为探索大规模、复杂网络的安全态势要素获取新途径,提出了一种云模式下基于危险理论的网络攻击态势察觉模型.效仿"细胞受损或非正常死亡产生危险信号,并由危险信号诱发免疫应答"机理,在定义计算机网络到危险模式映射后,用云模型的不确定性推理方法,通过构造云图和设计规则发生器,建立计算机网络定量安全状态参数转化为定性危险级别的云模型;依据危险等级生成危险信号,并由其激活由云端实现的基于免疫危险理论的网络攻击态势察觉.理论分析和验证实验结果表明该模型有效,为大规模、复杂计算机网络的安全态势

贝叶斯网（BN）作为一种重要的概率图模型，是统计型不确定性知识表示和推理的基本框架。如何从海量数据中学习BN，是目前云计算环境下海量数据中不确定性知识推理及相关应用的基础和关键。我们利用Hadoop平台，设计并实现了CloudBN这一基于云计算的概率图模型学习系统。CloudBN以BN结构的学习为核心，首先将海量数据存储于HBase中，然后将传统的BN打分搜索学习方法扩展到并行环境，基于MapReduce实现了海量数据中BN的并行学习。本文介绍了CloudBN的系统结构和相关技术，给出了系统功能

基于云模型的不确定性推理方法

提出一种新型的二维云模型智能控制器结构. 这种结构模型是一种本质非线性模型, 可以很容易由一组不 确定性推理规则构成. 分析了一维和二维云模型的非线性映射特性, 并给出了基于此结构模型的智能控制器的设计 方法及仿真实例.