公开(公告)号：CN111161089A

公开(公告)日：2020-05-15

申请号：CN201911405674.9

申请日：2019-12-30

Applicant: 哈尔滨工程大学

Inventor： 董宇欣 ,  韩瑞 ,  费腾 ,  王红滨 ,  孙孟昊 ,  耿士卿

IPC: G06Q50/00

Abstract: 基于COPRA的重叠社区划分方法，涉及计算机领域，针对现有技术中社交网络划分算法存在划分结果不稳定，随机性强，导致算法结果的准确性低的问题，本发明针对COPRA算法的不稳定性和随机性进行了改进。首先引入信息熵概念，提出直接节点、间接节点概念，然后通过获取节点的节点熵，并根据每个节点熵总和对节点标签更新进行排序，减少标签更新的随机性。随后提出标签价值概念，主要从节点对标签的从属系数、拥有该标签节点的熵总和、节点的度三点进行综合考虑，提出了标签价值计算公式，并给出了算法的执行过程。本发明能够发现复杂的社会网络中的重叠社区结构，并且挖掘社区结果较好、准确性高。

公开(公告)号：CN111787109A

公开(公告)日：2020-10-16

申请号：CN202010624411.3

申请日：2020-07-02

Applicant: 哈尔滨工程大学

Inventor： 孙孟昊 ,  董宇欣

IPC: H04L29/08 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于时间序列预测的数据中心负载均衡方法。随着互联网用户的急剧增加，每天产生的数据迅速增长。传统的单一节点服务器已经无法满足企业网站的需求。然而由于数据存放在不同的节点，有的节点会被用户更多的访问，有些节点存储的数据会被用户经常访问，这样会导致性能瓶颈。由此本发明的一种基于时间序列预测的数据中心负载均衡方法引入时间序列预测方法，通过该方法对数据中心的用户访问行为进行建模，从而预测每个服务器和整体数据中心的负载情况，从而使每个数据中心的数据得到优化访问。

公开(公告)号：CN110046672A

公开(公告)日：2019-07-23

申请号：CN201910335224.0

申请日：2019-04-24

Applicant: 哈尔滨工程大学

Inventor： 董宇欣 ,  张艺薰 ,  费腾 ,  王红滨 ,  温启明 ,  孙孟昊

IPC: G06K9/62 ,  G06Q40/04

Abstract: 一种基于半监督学习的银行电子渠道异常交易确定方法，涉及机器学习技术领域，为解决现有异常交易确定技术中存在难度大、效率低、准确性差的问题，本发明在隐马尔科夫模型、时间序列模型(ARIMA)建立账户级别的历史交易序列模型的基础上进一步整合优化，以HMM为基础结合半监督聚类学习预测异常交易行为。本发明通过半监督聚类学习将每个时间截面的交易数据转化为一个时序的向量，并利用半监督学习克服标签数据稀少的问题，利用HMM对每个人的交易向量拟合生成对应的模型，并将半监督学习与HMM结合从截面数据和时序数据两个角度提升异常识别的准确率。采用机器学习来解决异常交易确定的问题，与传统的专家法相比极大的降低了难度，提高了工作效率。