元分析和優(yōu)化設(shè)計。

方法:通過Creo建立壓桿、壓板以及底板的裝配模型,模擬實驗的過程對模型進行約束和載荷的施加,使

用 AnsysWorkbench完成靜力學有限元分析,計算出手動火災(zāi)報警按鈕應(yīng)力最大值,確定多目標優(yōu)化設(shè)

計中目標、變量參數(shù)和約束進行,分析出各參數(shù)變量對于結(jié)果的靈敏度,使用 Optimization模塊并利用

Sceening篩選優(yōu)化法對關(guān)鍵零部件進行優(yōu)化設(shè)計,在滿足國標要求的同時,選取擬合的最優(yōu)值對壓桿進行

結(jié)構(gòu)優(yōu)化。結(jié)果:優(yōu)化后的手動火災(zāi)報警按鈕壓桿受到的最大應(yīng)力減小19.6%。結(jié)論:使用 Ansys

Workbench軟件對零部件進行仿真和優(yōu)化分析后,提高了產(chǎn)品的強度和研發(fā)效率,該研究成果也為后續(xù)

手動火災(zāi)報警按鈕壓桿設(shè)計提供了理論依據(jù)。

關(guān)鍵詞:手動火災(zāi)報警按鈕;有限元分析;結(jié)構(gòu)優(yōu)化

中圖分類號:TH136 文獻標志碼:A 文章編號:1673-8772(2024)01-0104-07

開放科學(資源服務(wù))標識碼(OSID): DOI:10.19608/j.cnki.1673-8772.2024.0016

Simulationanalysisandstructuraloptimizationofmanual

firealarmbuttonsbasedonAnsysWorkbench

WANGYiming

1, QIAOYinhu1, YUANZhiting

1, WEIGuangzhi1, JIARu2

(1.CollegeofMechanicalEngineering,AnhuiScienceandTechnologyUniversity,Fengyang233100,China;

2.AnhuiWaterResourcesDevelopmentCo.,Ltd.,Bengbu233000,China)

Abstract:Objective:Consideringtothestructuralcharacteristicsofamanualfirealarmbuttonthatrelies

ontheselfdeformationandself-lockingofthepressurebar,inordertomeettherequirementsofthe

nationalstandardnonactionexperimentandimprovethestressdistribution,finiteelementanalysisand

optimizationdesignwerecarriedoutonthekeycomponentsofthemanualfirealarmbutton.Methods:

Theassemblymodelofpressurebar,pressingplateandbottomplatewasestablishedthroughCreo,and

themodelwasconstrainedandloadedduringthesimulationexperiment.TheStaticsfiniteelement

analysiswascompletedusingAnsysWorkbench,andthemaximumstressvalueofmanualfirealarm

button was calculated. The objectives,variable parameters and constraints in multi-objective

optimizationdesignweredetermined,andthesensitivityofeachparametervariabletotheresultswas

analyzed,byusingtheoptimizationmoduleandtheScanningscreeningoptimizationmethodtooptimize

thedesignofkeycomponents.Whilemeetingtherequirementsofnationalstandards,theoptimalfitting

valuetooptimizethestructureofthepressurebarwasselected.Results:Themaximumstressonthe

pressurerodoftheoptimizedmanualfirealarmbuttondecreasedby19.6%.Conclusion:Afterusing

Ansys Workbenchsoftwaretosimulateandoptimizethecomponents,thestrengthandresearch

efficiencyoftheproducthavebeengreatlyimproved.Thisresearchresultalsoprovidedatheoretical

basisforthesubsequentdesignofmanualfirealarmbuttonpressurerods.

Keywords:Manualalarmbutton;Finiteelementanalysis;Structuraloptimization

手動火災(zāi)報警按鈕是火災(zāi)報警系統(tǒng)中的重要一環(huán),當人員發(fā)現(xiàn)火情時,手動按下火災(zāi)報警按鈕設(shè)備上

醒目的白色壓板,如圖1所示。按下壓板后內(nèi)部的報警電路完成閉合,便可以完成火警的快速上報[1]。由

于手動火災(zāi)報警按鈕需要人工手動按壓實現(xiàn)報警,相比火災(zāi)探測報警器的自動報警,誤報警的概率相對較

低,一般設(shè)置放在過道較為顯眼的位置,便于出現(xiàn)火情使用[2]。但倘若有人誤觸或是小朋友因為好奇心按

下壓板,便會出現(xiàn)誤報火警的情況,造成人力物力的浪費,除了嚴格規(guī)定手動火災(zāi)報警按鈕的安裝高度以

外(防止兒童誤觸),GB19880—2005《手動火災(zāi)報警按鈕》還規(guī)定了具體不動作試驗要求。該試驗可以測

試手動火災(zāi)報警按鈕對于較小按壓力,即誤觸的抵御能力[3]。

圖1 手動報警按鈕外觀

Fig.1 Appearanceofmanualalarmbutton

本研究通過建立手動火災(zāi)報警按鈕三類核心零部件:壓桿、壓板以及底板的裝配模型,模擬不動作試

驗的過程對模型進行約束和載荷的施加,在 AnsysWorkbench中完成靜力學有限元分析,計算出手動火

災(zāi)報警按鈕應(yīng)力最大值,利用Sceening篩選優(yōu)化法對關(guān)鍵零部件進行優(yōu)化設(shè)計。

1 手動火災(zāi)報警按鈕的基本參數(shù)

1.1 手動火災(zāi)報警按鈕的結(jié)構(gòu)設(shè)計

隨著火災(zāi)報警系統(tǒng)的迅速發(fā)展,對于手動火災(zāi)報警按鈕結(jié)構(gòu)的合理性要求越來越高,按下手動火災(zāi)報

警按鈕設(shè)備的壓板后,壓桿會形成自鎖,使用配合的鑰匙才能解鎖。傳統(tǒng)手動火災(zāi)報警按鈕的壓板和壓桿

使用彈簧連接,利用彈簧的彈性形變達到自鎖的效果,但實際生產(chǎn)和使用中,彈簧安裝困難且存在運輸安

裝過程中掉落的情況。本研究中手動火災(zāi)報警按鈕采用全新設(shè)計,零部件結(jié)構(gòu)如圖2所示,該設(shè)計方案使

用壓桿的自身材料彈性形變實現(xiàn)自鎖和工作,減少了彈簧這一零件,從而簡化生產(chǎn)和裝配過程。壓桿、壓

板以及底板裝配后的三維模型如圖3所示。

第38卷第2期 王一鳴,等:基于AnsysWorkbench的手動火災(zāi)報警按鈕仿真分析和結(jié)構(gòu)優(yōu)化 105

圖2 手動報警按鈕零部件結(jié)構(gòu)示意圖

Fig.2 Schematicdiagramofthestructureofmanualalarmbuttonparts

注:1為上殼體;2為鑰匙;3為壓桿;4為壓板;5為底板;6為下殼體;7為端子架;8為底座。

圖3 壓桿、壓板和底板裝配示意圖

Fig.3 Assemblydiagramofpressurerod,pressureplateandbottomplate

1.2 模型導(dǎo)入及材料選擇

建模完成的核心零部件裝配體三維模型保存為.stp文件后,使用 AnsysWorkbench中的 Static

Structural進行模型的導(dǎo)入。手動火災(zāi)報警按鈕選用材料為 ABSD-2400塑料,是一種丙烯腈丁二烯苯乙

烯(ABS)改進產(chǎn)品。ABS工程塑料具有良好的綜合力學性能,ABSD-2400作為 ABS的改性材料,具有

較高的耐熱性,在89℃才會發(fā)生熱變形[4]。

1.3 單元類型及網(wǎng)格劃分

AnsysWorkbench中提供 AnsysMeshing應(yīng)用程序(網(wǎng)格劃分平臺)的目標是提供通用的網(wǎng)格劃分

工具。網(wǎng)格劃分的目的是對結(jié)構(gòu)模型實現(xiàn)離散化,把求解域分解成可得到精確解的適當數(shù)量的單元[5]。

本研究采用自動劃分法對該模型進行網(wǎng)格的劃分[6],共生成389723個節(jié)點,生成245500個單元,網(wǎng)格平

均質(zhì)量為0.83,大于正常分析所需的0.7,可較好地用于有限元仿真分析[7]。

1.4 載荷的施加

裝配體載荷的加載主要模擬GB19880—2005《手動火災(zāi)報警按鈕》中規(guī)定的不動作試驗。壓桿右端

三角塊首先向下移動4mm的位移,進入底板右側(cè)設(shè)置的限位框中,進入手動火災(zāi)報警按鈕正常工作狀

態(tài),然后依照不動作試驗的要求對壓板中心施加相應(yīng)的力[8]。模擬裝配體的載荷加載順序,0~10s內(nèi)不

施加載荷,10~20s內(nèi)以2.5N/s的速率向手動火災(zāi)報警按鈕壓板中心位置施加垂直于壓板方向的力F,

當F達到25N(國標規(guī)定上限)后,在20~25s期間內(nèi)保持5s,然后以2.5N/s的速率釋放,在第35秒完

成靜力學分析[9]。在壓板施加載荷的同時,壓桿會受到來自壓板接觸面的一個隨時間變化的力F,力F

在斜面上會分解為向下的壓力f1 和向內(nèi)的推力f2,壓桿受力分析如圖4所示,當F=25N時,壓桿會受

到最大應(yīng)力P 和最大位移D。

圖4 壓桿受力分析

Fig.4 Forceanalysisofcompressionbar

106 安徽科技學院學報 2024年

1.5 仿真分析結(jié)果

對手動火災(zāi)報警按鈕裝配體整體進行應(yīng)力分析,顯示最大應(yīng)力處出現(xiàn)在壓桿處,其余零部件受應(yīng)力較

小。對壓桿做單獨分析,分析結(jié)果如圖5所示,應(yīng)力最大處在壓桿中部受壓位置,符合實際工作使用情況,

最大工作應(yīng)力為45.67MPa,小于 ABSD-2400塑料的屈服強度63MPa,不會發(fā)生塑性形變,但是存在應(yīng)

力集中,在反復(fù)形變下存在疲勞失效的風險,最小安全系數(shù)為1.37,存在一定安全隱患[10]。

圖5 壓桿應(yīng)力云圖

Fig.5 Compressionbarstresscloud

2 多目標優(yōu)化設(shè)計分析

2.1 設(shè)計變量

在優(yōu)化設(shè)計中同時要求2項或2項以上設(shè)計指標達到最優(yōu)值的問題,稱為多目標優(yōu)化設(shè)計問題[7]。

由于壓板與底板受應(yīng)力較小,無需改變結(jié)構(gòu),需要對壓桿的基本尺寸進行優(yōu)化調(diào)整。首先對壓桿模型進行

簡化,將壓桿的一些倒角或圓角結(jié)構(gòu)刪除,這些結(jié)構(gòu)對于整體的剛度影響可忽略不計,保留關(guān)鍵尺寸用于

優(yōu)化分析[11]。本研究選取影響壓桿應(yīng)力的3個主要尺寸作為設(shè)計參數(shù),分別為壓桿長度l、壓桿厚度t、壓

桿與壓板接觸面的導(dǎo)向角度θ,如圖6所示,均為連續(xù)型變量參數(shù)。

圖6 壓桿參數(shù)示意圖

Fig.6 Schematicdiagramofpressurebarparameters

根據(jù)有限元分析,求解出壓桿的最大應(yīng)力P 和最大位移D,手動火災(zāi)報警按鈕可以正常工作時,最大

位移4.0mm≤D≤4.5mm,同時將最大應(yīng)力P 最小化。得到壓桿的優(yōu)化數(shù)學模型如下:

X =[x1,x2,x3]=[d,s,r]

P ≤ [σ]=63MPa

63mm≤l≤68mm

4.5mm≤t≤5.5mm

20°≤θ≤40°

4.0mm≤D ≤4.5mm

?

?

?

????

????

2.2 優(yōu)化設(shè)計方案

本研究優(yōu)化條件為1個目標、3個變量、5個約束(包括參數(shù)的約束)。使用DesignofExperiments模

塊對手動火災(zāi)報警按鈕壓桿進行優(yōu)化設(shè)計,設(shè)置壓桿整體長度l、壓桿厚度t、壓桿與壓板接觸面的導(dǎo)向角

度θ等3個連續(xù)變量參數(shù)的范圍,得到15組設(shè)計點[12],并計算出壓桿受到的最大應(yīng)力,如表1所示。

第38卷第2期 王一鳴,等:基于AnsysWorkbench的手動火災(zāi)報警按鈕仿真分析和結(jié)構(gòu)優(yōu)化 107

表1 設(shè)計點優(yōu)化值

Table1 Optimalvalueofdesignpoint

設(shè)計點 壓桿長度l/mm 壓桿厚度t/mm 導(dǎo)向角度θ/(°) 壓桿最大應(yīng)力/MPa

1 65.50 5.00 30.00 44.59

2 65.50 4.50 30.00 37.59

3 65.50 5.50 30.00 51.05

4 63.00 5.00 30.00 48.05

5 68.00 5.00 30.00 41.67

6 65.50 5.00 25.00 43.95

7 65.50 5.00 35.00 48.50

8 63.47 4.59 25.93 41.41

9 63.47 5.41 25.93 53.30

10 67.53 4.59 25.93 36.68

11 67.53 5.41 25.93 47.22

12 63.47 4.59 34.07 47.71

13 63.47 5.41 34.07 55.81

14 67.53 4.59 34.07 42.48

15 67.53 5.41 34.07 49.74

2.3 參數(shù)靈敏度及響應(yīng)面分析

通過生成的變量參數(shù)靈敏度柱狀圖,分析變量參數(shù)對手動火災(zāi)報警按鈕壓桿最大應(yīng)力的影響情

況[13],如圖7所示,壓桿厚度t(P2)對手動火災(zāi)報警按鈕最大應(yīng)力的影響程度最大,而導(dǎo)向角度θ(P3)和

壓桿長度l(P1)的影響較小。其中壓桿厚度t(P2)和導(dǎo)向角度θ(P3)的影響為正向,壓桿長度l(P1)影響

為反向。

圖7 靈敏度柱狀圖

Fig.7 Sensitivityhistogram

取壓桿厚度t、壓桿長度l、導(dǎo)向角度θ等3個參數(shù)的其中2個設(shè)計變量作為輸入?yún)?shù)的X軸和Y軸,

得出手動火災(zāi)報警按鈕壓桿最大應(yīng)力的響應(yīng)面模型,如圖8所示,進而得出壓桿厚度t、壓桿長度l、導(dǎo)向

角度θ等3個參數(shù)對整體應(yīng)力的影響程度。

2.4 優(yōu)化分析

在擬合出響應(yīng)曲面之后,使用 Optimization模塊進行參數(shù)優(yōu)化[14]。使用Screening篩選優(yōu)化方法對

上述連續(xù)變量參數(shù)進行優(yōu)選,可以用于提高壓桿結(jié)構(gòu)優(yōu)化結(jié)果精確度[15]。Screening算法即篩選算法是

基于采樣和排序的簡單方法,所以樣本數(shù)量決定了其準確度,樣本數(shù)量越多,精度越高[16]。本研究設(shè)置樣本

數(shù)為1000,設(shè)置求解結(jié)果取壓桿受應(yīng)力最小,計算求解出3個最佳設(shè)計點[17],優(yōu)化過程如圖9所示,求解出

最佳設(shè)計方案。3個最佳設(shè)計候選點如表2所示,得出的壓桿最大應(yīng)力分別為34.91、35.65、36.45MPa,均

遠小于初始設(shè)計的最大應(yīng)力值。

108 安徽科技學院學報 2024年

圖8 P1-P2-P3 最大應(yīng)力響應(yīng)面模型

Fig.8 P1-P2-P3 maximumstressresponsesurfacemodel

圖9 優(yōu)化過程

Fig.9 Optimizationprocess

表2 設(shè)計優(yōu)化候選點

Table2 Designoptimizationcandidatepoints

設(shè)計點 壓桿長度l/mm 壓桿厚度t/mm 導(dǎo)向角度θ/(°) 壓桿最大應(yīng)力/MPa

X1 68.00 4.50 25.00 34.91

X2 67.69 4.51 27.59 35.65

X3 67.80 4.61 26.28 35.45

取設(shè)計點X1,壓桿長度為68.00mm,壓桿厚度為4.50mm,導(dǎo)向角度為25°,經(jīng)過模型還原,把仿真

前簡化圓角、倒角等重新添加在模型上,如圖10所示,壓桿最大應(yīng)力為36.85MPa。安全系數(shù)為1.7。比

較優(yōu)化前后的結(jié)果,優(yōu)化后的手動火災(zāi)報警按鈕壓桿受到的最大應(yīng)力減小19.6%。

圖10 壓桿應(yīng)力云圖

Fig.10 Compressionbarstresscloud

第38卷第2期 王一鳴,等:基于AnsysWorkbench的手動火災(zāi)報警按鈕仿真分析和結(jié)構(gòu)優(yōu)化 109

3 結(jié)論與討論

本研究在一款現(xiàn)有依靠壓桿的自身材料彈性形變實現(xiàn)自鎖和工作手動火災(zāi)報警按鈕基礎(chǔ)上,針對其

壓桿受到最大應(yīng)力過大、安全系數(shù)過小的問題,對該手動火災(zāi)報警按鈕壓桿進行多目標優(yōu)化設(shè)計,完成現(xiàn)

有手動火災(zāi)報警按鈕三維建模,模擬GB19880—2005《手動火災(zāi)報警按鈕》的不動作試驗過程,使用 ANSYSWorkbench軟件建立裝配體進行有限元模型,通過接觸分析,該手動火災(zāi)報警按鈕壓桿最大應(yīng)力為

45.67MPa,接近材料的屈服強度,存在接觸失效風險,因此對壓桿進行結(jié)構(gòu)尺寸優(yōu)化。通過對手動火災(zāi)

報警按鈕壓桿進行多目標優(yōu)化設(shè)計,得出各目標函數(shù)隨設(shè)計變量變化的靈敏度柱狀圖和響應(yīng)面模型。確

定各參數(shù)(壓桿厚度、壓桿長度、導(dǎo)向角度)對最大應(yīng)力的影響程度,最后使用Screening算法分析出最佳

候選設(shè)計點。通過對比優(yōu)化前后的有限元分析結(jié)果發(fā)現(xiàn),優(yōu)化后的手動火災(zāi)報警按鈕壓桿受到的最大應(yīng)

力減小19.6%,安全系數(shù)和可靠性得到了一定的提升。通過該仿真優(yōu)化后的參數(shù)完成了零部件的模具制

造,經(jīng)過試驗檢測該手動報警按鈕完全滿足使用需求,并且通過沈陽消防研究所檢測認證。該研究為后續(xù)

的手動火災(zāi)報警按鈕結(jié)構(gòu)設(shè)計提供了理論依據(jù)。

參考文獻:

[1] 汪鋒泳.貨船手動報警按鈕的布置和安裝[J].船舶標準化工程師,2015,48(2):56-59.

[2] 王曄.手動報警按鈕與人性化的火災(zāi)探測[J].消防技術(shù)與產(chǎn)品信息,2013(4):95-97.

[3] 張俊東,石險峰,楊姜,等.一種依靠自身材料變形自鎖的手動報警按鈕:CN213519679U[P].2021-06-22.

[4] 吳華杰,陳文剛,周曉菲,等.3D打印 ABS材料表面長方形織構(gòu)的摩擦學性能[J].工程塑料應(yīng)用,2022,50(11):

117-126,145.

[5] 袁越錦,徐英英,張艷華.ANSYSWorkbench14.0建模仿真技術(shù)及實例詳解[M].北京:化學工業(yè)出版社,2014.

[6] 楊明,陳濤,廖敦明,等.基于尖銳邊界等值面填充算法的型殼有限元網(wǎng)格自動劃分[J].鑄造,2016,65(11):

1071-1074.

[7] 葉俊,汪永明,吳純君.基于虛擬樣機技術(shù)的過山車輪架有限元分析[J].安徽工業(yè)大學學報(自然科學版),2016,

33(3):256-260.

[8] 王艷秋,裴春梅.多元化火災(zāi)自動探測報警系統(tǒng)的研究[J].電子測量技術(shù),2019,42(4):42-46.

[9] 周任偉,李琴,李欣欣,等.基于 Workbench的斜拉門式啟閉機門架結(jié)構(gòu)動力學分析[J].機械制造與自動化,2022,

51(5):103-106.

[10] 周黨蘭,徐孟誠,談?chuàng)P,等.基于 Workbench的機械壓力機上橫梁有限元分析及優(yōu)化[J].鍛壓裝備與制造技術(shù),2023,

58(1):21-24.

[11] 朱淼,侯瑩瑩.基于 ANSYSWorkbench的制動器模態(tài)特性仿真與優(yōu)化[J].機電工程技術(shù),2022,51(9):181-184.

[12] 何翔.基于 ANSYSWorkbench的懸臂支架拓撲優(yōu)化[J].機械工程與自動化,2022(6):65-67.

[13] 劉明亮,朱海清,李超.基于 ANSYSWorkbench的安全閥自動上料機械手抓取機構(gòu)優(yōu)化設(shè)計[J].現(xiàn)代制造工程,

2019(12):140-144.

[14] 肖文,霍柱東,孫望.基于 AnsysWorkbench的高速連接器端子結(jié)構(gòu)優(yōu)化設(shè)計[J].機電工程技術(shù),2020,49(7):

244-245,259.

[15] 汲方林,王有杰,陳萬勝,等.基于SolidWorksSimulation對高壓容器外形結(jié)構(gòu)尺寸的優(yōu)化分析[J].機械,2009,

36(8):33-36.

[16] 李永華,梁校嘉,周峰,等.基于優(yōu)化設(shè)計的門式卸車機結(jié)構(gòu)可靠性分析[J].中國工程機械學報,2017,15(3):

261-266,272.

[17] 洪巖,喬印虎.中型栓接拼裝板沼氣反應(yīng)器設(shè)計及壁板優(yōu)化[J].安徽科技學院學報,2020,34(6):76-82.

(責任編輯:顧文亮)

110 安徽科技學院學報 2024年

安徽科技學院學報,2024,38(1):111-116

JournalofAnhuiScienceandTechnologyUniversity

收稿日期:2023-09-01

基金項目:安徽省高校自然科學研究項目(2022AH052847)。

作者簡介:沈德松(1983-),男,安徽鳳陽人,碩士,講師,主要從事計算機技術(shù)研究,E-mail:346118979@qq.com。

基于機器學習的網(wǎng)絡(luò)異常流量檢測

沈徳松

(安徽文達信息工程學院,安徽 合肥 231201)

摘 要:目的:探索基于 XGBoost算法的網(wǎng)絡(luò)異常流量檢測方法,并評估其分類準確率。方法:根據(jù)

XGBoost算法和主成分分析的技術(shù)原理,梳理了網(wǎng)絡(luò)異常流量的類型、具體表現(xiàn)和異常流量的成因。采

用136.4萬條網(wǎng)絡(luò)流量樣本作為實驗數(shù)據(jù)集,包括77個網(wǎng)絡(luò)流量特征和8種網(wǎng)絡(luò)流量類型。進一步構(gòu)建

XGBoost分類模型,采用多個分類器,實現(xiàn)對網(wǎng)絡(luò)異常流量的有效檢測和識別。結(jié)果:XGBoost算法對網(wǎng)

絡(luò)異常流量的檢測準確率達到了96.32%。結(jié)論:XGBoost算法在網(wǎng)絡(luò)異常流量檢測方面具有出色的性

能和可靠性,能夠有效為網(wǎng)絡(luò)管理員提供有效的輔助決策和保護措施。

關(guān)鍵詞:機器學習;XGBoost算法;主成分分析;網(wǎng)絡(luò)異常流量

中圖分類號:TP3-05 文獻標志碼:A 文章編號:1673-8772(2024)01-0111-06

開放科學(資源服務(wù))標識碼(OSID): DOI:10.19608/j.cnki.1673-8772.2024.0017

Networkabnormaltrafficdetectionbasedonmachinelearning

SHENDesong

(AnhuiWendaUniversityofInformationEngineering,Hefei231201,China)

Abstract:Objective:ToexplorethemethodofnetworkabnormaltrafficdetectionbasedonXGBoost

algorithmandtoevaluateitsclassificationaccuracy.Methods:Firstly,theXGBoostalgorithmandthe

principleofprincipalcomponentanalysiswereintroduced,andthetypes,specificperformanceand

causesofabnormaltrafficwereanalyzed.Then,1364000networktrafficsampleswereusedasthe

experimentaldataset,including77networktrafficcharacteristicsand8typesofnetworktraffic.

Furthermore,theclassificationmodelofXGBoostwasbuilttodetectandidentifytheabnormaltraffic

effectively.Results:ExperimentalresultsshowedthatthedetectionaccuracyofXGBoostalgorithmfor

networkabnormaltrafficwas96.32%.Conclusion:TheXGBoostalgorithmhadexcellentperformance

andreliabilityinnetworkabnormaltrafficdetection,andcouldprovideeffectiveassistantdecisionmakingandprotectionmeasuresforNetworkadministrators.

Keywords:Machinelearning;XGBoostalgorithm;Principalcomponentanalysis;Networkabnormaltraffic

隨著互聯(lián)網(wǎng)的快速發(fā)展和普及,網(wǎng)絡(luò)安全問題日益突出。網(wǎng)絡(luò)異常流量是指在網(wǎng)絡(luò)通信中出現(xiàn)的與

正常通信模式不符的數(shù)據(jù)流,可能是由于網(wǎng)絡(luò)攻擊、硬件故障或配置錯誤等原因引起的[1-2]。網(wǎng)絡(luò)異常流

量的存在給網(wǎng)絡(luò)運營商和用戶帶來了嚴重的安全風險和經(jīng)濟損失。為了及時發(fā)現(xiàn)和應(yīng)對網(wǎng)絡(luò)異常流量,

網(wǎng)絡(luò)異常流量檢測成為了網(wǎng)絡(luò)安全領(lǐng)域的重要研究方向。機器學習算法能夠通過學習大量的網(wǎng)絡(luò)流量數(shù)

據(jù),自動發(fā)現(xiàn)其中的模式和規(guī)律,并能夠?qū)ξ粗漠惓Ａ髁窟M行準確的分類和識別。其中,XGBoost作為

一種強大的分類模型,以其高效的訓練速度和優(yōu)秀的預(yù)測性能,在網(wǎng)絡(luò)異常流量檢測中得到了廣泛的應(yīng)用

和研究[3-4]。

本研究基于機器學習的網(wǎng)絡(luò)異常流量檢測,采用 XGBoost分類模型,對136.4萬條異常流量樣本的

數(shù)據(jù)集進行研究和實驗。通過對網(wǎng)絡(luò)流量數(shù)據(jù)進行特征提取和預(yù)處理,構(gòu)建合適的特征向量表示,并利用

XGBoost模型進行訓練和預(yù)測,以實現(xiàn)對網(wǎng)絡(luò)異常流量的準確檢測和分類,有助于提高網(wǎng)絡(luò)異常流量檢

測的準確性和效率,為網(wǎng)絡(luò)安全領(lǐng)域的相關(guān)研究和實踐提供有益的參考和借鑒。

1 理論基礎(chǔ)

1.1 XGBoost算法

機器學習從數(shù)據(jù)中學習模式和規(guī)律,從而實現(xiàn)自主決策和預(yù)測,其基本原理是通過訓練算法來構(gòu)建一

個模型,該模型能夠從輸入數(shù)據(jù)中學習,并根據(jù)學習到的知識對新的未知數(shù)據(jù)進行預(yù)測或分類。在監(jiān)督學

習中,算法通過已標記的訓練數(shù)據(jù)來學習輸入和輸出之間的映射關(guān)系,以便對新的輸入數(shù)據(jù)進行預(yù)測。

XGBoost是一種基于梯度提升樹的監(jiān)督學習算法[5]。其由多個弱分類器組合構(gòu)建一個強分類器,其

核心思想是通過多輪迭代來逐步優(yōu)化模型的預(yù)測能力。在每一輪迭代中,XGBoost算法通過計算損失函

數(shù)的梯度和二階導(dǎo)數(shù),來確定當前模型的殘差和權(quán)重更新方向。接著,使用一棵新的決策樹來擬合殘差,

并將其加入到當前模型中。通過多次迭代,XGBoost算法逐步減小模型的預(yù)測誤差,提高模型的泛化能

力。在XGBoost算法中,對于二分類問題,XGBoost算法的損失函數(shù)采用二元邏輯損失函數(shù)(Logistic

Loss);對于多分類問題,常用的損失函數(shù)是多元邏輯損失函數(shù)(SoftmaxLoss),如式(1)所示:

logisticloss:L(y,y

︿)=-[ylog(y

︿)+(1-y)log(1-y

︿)]

softmaxloss:L(y,y

︿)=-∑

K

i=1

yilog(y

︿ i)

(1)

對于二元邏輯損失函數(shù),y 是真實的標簽(0或1),y

︿是模型的預(yù)測概率;對于多元邏輯損失函數(shù),y 是真

實的標簽向量,y

︿是模型的預(yù)測概率向量,K 是類別的數(shù)量。通過最小化損失函數(shù),XGBoost分類模型能

夠不斷優(yōu)化模型的預(yù)測能力,提高分類的準確性。

1.2 主成分分析

主成分分析(PrincipalComponentAnalysis,PCA)用于將高維數(shù)據(jù)轉(zhuǎn)換為低維表示,同時保留數(shù)據(jù)的

主要信息。PCA的原理基于數(shù)據(jù)的協(xié)方差矩陣和特征值分解,包括數(shù)據(jù)標準化、計算協(xié)方差矩陣、特征值

分解、特征值排序和投影。

首先,對原始數(shù)據(jù)進行標準化處理,使得每個特征的均值為0,方差為1,從而消除不同特征之間的量

綱差異,確保每個特征對降維的貢獻度相同。協(xié)方差矩陣反映了不同特征之間的相關(guān)性,因此計算標準化

后的數(shù)據(jù)的協(xié)方差矩陣。對于一個d 維數(shù)據(jù)集,協(xié)方差矩陣的大小為d×d。接著,對協(xié)方差矩陣進行特

征值分解,得到特征值和對應(yīng)的特征向量。特征值表示了數(shù)據(jù)在特征向量方向上的方差,而特征向量則表

示了數(shù)據(jù)在新的特征空間中的方向。將特征值按照從大到小的順序進行排序,選擇前k個特征值對應(yīng)的

特征向量作為主成分。最后,將原始數(shù)據(jù)投影到選取的主成分上,得到降維后的數(shù)據(jù),如圖1所示。

在網(wǎng)絡(luò)異常流量檢測實驗中,對于數(shù)據(jù)集X,樣本的列向量記作xi,i=1,2,…,n。其中,n 為樣本數(shù)

量。計算每個特征的均值μj、標準差σj,并進行標準化處理得到x

︿

ij。

112 安徽科技學院學報 2023年

圖1 PCA降維過程

Fig.1 Dimensionalityreductionprocess

μj =

1

n∑

n

i=1

xij

σj =

1

n∑

n

i=1

(xij -μj)2

x

︿

ij =

xij -μj

σj

?

?

?

????

????

(2)

對于標準化后的數(shù)據(jù),計算協(xié)方差矩陣并進行特征值分解,如式(3)所示:

C=

1

n∑

n

i=1

(x

︿

i -x

︿)(x

︿

i -x

︿)T (3)

最終選擇15個特征值對應(yīng)的特征向量作為主成分,并將原始數(shù)據(jù)投影到選取的主成分上[6],如式(4)

所示:

Y=X ×Vk (4)

其中,Y 為降維后的數(shù)據(jù);X 為原始數(shù)據(jù);Vk 為前k個特征向量組成的矩陣。

1.3 網(wǎng)絡(luò)異常流量

網(wǎng)絡(luò)流量是指在網(wǎng)絡(luò)通信中傳輸?shù)臄?shù)據(jù)量,包括IP數(shù)據(jù)包、TCP/UDP數(shù)據(jù)包、HTTP請求和響應(yīng)、

DNS查詢和響應(yīng)、ICMP數(shù)據(jù)包等。網(wǎng)絡(luò)流量來源于用戶設(shè)備、服務(wù)器、網(wǎng)絡(luò)設(shè)備等。如個人電腦、手機、

平板等用戶終端設(shè)備;提供各種網(wǎng)絡(luò)服務(wù)的服務(wù)器,如網(wǎng)站服務(wù)器、郵件服務(wù)器;路由器、交換機、防火墻等

網(wǎng)絡(luò)設(shè)備。

網(wǎng)絡(luò)異常流量具體表現(xiàn)[7]:網(wǎng)絡(luò)流量突然大幅增加,超過正常范圍;網(wǎng)絡(luò)通信的延遲明顯增加,導(dǎo)致數(shù)

據(jù)傳輸速度變慢;網(wǎng)絡(luò)服務(wù)無法正常提供,如網(wǎng)站無法訪問、郵件無法發(fā)送等;網(wǎng)絡(luò)中出現(xiàn)異常的數(shù)據(jù)包,

如異常的IP數(shù)據(jù)包、TCP/UDP數(shù)據(jù)包等;網(wǎng)絡(luò)中出現(xiàn)大量的連接嘗試,可能是惡意攻擊或掃描行為。網(wǎng)

絡(luò)攻擊、硬件故障、軟件錯誤和網(wǎng)絡(luò)擁堵都可能造成網(wǎng)絡(luò)異常流量。其中,網(wǎng)絡(luò)攻擊包括DDoS攻擊、惡意

軟件、網(wǎng)絡(luò)蠕蟲等,如圖2所示。攻擊者通過大量的請求或惡意代碼導(dǎo)致網(wǎng)絡(luò)流量異常增加;網(wǎng)絡(luò)設(shè)備的

故障或配置包括路由器故障、交換機端口錯誤配置;軟件錯誤指程序崩潰、內(nèi)存泄漏等;網(wǎng)絡(luò)流量超過網(wǎng)絡(luò)

帶寬容量,導(dǎo)致網(wǎng)絡(luò)擁堵,也會影響正常通信。通過對網(wǎng)絡(luò)異常流量的檢測和分析,可以及時發(fā)現(xiàn)和應(yīng)對

網(wǎng)絡(luò)安全問題,保障網(wǎng)絡(luò)的正常運行和數(shù)據(jù)的安全。異常流量檢測通常包括數(shù)據(jù)采集、特征提取、異常檢

測算法和異常流量報警。XGBoost基于梯度提升樹的機器學習算法,在異常網(wǎng)絡(luò)流量檢測中具有高性

第37卷第6期 沈徳松:基于機器學習的網(wǎng)絡(luò)異常流量檢測 113

能、魯棒性、特征重要性評估和可解釋性的優(yōu)勢,因此被廣泛應(yīng)用于該領(lǐng)域。

圖2 DDos攻擊類型

Fig.2 TypeofDDosattack

2 基于機器學習的網(wǎng)絡(luò)異常流量檢測

2.1 數(shù)據(jù)預(yù)處理

采用天池阿里云的CICIDS2017數(shù)據(jù)集,樣本量為136.4萬條,有77個特征列和1個標簽列。特征

屬性有 ActiveStd、ActiveMax、IdleMin、SubflowFwdPackets、SYNFlagCount等。標簽列的取值有

8類,即需要構(gòu)建八分類的 XGBoost模型,如表1所示。其中,“BENIGN”表示正常網(wǎng)絡(luò)流量,“DoS

Hulk”“DDoS”等則表示不同類型的網(wǎng)絡(luò)異常流量。在136.4萬條樣本中,正常網(wǎng)絡(luò)流量的比例為

71.08%;DoS Hulk 導(dǎo)致的異常流量占比為 16.94%;DDoS 導(dǎo)致的異常流量占比為 9.38%;DoS

GoldenEye導(dǎo)致的異常流量占比為0.75%;FTP-Patator導(dǎo)致的異常流量占比為0.58%;FTP-Patator導(dǎo)

致的異常流量占比為0.43%;SSH-Patator和DoSSlowhttptest導(dǎo)致的異常流量占比均為0.42%。

表1 樣本分布

Table1 Sampledistribution

標簽 樣本比例/%

BENIGN 71.08

DoSHulk 16.94

DDoS 9.38

DoSGoldenEye 0.75

FTP-Patator 0.58

SSH-Patator 0.43

DoSslowloris 0.42

DoSSlowhttptest 0.42

對136.4萬條網(wǎng)絡(luò)流量進行數(shù)據(jù)清洗和檢測,數(shù)據(jù)無缺失值和異常值,即數(shù)據(jù)集的完整性和可用性較

高。對77個特征列做PCA降維處理。將降維后的特征數(shù)量定義在[1,29]范圍內(nèi),循環(huán)遍歷指定主成分

的數(shù)量。每次循環(huán)中,將解釋方差比例添加到累積方差貢獻率中,并可視化解釋方差比例與主成分數(shù)量之

間的關(guān)系,以幫助分析網(wǎng)絡(luò)異常流量數(shù)據(jù),解釋方差比例是衡量主成分所保留的信息量的指標,表示降維

后的數(shù)據(jù)集能夠解釋原始數(shù)據(jù)集中的多少方差。在實驗中,選擇15個主成分時,解釋方差比例與主成分

數(shù)量之間的關(guān)系接近100%,即保留了大部分原始數(shù)據(jù)集的信息(圖3)。在網(wǎng)絡(luò)異常流量檢測中,PCA將

原始網(wǎng)絡(luò)流量數(shù)據(jù)從高維空間降維到低維空間,同時保留了網(wǎng)絡(luò)流量數(shù)據(jù)的主要信息。并將降維后的數(shù)

據(jù)用于訓練XGBoost異常檢測模型。

114 安徽科技學院學報 2023年

2.2 構(gòu)建XGBoost分類模型

將PCA降維后得到的15個特征維度作為訓練和測試特征,并對網(wǎng)絡(luò)流量數(shù)據(jù)進行劃分。其中,70%

作為訓練集,即95.48萬條樣本用于訓練 XGBoost模型;30%作為測試集,即40.92萬條樣本用于評估

XGBoost模型的性能。

對于XGBoost算法而言,標簽必須是數(shù)值型的,而不是字符串。因此,為了將字符串標簽轉(zhuǎn)換為數(shù)值

型,實驗對8個類別的標簽進行one-hot編碼處理。one-hot編碼是將離散特征轉(zhuǎn)換為二進制向量的編碼

方法。對于每個可能的取值,one-hot編碼會創(chuàng)建一個新的二進制特征,該特征只有一個元素為1,其余元

素為0。每個離散特征就被表示為一個高維稀疏向量,其中每個維度對應(yīng)一個可能的取值。對于網(wǎng)絡(luò)異

常流量檢測,one-hot編碼的步驟如下:

(1)確定標簽列的所有取值:確定表1中8種網(wǎng)絡(luò)流量類型。

(2)創(chuàng)建全零向量:對于每條網(wǎng)絡(luò)流量樣本,創(chuàng)建一個與異常類型數(shù)量相等的全零向量。

(3)將對應(yīng)位置為1:對于每條網(wǎng)絡(luò)流量樣本,根據(jù)其異常類型,將對應(yīng)位置的值置為1。

通過上述one-hot編碼將原始的字符串標簽轉(zhuǎn)換為稀疏的二進制向量,只有一個位置為1,其余位置

都為0。one-hot編碼編碼可以更好地表示不同的異常類型,并作為輸入傳遞給XGBoost模型進行訓練和

預(yù)測。在訓練XGBoost模型時,學習率、樹的深度和分類器數(shù)量是影響性能的重要參數(shù)。學習率控制每

棵樹對最終預(yù)測結(jié)果的貢獻程度,較小的學習率可以使模型更加穩(wěn)定,但可能需要更多的樹來達到較高的

性能。較大的學習率可以加快模型的收斂速度,但可能導(dǎo)致過擬合。通常從較小的學習率開始,然后逐漸增

加,直到確認最終值。樹的深度決定了每棵樹的復(fù)雜度,較深的樹可以更好地擬合訓練數(shù)據(jù),但也容易過擬

合。較淺的樹可以減少過擬合的風險,但可能無法捕捉到復(fù)雜的模式分類器數(shù)量是使用XGBoost進行多分

類任務(wù)時的分類器個數(shù)。較多的分類器可以提高模型的性能,但也會增加計算成本。在實驗中,學習率和樹

的深度均采用網(wǎng)格搜索方式獲得,分類器數(shù)量的則設(shè)置范圍為[120,130,140,150,160,170,180]。

圖3 解釋方差比例與主成分數(shù)量的關(guān)系

Fig.3 Explainationoftherelationshipbetweentheproportionofvarianceandthenumberofprincipalcomponents

2.3 結(jié)果分析

如圖4所示,采用 XGBoost算法作為網(wǎng)絡(luò)異常流量識別的分類模型,當 XGBoost算法的分類器設(shè)置

為170個時,分類準確率最高,達到了96.32%。當分類器數(shù)量小于140個時,XGBoost算法無法充分學

習網(wǎng)絡(luò)異常數(shù)據(jù)的復(fù)雜模式,導(dǎo)致欠擬合。隨著分類器數(shù)量由140個增加到170個,XGBoost可以更好地

擬合訓練數(shù)據(jù),準確率隨之增加。然而,當分類器數(shù)量超過170個時,XGBoost算法出現(xiàn)了過度擬合訓練

數(shù)據(jù),導(dǎo)致在未見過的數(shù)據(jù)上表現(xiàn)不佳,分類準確率降低。綜上,XGBoost算法對網(wǎng)絡(luò)異常數(shù)據(jù)特征有較

高的學習能力。同時,增加分類器的數(shù)量并不總是能夠進一步提高性能。在分類器數(shù)量超過170個之后,

XGBoost可能已經(jīng)學習到了數(shù)據(jù)中的大部分模式和規(guī)律,進一步增加分類器的數(shù)量可能只會引入噪聲和

冗余,從而降低分類準確率。

第37卷第6期 沈徳松:基于機器學習的網(wǎng)絡(luò)異常流量檢測 115

圖4 基于XGBoost的異常流量檢測準確率

Fig.4 XGBoost-basedabnormaltrafficdetectionaccuracy

3 結(jié)論

網(wǎng)絡(luò)異常流量可能是網(wǎng)絡(luò)攻擊的跡象,也可能是數(shù)據(jù)泄露的指示,會導(dǎo)致網(wǎng)絡(luò)擁塞和性能下降。如入

侵、惡意軟件傳播或拒絕服務(wù)攻擊、敏感數(shù)據(jù)的傳輸、未經(jīng)授權(quán)的數(shù)據(jù)訪問等。及時檢測和監(jiān)控網(wǎng)絡(luò)異常

流量是保護網(wǎng)絡(luò)安全、預(yù)防攻擊和數(shù)據(jù)泄露、維護網(wǎng)絡(luò)性能以及遵守合規(guī)要求的重要手段[8-11]。通過及時

發(fā)現(xiàn)和應(yīng)對異常流量,可以及早發(fā)現(xiàn)并采取相應(yīng)的安全措施,以保護網(wǎng)絡(luò)免受攻擊,有利于提高網(wǎng)絡(luò)的安

全性和可靠性。

基于XGBoost算法的網(wǎng)絡(luò)異常流量檢測是一種有效的方法。對136.4萬條網(wǎng)絡(luò)流量數(shù)據(jù)的檢測實

驗中,分類準確率達到了96.32%。該指標證明了 XGBoost在網(wǎng)絡(luò)異常流量檢測中的有效性和優(yōu)勢。

XGBoost在網(wǎng)絡(luò)異常流量檢測中仍然有巨大的潛力。未來可以探索更多的特征工程方法,并結(jié)合其他深

度學習算法,構(gòu)建更加強大和魯棒的網(wǎng)絡(luò)異常流量檢測系統(tǒng),提高模型的性能。對于異常網(wǎng)絡(luò)流量帶來的

危害,仍然需要采取關(guān)聯(lián)防范措施來應(yīng)對,包括建立實時流量監(jiān)控系統(tǒng),對網(wǎng)絡(luò)流量進行持續(xù)監(jiān)測和分析,

加強網(wǎng)絡(luò)安全措施,使用防火墻、入侵檢測系統(tǒng)(IDS)和入侵防御系統(tǒng)(IPS)等技術(shù)手段。并定期更新和

維護網(wǎng)絡(luò)設(shè)備和軟件,及時修復(fù)漏洞和弱點以減少網(wǎng)絡(luò)受到攻擊的風險。

參考文獻:

[1] 田鶴,王彥超,孟憲偉,等.淺析面向網(wǎng)絡(luò)空間安全的流量異常檢測技術(shù)[J].遼寧科技學院學報,2022,24(6):

34-36,40.

[2] 黃超.基于深度學習的網(wǎng)絡(luò)流量異常檢測研究[D].上海:華東師范大學,2022.

[3] 沈雅倩,黃志甲,周濤.基于 XGBoost分類算法的熱舒適預(yù)測模型[J].安徽工業(yè)大學學報(自然科學版),2022,

39(1):74-78,99.

[4] 段亞窮,向勉,劉洪笑,等.基于雙層XGBoost的風力發(fā)電機瞬時發(fā)電量預(yù)測[J].湖北民族大學學報(自然科學版),

2022,40(2):171-175,195.

[5] 李占山,劉兆賡.基于XGBoost的特征選擇算法[J].通信學報,2019,40(10):101-108.

[6] 張嬌陽,孫黎.基于深度學習的網(wǎng)絡(luò)異常檢測和智能流量預(yù)測方法[J].無線電通信技術(shù),2022,48(1):81-88.

[7] 錢葉魁,陳鳴,葉立新,等.基于多尺度主成分分析的全網(wǎng)絡(luò)異常檢測方法[J].軟件學報,2012,23(2):361-377.

[8] 鄧華偉,李喜旺.基于深度學習的網(wǎng)絡(luò)流量異常識別與檢測[J].計算機系統(tǒng)應(yīng)用,2023,32(2):274-280.

[9] 苗國建,岑俊杰.一種基于深度學習的網(wǎng)絡(luò)異常流量檢測算法[J].河南工學院學報,2023,31(1):13-18.

[10] 陳波紅,祝金明.統(tǒng)計向量分析下大規(guī)模網(wǎng)絡(luò)流量異常檢測仿真[J].計算機仿真,2023,40(4):373-376,401.

[11] 謝奇愛,李正茂.基于大數(shù)據(jù)關(guān)聯(lián)規(guī)則的網(wǎng)絡(luò)惡意行為識別檢測[J].合肥學院學報(綜合版),2021,38(2):85-91.

(責任編輯:顧文亮)

116 安徽科技學院學報 2023年

《安徽科技學院學報》編委會

主 任：李升和

副 主 任：陳 豐 尹雪斌

委 員：陳 豐 杜傳來 國 海 何恩節(jié) 胡月英

胡忠澤 黃保宏 李 強 李升和 李文陽

李孝良 孫玉軍 汪徐春 尹雪斌 張春雨

張遠兵 鄒海明

特約編委：陳 偉 范紅結(jié) 李 林 劉立明 沈 兵

唐中林 王宏林 吳文革 嚴從生 張其安

安徽科技學院學報

ANHUI KEJI XUEYUAN XUEBAO

1984年創(chuàng)刊（雙月刊）

第38卷第1期（總第176期）2024年2月

JOURNAL OF ANHUI SCIENCE AND

TECHNOLOGY UNIVERSITY

Started in 1984 (Bimonthly)

Vol.38 No.1 (Sum 176) Feb.2024

主管單位 安徽省教育廳

主辦單位 安徽科技學院

編輯出版 安徽科技學院學報編輯部

主 編 李升和

地 址 安徽省鳳陽縣東華路9號

郵 編 233100

電 話 0550-6732247

電子信箱 akxb2015@163.com

印刷單位 合肥同傳印務(wù)有限公司

發(fā)行單位 安徽科技學院學報編輯部

出版時間 2024年2月15日

Administrated by Education Department of

Anhui Province

Sponsored by Anhui Science and Technology

University

Edited and Published by Editorial Department

of Journal of Anhui Science and Technology

University

Chief Editor LI Shenghe

Address No.9, Donghua Road, Fengyang,

Anhui, China

Postcode 233100

Telephone 0550-6732247

E-mail akxb2015@163.com

Printed by Hefei Tongchuan Printing Co., Ltd.

Distributed by Editorial Deparment of Journal

of Anhui Science and Technology University

Publication Date Feb.15, 2024

ISSN 1673-8772

CN 34-1300/N

公開發(fā)行

定價：10元