-
公开(公告)号：CN111400555A
公开(公告)日：2020-07-10
申请号：CN202010147602.5
申请日：2020-03-05
Applicant: 湖南大学
IPC: G06F16/901 , G06F16/903 , G06F9/50
Abstract: 本申请涉及一种图数据查询任务处理方法、装置、计算机设备和存储介质。所述方法包括：获取图数据集和图数据查询任务集，图数据集为分布式存储于多台机器节点的图数据结构的集合，识别图数据集的图数据类型，根据图数据类型，计算图数据查询任务集中两两查询任务间的相似度或差异度，基于两两查询任务间的相似度或差异度，将图数据查询任务集划分为多个图数据查询任务子集，将图数据查询任务子集输入预设分布式图查询系统，得到对应的查询结果。采用本方案解决了在分布式系统中处理批量任务时的负载均衡问题，同时优化了串行执行查询任务低效问题和并行资源利用率低的问题，提高查询任务执行效率，缓解查询实时性需求问题。
-
公开(公告)号：CN114297260B
公开(公告)日：2024-11-26
申请号：CN202111644837.6
申请日：2021-12-29
Applicant: 湖南大学
IPC: G06F16/2458 , G06F16/242 , G06F16/2453 , G06F9/50
Abstract: 本申请涉及一种分布式RDF数据查询方法、装置和计算机设备。所述方法包括：获取RDF数据集和SPARQL查询语句，根据已构建的一致性哈希环，将RDF数据集划分至对应的子节点，一致性哈希环包括各RDF数据主题值的哈希值与各子节点的虚拟节点位置的映射关系，根据映射关系，将SPARQL查询语句中的子查询语句按照查询数据处理优先级分别发送至对应的子节点，接收各子节点反馈的查询结果，并对查询结果进行交集操作，得到目标查询结果，查询结果由各子节点根据接收到的子查询语句在划分得到的RDF数据中查询得到。采用本方法能够提高数据查询的效率。
-
公开(公告)号：CN111400555B
公开(公告)日：2023-09-26
申请号：CN202010147602.5
申请日：2020-03-05
Applicant: 湖南大学
IPC: G06F16/901 , G06F16/903 , G06F9/50
Abstract: 本申请涉及一种图数据查询任务处理方法、装置、计算机设备和存储介质。所述方法包括：获取图数据集和图数据查询任务集，图数据集为分布式存储于多台机器节点的图数据结构的集合，识别图数据集的图数据类型，根据图数据类型，计算图数据查询任务集中两两查询任务间的相似度或差异度，基于两两查询任务间的相似度或差异度，将图数据查询任务集划分为多个图数据查询任务子集，将图数据查询任务子集输入预设分布式图查询系统，得到对应的查询结果。采用本方案解决了在分布式系统中处理批量任务时的负载均衡问题，同时优化了串行执行查询任务低效问题和并行资源利用率低的问题，提高查询任务执行效率，缓解查询实时性需求问题。
-
公开(公告)号：CN112766143B
公开(公告)日：2023-08-25
申请号：CN202110054794.X
申请日：2021-01-15
Applicant: 湖南大学
IPC: G06V40/16 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多情绪的人脸老化处理方法，包括：获取一张原始图片和一张与该原始图片对应的目标图片；将获取的原始图片和目标图片分别输入训练好的第一网络模型的编码器Ee和EI中，以分别得到原始图片的关键特征和目标图片的关键特征；将获得的原始图片的关键特征、以及目标图片的关键特征输入训练好的第一生成网络的生成器GE中，以获得一张彩色图片；将彩色图片输入训练好的第二网络模型的生成器GA，以得到老化处理后的彩色图片；本发明利用多重损失保证CD‑Net在不丢失其它信息的情况下学习真实的图像，可以生成不同的情绪下逼真的面部衰老图像，并且这些情绪特征是特定的，不是随机的。
-
公开(公告)号：CN113065298B
公开(公告)日：2022-05-20
申请号：CN202110320249.0
申请日：2021-03-25
Applicant: 湖南大学
IPC: G06F30/31 , G06F30/392
Abstract: 本发明公开了一种用于将超大规模网表转换成DAG图的方法，包括：获取网表，从该网表中提取电路单元及其连线信息，以生成一个图，其以一个入边邻接表和一个出边邻接表存储起来，对图进行预处理，以得到预处理后的图，检测预处理后的图中的所有强连通分量，并识别根据所有强连通分量识别多个环，提取每个环中的节点序号、以及该环中每个节点所连接的边在入边邻接表和出边邻接表中的序号，根据每个环中节点和边在入边邻接表中的序号，对该环中符合预定条件的入边进行切割，以得到多个单向连通的子图，使用虚节点将多个单向连通图关联起来，从而得到目标DAG图。本发明能够克服现有然而现有对电路单元进行设计与分析的方法存在的适用性差的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN113141357B
公开(公告)日：2022-02-18
申请号：CN202110416021.1
申请日：2021-04-19
Applicant: 湖南大学
Abstract: 本发明公开了一种用于优化网络入侵检测性能的特征选择方法，包括：获取来自网络的流量数据及其类别标签集合{c1，c2}，利用网络分析工具对该流量数据进行处理，以得到多个网络数据特征构成的原始特征集F＝{F1，F2，...，FN}，将原始特征集F划分为多个特征片段，针对每个特征片段i而言，初始化空的特征集Si以及空的冗余敏感特征集对该特征片段、特征集Si以及冗余敏感特征集进行特征选择处理，以得到与每个特征片段i对应的、更新后的特征集Si和冗余敏感特征集将所有特征片段对应的、更新后的特征集汇总到特征集S及冗余敏感特征集Sw中。本发明能解决现有特征选择方法由于无法处理超高维且不平衡的数据，而造成特征选择时间过长和入侵检测准确率下降的技术问题。
-
公开(公告)号：CN113360859A
公开(公告)日：2021-09-07
申请号：CN202110606468.5
申请日：2021-05-28
Applicant: 湖南大学
Abstract: 本申请涉及一种基于Python解释器的加密文件安全控制方法和装置。所述方法包括：获取加密文件，对加密文件进行一级解密和二级解密，生成对应的第一临时文件。当确定第一临时文件的导入文件携带加密标志时，对导入文件进行一级解密和二级解密，生成对应的第二临时文件。运行第二临时文件，将与加密文件对应的关联文件导入第一临时文件，得到更新后的第一临时文件。运行更新后的第一临时文件，得到加密文件的执行结果、字节码文件，删除第一临时文件、第二临时文件和字节码文件。采用本方法将第一临时文件、第二临时文件和字节码文件均进行删除，可避免恶意用户获取相应的临时文件或字节码文件反向编译得到解密文件，提升文件或数据传输过程中的安全性。
-
公开(公告)号：CN112162986B
公开(公告)日：2021-08-17
申请号：CN202011071516.7
申请日：2020-10-09
Applicant: 湖南大学
IPC: G06F16/22 , G06F16/2455
Abstract: 本发明公开了一种并行top‑k范围skyline查询方法和系统，其通过将数据点与查询范围构建数据元组的方法，实时更新数据点的查询范围，进行范围skyline查询，扩大了skyline查询的应用范围；在判断数据点间支配关系的过程中，对关键步骤使用并行处理，减少了计算时间，提高查询效率；对不可能成为查询结果的数据点进行过滤，避免了重复地获取所有数据信息；最后对数据点对应元组的评分进行维护，输出支配能力最强的k个范围skyline查询结果，最终得到更加准确的、可控规模的范围skyline查询结果，从而保证了查询结果具有更高的参考价值。本发明充分考虑了评分对范围skyline查询的影响，在不影响查询性能的同时避免了范围skyline结果规模不可控的限制条件，扩大了其应用范围。
-
公开(公告)号：CN112104639B
公开(公告)日：2021-06-15
申请号：CN202010950472.9
申请日：2020-09-11
Applicant: 湖南大学 , 湖南匡安网络技术有限公司
Abstract: 本发明公开了一种面向电力系统网络的攻击路径并行预测方法，采用并行模式根据反向DFS算法生成多个网络子攻击图，并且采用并行模式根据DFS算法计算所有子攻击图中各条攻击路径攻击成功的概率，从所有概率中选择最大值对应的攻击路径作为整个电力系统网络中最可能的攻击路径。本发明解决了无法针对风险大的0day漏洞进行攻击路径预测的问题，提升了攻击图生成效率，并解决整体攻击图容易出现状态爆炸的问题，同时减少了攻击路径预测的计算复杂度，提高攻击路径预测的计算效率。
-
公开(公告)号：CN112766315A
公开(公告)日：2021-05-07
申请号：CN202011630126.9
申请日：2020-12-31
Applicant: 湖南大学
Abstract: 本发明属于人工智能模型鲁棒性判定技术领域，并公开了一种在不知人工智能模型以及训练数据集情况下能有效地对未知模型进行攻击方法，包括以下步骤：原始数据集的浅层共享特征的捕获，并根据输入条件生成相应的目标样本。待测试人工智能模型用于预测目标样本的输出，该输出和正式的标签进行比对得到相应损失。同时生成的目标样本用于训练替代模型，并得到相应的输出，比较同一个样本在两个不同模型情况下的输出，得到比对损失，用于确保替代模型很好的学习待测试人工智能模型的全部功能。之后用一些成熟的攻击算法去攻击替代模型得到相应的对抗样本，并将这些对抗样本用于攻击未知的人工智能模型，进而判定人工智能模型的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.017 seconds)
