精华内容
下载资源
问答
  • 启发式

    2011-03-21 22:36:00
    什么是启发式 启发式:简化虚拟机和简化行为判断引擎的结合。主要针对:木马、间谍、后门、下载者、已知病毒(PE病毒)的变种。 Heuristic(启发式技术=启发式扫描+启发式监控) 重点在于特征值识别技术上的...

    什么是启发式

    启发式:简化虚拟机和简化行为判断 引擎的结合。主要针对: 木马、间谍、 后门下载者、已知病毒(PE病毒)的变种。  Heuristic(启发式技术=启发式扫描+启发式监控)  重点在于 特征值识别技术上的更新、解决单一特征码比对的缺陷。目的不在于检测所有的未知 病毒,只是对特征值扫描技术的补充。  启发式技术是基于特征值扫描技术上的升级,与传统反病毒特征值扫描技术相比,优点在于对未知病毒的防御。是特征值识别技术质的飞跃。

    编辑本段传统反病毒特征值扫描技术

    传统反病毒特征值扫描技术,由反病毒样本分析专家通过逆向反编译技术,使用反 编译器(ollydbg、ida、trw等)来检查可疑样本文件是否存在 恶意代码,从而判定程序文件是否属于正常程序或病毒、恶意软件。在确认程序为病毒、恶意软件后,不同的安全厂商根据自己的标准对此可疑程序样本进行特征提取和样本命名(不同安全厂商有自己规定的特征提取点和样本命名规则)。最后经过测试部门测试通过后,更新到服务器,提供用户的本地病毒库更新。在用户操作系统正常监控或用户手动扫描后,利用杀毒引擎对系统上的文件自动进行特征值提取并与病毒库中已存特征值比对,条件符合即比对结果为真时,即判断此文件为病毒库中记录的特征值对应的病毒名称的病毒(恶意软件)。  病毒、恶意软件通常最初的指令是直接读写磁盘操作、解码指令,或获取系统目录(GetSystemDirctory)、获取磁盘类型(GetDriveType)、打开服务管理器(OpenSCManager)等相关操作指令序列。这些都是病毒样本分析专家分析中得到的经验。

    编辑本段启发式技术的优势

    启发式技术,在原有的特征值识别技术基础上,根据反病毒样本分析专家总结的分析可疑程序样本经验(移植入反病毒程序),在没有符合特征值比对时,根据反编译后程序代码所调用的 win32  API函数情况(特征组合、出现频率等)判断程序的具体目的是否为病毒、恶意软件,符合判断条件即报警提示用户发现可疑程序,达到防御未知病毒、恶意软件的目的。解决了单一通过特征值比对存在的缺陷。  例如:一个可疑程序通过反病毒杀毒引擎反编译后,发现代码中自动释放可执行文件驻留系统目录、伪装系统文件、注册win32服务获取系统管理权限、通过命令行删除自身文件,调用系统组件svchost.exe来开启后门服务,隐藏自身进程并尝试通过OpenSCManagerA、OpenServiceA、ControlService等函数来开启系统自身的终端服务,以便进一步控制计算机。通过这些条件即可判断为恶意软件( 后门程序)。

    展开全文
  • 启发式-源码

    2021-02-27 07:14:06
    启发式
  • 启发式算法 元启发式算法
  • 目录启发式(Heuristic)元启发式(Metaheuristic)超启发式(Hyper-heuristic)三者区别参考文献 启发式(Heuristic) 元启发式(Metaheuristic)       In computer science and mathematical ...

    启发式(Heuristic)

          根据问题特征、求解经验等,在可接受时间内找到一个近似解,它是依赖于问题的,不普遍适用。

         The objective of a heuristic is to produce a solution in a reasonable time frame that is good enough for solving the problem at hand. This solution may not be the best of all the solutions to this problem, or it may simply approximate the exact solution. But it is still valuable because finding it does not require a prohibitively long time.

         Heuristics may produce results by themselves, or they may be used in conjunction with optimization algorithms to improve their efficiency (e.g., they may be used to generate good seed values).

         Results about NP-hardness in theoretical computer science make heuristics the only viable option for a variety of complex optimization problems that need to be routinely solved in real-world applications.

    元启发式(Metaheuristic)

         元启发式算法是对整个解空间进行搜索,包括模拟退火、遗传算法、蚁群算法、禁忌搜索、迭代局部搜索、变邻域搜索等等。

          In computer science and mathematical optimization , a metaheuristic is a higher-level procedure or heuristic designed to find, generate, or select a heuristic (partial search algorithm ) that may provide a sufficiently good solution to an optimization problem, especially with incomplete or imperfect information or limited computation capacity.

          Compared to optimization algorithms and iterative methods, metaheuristics do not guarantee that a globally optimal solution can be found on some class of problems. Many metaheuristics implement some form of stochastic optimization, so that the solution found is dependent on the set of random variables generated. In combinatorial optimization, by searching over a large set of feasible solutions, metaheuristics can often find good solutions with less computational effort than optimization algorithms, iterative methods, or simple heuristics. As such, they are useful approaches for optimization problems.

    超启发式(Hyper-heuristic)

          超启发式是一种用于选择或生成启发式来解决计算性搜索问题的自动化方法。

          A hyper-heuristic is an automated methodology for selecting or generating heuristics to solve computational search problems. (Hyper-heuristics comprise a set of approaches that aim to automate the development of computational search methodologies.)

          There is an underlying theme to these two clear categories of hyper-heuristics. In both cases a high-level hyper-heuristic operates on a set of heuristics which in turn operate on the solution space. In the case of selection, we are choosing from a set of atomic predefined heuristics. In the case of generation, we are operating on a space of heuristic components.

          In a typical hyper-heuristic framework there is a high-level methodology and a set of low-level heuristics (either constructive or perturbative heuristics). Given a problem instance, the high-level method selects which low-level heuristic should be applied at any given time, depending upon the current problem state (or search stage) determined by features

    超启发式 vs 元启发式 区别

         The fundamental difference between metaheuristics and hyper-heuristics is that most implementations of metaheuristics search within a search space of problem solutions, whereas hyper-heuristics always search within a search space of heuristics. Thus, when using hyper-heuristics, we are attempting to find the right method or sequence of heuristics in a given situation rather than trying to solve a problem directly. Moreover, we are searching for a generally applicable methodology rather than solving a single problem instance.

         Hyper-heuristics could be regarded as “off-the-peg” methods as opposed to “made-to-measure” metaheuristics. They aim to be generic methods, which should produce solutions of acceptable quality, based on a set of easy-to-implement low-level heuristics.

    启发式 vs 元启发式 vs 超启发式 三者区别

          We differentiate between the terms heuristic, metaheuristic and hyper-heuristic.

    • A heuristic is a “rule of thumb” offering guidance for finding good solutions according to domain knowledge. Two main types of search heuristics can be distinguished, perturbative or local search heuristics, which operate on fully instantiated candidate solutions, and constructive heuristics which iteratively expand partial candidate solutions.
    • Metaheuristics are search methodologies that coordinate local search and higher-level strategies to perform a robust search on a solution space and which aim to escape local optima.
    • Hyper-heuristics are high-level strategies that operate on a search space of heuristics rather than directly on a search space of solutions.

          简单总结一下就是:启发式是依赖问题特定的知识和经验,构建可行解,或者进行局部搜索获得可行解;元启发式是通过对整个解空间进行随机搜索,寻优找到可行解;超启发式是优化问题的启发式空间,在解的启发式空间内搜索,自动选择或者生成启发式方法。

    参考文献

    [1] Handbook of metaheuristics[M]. Springer Science & Business Media, 2019. (3rd edition)
    [2] https://en.wikipedia.org/wiki/Heuristic_(computer_science)
    [3] https://en.wikipedia.org/wiki/Metaheuristic

    展开全文
  • 启发式扫描技术

    2018-04-20 09:20:23
    启发式扫描技术启发式扫描技术启发式扫描技术启发式扫描技术启发式扫描技术
  • TSP启发式和元启发式类的启发式的一些实现 1.建设性启发式: Clarke-Wright节省启发式的Python实现。 集线器节点是文件的第一个。 <<<<<<< HEAD 编译示例: python3 tp1.py ../TSP_instances...
  • 基础的启发式算法样例
  • 启发式算法,启发式算法有哪些,matlab源码.rar
  • 启发式算法,启发式算法有哪些,matlab源码.zip
  • 启发式评估

    2015-06-19 14:53:30
    启发式评估的含义、谁来做启发式评估、启发式评估的相关原则及方法
  • 启发式算法和元启发式算法

    千次阅读 2019-10-13 12:08:59
    启发式算法(Heuristic Algorigthm): 是一种基于直观或经验构造的算法,在可接受的花费(指计算时间、计算空间等)给出待解决优化问题的每一实例的一个可行解,该可行解与与最优解的偏离程度一般不可以事先预计。 启发...

    启发式算法(Heuristic Algorigthm):

    是一种基于直观或经验构造的算法,在可接受的花费(指计算时间、计算空间等)给出待解决优化问题的每一实例的一个可行解,该可行解与与最优解的偏离程度一般不可以事先预计。

    启发式算法是一种技术,这种算法可以在可接受的计算费用内找到最好的解,但不一定能保证所得到解的可行性及最优性,甚至大多数情况下无法阐述所得解与最优解之间的近似程度。

    元启发式算法(MetaHeuristic Algorigthm):

    是启发式算法的改进,它是随机算法局部搜索算法相结合的产物。

    .

    启发式算法包括遗传算法、模拟退火算法、粒子群算法、禁忌搜索算法及神经网络算法等。

    比较:

    1)两者无法保证得到某个优化问题的全局最优解;
    2)两者存在意义就是快速地求解那些不存在或者暂时未找到多项式时间内算法的问题。比如TSP问题,flowshop问题。而像Linear programming就不会用heuristics或者meta-heuristics去求解了;
    3)不同点在于:heuristics算法中不会存在“随机因素”。对于同样一个问题,只要给定了一个输入,那么算法执行的步骤就固定下来了,输出也因此固定。但是meta-heuristics就不一样了,里面包括了“随机因素”。就拿遗传算法来说,同样一个初始的种群(输入一致),运行两次(每次100代),得到的结果很可能是不同的。因为交叉、变异操作的对象是随机选择的。在比如模拟退火,按照metropolis准则跳出局部最优解时也是随机的,这也解释了为神马SA可能得到全局最优解。总之,heuristics在固定的输入下得到固定的输出。meta-heuristics在固定的输入下得到的输出不固定。
    (引用自评论)

    展开全文
  • 13 启发式与元启发式算法 定义 一个基于直观或经验构造的算法在可接受的花费(指计算时间占用空问等)下给出待解决优化问题每一个实例的一个可行解该可行解与最优解的偏离程度不一定事先可以预计 启发式算法是一种技术...
  • 启发式算法

    2017-12-17 13:46:30
    详细的讲解了各种启发式算法的原理与实现方法,很全面,适合初学者学习了解
  • 启发式搜索

    2018-01-27 20:41:26
    人工智能课程中的启发式搜索,代码存在一定的问题,验证过程中个别不会出结果。才疏学浅。
  • 启发式算法 相对与精确算法提出的。是一种群体智能算法。平衡局部最优解与全局最优解。 启发式算法可以这样定义:一个基于直观或经验构造的算法,在可接受的花费(指计算时间和空间)下给出待解决组合优化问题每一个...

    启发式算法

    相对与精确算法提出的。是一种群体智能算法。平衡局部最优解与全局最优解。
    启发式算法可以这样定义:一个基于直观或经验构造的算法,在可接受的花费(指计算时间和空间)下给出待解决组合优化问题每一个实例的一个可行解,该可行解与最优解的偏离程度一般不能被预计
    许多启发式算法是相当特殊的,依赖于某个特定问题。

    元启发式算法

    他们通常不借助于某种问题的特有条件,从而能够运用于更广泛的方面。元启发式策略通常会对搜索过程提出一些要求,然后按照这些要求实现的启发式算法便被称为元启发式算法。
    元启发式算法包括禁忌搜索算法、模拟退火算法、遗传算法、蚁群优化算法、粒子群优化算法、人工鱼群算法、人工蜂群算法、人工神经网络算法等。

    展开全文
  • 异构计算系统上基于能量的调度的量子启发式启发式算法
  • 13 启发式与元启发式算法 定义 一个基于直观或经验构造的算法在可接受 的花费 ( 指计算时间占用空问等 ) 下给出待解 决优化问题每一个实例的一个可行解该可行 解与最优解的偏离程度不一定事先可以预计 启发式算法是...
  • OLC启发式控制台3D图形引擎:OneLoneCoder启发式控制台3D图形引擎
  • 启发式和元启发式的区别

    千次阅读 2020-03-17 17:45:00
    启发式策略(heuristic) 是一类在求解某个具体问题时,在可以接受的时间和空间内能给出其可行解,但又不保证求得最优解(以及可行解与最优解的偏离)的策略的总称。许多启发式算法是相当特殊的,依赖于某个特定问题...
  • 涉及停机位分配 启发式算法 涉及停机位分配 启发式算法 涉及停机位分配 启发式算法 涉及停机位分配 启发式算法
  • 启发式与元启发式算法

    万次阅读 2016-05-23 09:34:10
    启发式算法(Heuristic Algorigthm)是一种基于直观或经验构造的算法,在可接受的花费(指计算时间、计算空间等)给出待解决优化问题的每一实例的一个可行解,该可行解与与最优解的偏离程度一般不可以事先预计。...
  • 启发式计算-源码

    2021-02-15 18:17:55
    启发式计算
  • 算法推荐:基于深度递归神经网络的连续启发式启发式算法推荐系统
  • 启发式搜索问题研究

    2020-10-26 19:40:05
    探讨了问题空间中的启发式搜索技术,给出了构造启发式函数的基本方法,指出提高启发能力的措施和影响启发式搜索效率的主要因素。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 108,457
精华内容 43,382
关键字:

启发式