-
公开(公告)号：CN110784483B
公开(公告)日：2020-11-27
申请号：CN201911070400.9
申请日：2019-11-04
Applicant: 北京航空航天大学
Abstract: 本发明提供了一种基于DGA异常域名的事件检测系统及方法，包括：定义了基于DGA异常域名的事件检测框架，设计了框架组成各模块功能和事件检测流程；设计了基于聚类和客户端与服务器端连接分析的正常域名过滤方法，减少了DGA异常域名检测结果的误报；定义了DGA异常域名相关的两类主要事件—僵尸网络DGA远控和DDoS攻击的事件模型，实现了基于DGA异常域名的这两种攻击事件的检测；提出了使用阈值判断攻击事件方法，从而实现了对基于DGA异常域名的事件的判定。本发明基于DGA异常域名检测结果，设计基于聚类和客户端与服务器端连接分析方法有效地过滤DGA异常域名中正常域名，建立攻击事件抽象模型实现了对DNS攻击事件检测。
-
公开(公告)号：CN104731882B
公开(公告)日：2018-05-25
申请号：CN201510106700.3
申请日：2015-03-11
Applicant: 北京航空航天大学
IPC: G06F17/30
Abstract: 本发明提供了一种基于哈希编码加权排序的自适应查询方法，该方法包括：对查询数据提取多种特征，分别为每种特征构建一个哈希表，并利用每种特征对应的哈希表分别进行查询；获取利用所述每种特征对应的哈希表进行查询的多个查询结果，并将所述多个查询结果中的每个查询结果分别构建一个对应的图；将每个查询结果对应的图进行融合，得到一个融合图；利用图的重排序算法对所述每个查询结果在所述融合图上进行重新排序，得到最终的查询结果。本发明将基于图的重排序方法和多特征融合的重排序方法相结合，有效地综合多特征优势，实现数据的快速查询，降低内存的消耗，有效地提高了查询的效率和准确率，对查询性能有很大提升。
-
公开(公告)号：CN105844295A
公开(公告)日：2016-08-10
申请号：CN201610162064.0
申请日：2016-03-21
Applicant: 北京航空航天大学
Abstract: 本发明提供了一种基于颜色模型与运动特征的视频烟雾精细分类方法，该方法包括：基于高斯混合模型与背景差分并构建颜色模型，检测运动像素点且进行初步筛选；获取运动目标连通区域，提取运动变化特征，进行阈值设定判别是否为可疑烟雾区域；对可疑烟雾区域预处理，基于图像块提取SIFT特征；结合SVM优化随机森林算法，基于可疑烟雾区域图像块进行训练，从而实现对火灾烟雾、香烟烟雾、水气等烟雾的精细分类。本发明基于颜色模型与运动特征、面向精细分类进行视频烟雾的检测，实现了实时快速烟雾检测，有效地排除了与火灾烟雾有相似效应干扰源的影响，提高了检测的效率与准确率。
-
公开(公告)号：CN104731884A
公开(公告)日：2015-06-24
申请号：CN201510107009.7
申请日：2015-03-11
Applicant: 北京航空航天大学
IPC: G06F17/30
CPC classification number: G06F17/30949
Abstract: 本发明提供了一种基于多特征融合的多哈希表的查询方法，该方法包括：训练数据提取多种特征，并生成每种特征的至少一个锚点；根据所述每种特征的至少一个锚点，对提取的所述多种特征分别生成每种特征相应的锚点图；根据所述每种特征相应的锚点图计算每种特征的相似度量；根据所述每种特征的相似度量，顺序学习每种特征的哈希函数和锚点图的组合系数，并更新每种特征的相似度量矩阵；根据学习得到的每种特征的哈希函数和组合系数对任意数据进行哈希编码，并建立多哈希表，根据所述多哈希表进行数据查询。本发明基于多特征融合的多哈希表，实现了快速最近邻搜索，内存消耗小，有效地提高了查询效率和准确率。
-
公开(公告)号：CN104731882A
公开(公告)日：2015-06-24
申请号：CN201510106700.3
申请日：2015-03-11
Applicant: 北京航空航天大学
IPC: G06F17/30
CPC classification number: G06F17/30949 , G06F17/30988
Abstract: 本发明提供了一种基于哈希编码加权排序的自适应查询方法，该方法包括：对查询数据提取多种特征，分别为每种特征构建一个哈希表，并利用每种特征对应的哈希表分别进行查询；获取利用所述每种特征对应的哈希表进行查询的多个查询结果，并将所述多个查询结果中的每个查询结果分别构建一个对应的图；将每个查询结果对应的图进行融合，得到一个融合图；利用图的重排序算法对所述每个查询结果在所述融合图上进行重新排序，得到最终的查询结果。本发明将基于图的重排序方法和多特征融合的重排序方法相结合，有效地综合多特征优势，实现数据的快速查询，降低内存的消耗，有效地提高了查询的效率和准确率，对查询性能有很大提升。
-
Patent Agency Ranking
公开(公告)号：CN102253996B
公开(公告)日：2013-08-21
申请号：CN201110191264.6
申请日：2011-07-08
Applicant: 北京航空航天大学
Abstract: 一种多视角阶段式的图像聚类方法：(1)通过爬虫程序从Web页面上获取海量图像，并对图像的描述信息进行预处理得到相应的文档集。(2)离线提取出图像集的视觉特征和文档集的语义特征，将结果持久化到文件或者数据库。(3)针对图像检索引擎中用户的某次具体查询，基于已提取的特征，采用阶段式的图像聚类算法，对检索结果进行动态聚类，并为每个聚类提取出主题关键字，作为类标签，重新组织结果后返回给用户。
-
公开(公告)号：CN102243625B
公开(公告)日：2013-05-15
申请号：CN201110201966.8
申请日：2011-07-19
Applicant: 北京航空航天大学
IPC: G06F17/27
Abstract: 一种基于N-gram增量主题模型的语义挖掘方法：(1)将Author-Conference主题模型进行扩展：扩展单词空间，从Unigram到N-gram；(2)对于当前输入数据，根据之前训练模型中后验概率的线性加权计算当前模型中先验概率的参数；(3)采用吉布斯采样方法计算模型对当前数据的后验概率值；(4)对于新的输入数据流，重复步骤(2)、(3)增量训练模型。本发明将N-gram引入到主题模型中，根据N-gram包含的语义特性，提高了主题模型对科技文献建模的性能；采用非对称先验概率记录历史数据的主题分布，从而增量式地训练模型，提高了方法的效率。
-
公开(公告)号：CN102306298B
公开(公告)日：2012-12-12
申请号：CN201110201849.1
申请日：2011-07-19
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于Wiki的图像分类体系动态演化方法：(1)通过基于机器学习的分类器检测，基于语义关联矩阵的类别推荐以及人工标注获得初始类别版本L0；(2)基于维基(Wiki)模式，允许并鼓励大众直接或间接更新系统数据类别信息；(3)根据像所属类别动态演化模型，判定图像所属类别；(4)根据类别自身组织结构动态演化模型，调整类别组织结构；(5)基于统计模型，统计用户操作信息，调整步骤3和步骤4的相关参数。本发明利用维基模式的开放共享性和平等共创性，聚集众多用户独立的决策来提高图像分类的精确性，调整类别组织结构，提高图像检索效果。
-
公开(公告)号：CN101771683B
公开(公告)日：2012-12-12
申请号：CN200910076116.2
申请日：2009-01-07
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种访问控制策略生成方法及装置。方法包括：根据用户通过预先建立的基于属性的访问控制ABAC策略视图模板输入的ABAC策略信息，生成ABAC策略表达式；根据预先设置的ABAC策略视图模板与可扩展访问控制标记语言XACML模板之间的映射规则，将所述ABAC策略表达式转换成符合XACML模板的基于XACML的ABAC策略。本发明中用户只需通过ABAC策略视图模板输入一些简单的ABAC策略信息，无需以人工方式写出复杂的基于XACML的ABAC策略，从而解决了用户难于定义基于XACML的ABAC策略的问题，并且避免了用户以人工方式写出复杂的基于XACML的ABAC策略过程中容易出现错误的问题，从而保证了基于XACML的ABAC策略的准确性。
-
公开(公告)号：CN102289482A
公开(公告)日：2011-12-21
申请号：CN201110220244.7
申请日：2011-08-02
Applicant: 北京航空航天大学
IPC: G06F17/30
Abstract: 一种非结构化数据查询方法：(1)改进现有XML查询方法，使用非结构化智能查询语言AQL对XQuery语言进行扩展；(2)简化与非结构化数据查询无关的功能；(3)定义执行计划；(4)对AQL语句进行解析，识别实例文件字段；(5)分离语句中不同属性的描述字段；(6)根据步骤(5)的结果形成查询语句并生成执行计划。本发明根据待查数据四个刻面的条件约束实现基本属性、语义属性和底层特征的关联检索和实例查询，根据数据聚类时的特征约束实现智能查询，跨类检索时通过对关联点的约束实现不同类型数据的关联检索，可完全满足非结构化数据的查询需求。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.038 seconds)
