公开(公告)号：CN115293365A

公开(公告)日：2022-11-04

申请号：CN202211015154.9

申请日：2022-08-23

Applicant: 网络通信与安全紫金山实验室

Inventor： 石鸿伟 ,  陈超 ,  史精文 ,  徐倩 ,  黄韬 ,  刘韵洁

IPC: G06N20/00 ,  G06F16/16 ,  G06F8/71

Abstract: 本发明公开了机器学习模型的管理方法、装置、管理平台和存储介质。通过模型导入页面接收目标模型的文件压缩包，并在确定解压内容通过验证后，将配置描述信息存储至数据库；根据数据库针对目标模型返回的文件存储标识，在TensorFlow服务的识别目录下建立模型文件目录，并将解压文件夹存储于模型文件目录下；通过模型列表页面接收启用指令，从数据库中获取配置描述信息，生成启用配置项；增加启用配置项，以在模型管理平台中上线目标模型。本发明的技术方案解决了因新增或者更新机器学习模型而导致的修改操作复杂、不能够可视化以及数据不能同步和共享的问题，实现了机器学习模型自动化导入及上线的操作，减轻了开发人员的工作难度。

公开(公告)号：CN111970163B

公开(公告)日：2022-06-21

申请号：CN202010618153.8

申请日：2020-06-30

Applicant: 网络通信与安全紫金山实验室

Inventor： 徐倩 ,  姚振杰 ,  涂燕晖 ,  陈一昕

IPC: H04L43/0876 ,  H04L41/147 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明提供一种基于注意力机制的LSTM模型的网络流量预测方法，该方法包括以下步骤：步骤1：数据预处理，对所述网络流量数据进行标准化处理，然后将网络流量数据划分为训练数据和测试数据；步骤2：构建模型，构建基于注意力机制的LSTM模型，步骤3：模型训练，将训练数据输入所述基于注意力机制的LSTM模型中，基于Adam优化算法进行迭代训练，得到训练好的模型；步骤4：网络流量预测。该网络流量预测方法在计算当前时刻的输出状态时，综合考虑前面多个时刻的隐藏状态，使得输出序列中每一项的生成概率都受输入多个历史序列隐藏状态的影响，对流量的预测更加准确。

公开(公告)号：CN111970163A

公开(公告)日：2020-11-20

申请号：CN202010618153.8

申请日：2020-06-30

Applicant: 网络通信与安全紫金山实验室

Inventor： 徐倩 ,  姚振杰 ,  涂燕晖 ,  陈一昕

IPC: H04L12/26 ,  H04L12/24 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明提供一种基于注意力机制的LSTM模型的网络流量预测方法，该方法包括以下步骤：步骤1：数据预处理，对所述网络流量数据进行标准化处理，然后将网络流量数据划分为训练数据和测试数据；步骤2：构建模型，构建基于注意力机制的LSTM模型，步骤3：模型训练，将训练数据输入所述基于注意力机制的LSTM模型中，基于Adam优化算法进行迭代训练，得到训练好的模型；步骤4：网络流量预测。该网络流量预测方法在计算当前时刻的输出状态时，综合考虑前面多个时刻的隐藏状态，使得输出序列中每一项的生成概率都受输入多个历史序列隐藏状态的影响，对流量的预测更加准确。

公开(公告)号：CN117033975A

公开(公告)日：2023-11-10

申请号：CN202311004050.2

申请日：2023-08-10

Applicant: 网络通信与安全紫金山实验室

Inventor： 石鸿伟 ,  徐倩 ,  吴博 ,  史精文

IPC: G06F18/213 ,  G06F17/14 ,  G06F123/02

Abstract: 本申请涉及一种时间序列异常检测方法、装置、计算机设备和存储介质。所述方法包括：获取待检测时间序列；提取所述待检测时间序列的目标趋势性特征和目标季节性特征；基于所述目标趋势性特征和所述目标季节性特征，重构时间序列得到目标时间序列；基于所述待检测时间序列和所述目标时间序列进行异常检测。采用本方法能够准确提取时间序列特征。

公开(公告)号：CN116489038A

公开(公告)日：2023-07-25

申请号：CN202211575070.0

申请日：2022-12-08

Applicant: 网络通信与安全紫金山实验室

Inventor： 石鸿伟 ,  徐倩 ,  史精文 ,  黄韬 ,  刘韵洁

IPC: H04L41/147 ,  H04L41/12 ,  H04L41/16 ,  G06N3/0464

Abstract: 本发明公开了一种网络流量的预测方法、装置、设备和介质。其中，该方法包括：获取待预测网络的历史流量数据；获取所述待预测网络的链路结构数据；将所述历史流量数据和所述链路结构数据输入至预先训练的基于时空图注意力网络的流量预测模型中，得到所述待预测网络的流量预测结果；其中，所述流量预测模型包括基于图注意力网络和门控线性单元预测网络流量。本发明基于模型中的图注意网络充分提取待预测网络中的空间依赖特征，基于模型中的门控线性单元充分提取待预测网络流量数据中的时序依赖特征，根据网络流量数据中的时序依赖特征和空间依赖特征能够充分挖掘待预测网络的特征信息，进而提升网络流量的预测精度。