-
公开(公告)号：CN115134161A
公开(公告)日：2022-09-30
申请号：CN202210809762.0
申请日：2022-07-11
Applicant: 西安理工大学
IPC: H04L9/40 , H04L67/1042
Abstract: 本发明公开了一种基于Raft共识算法抗任期伪造的防御方法，具体按照以下步骤实施：步骤1，构建Raft集群，创建Raft节点加入到构建的Raft集群中；步骤2，将步骤1中得到的Raft集群初始化，创建初始数据；步骤3，设置一个选举时间内任期增长的区间范围；步骤4，启动Raft集群，此时Raft集群中所有Raft节点状态均为跟随者状态；步骤5，根据步骤4判断节点是否为恶意节点，若节点为恶意节点，则将状态强制退回到跟随者状态。通过对任期值增长范围区间的设置，有效防御了恶意节点在选举过程中对Raft集群进行伪造任期的攻击，实现Raft共识算法选举过程中抗伪造任期的防御，使Raft共识算法的选举过程及结果更加公平、安全可靠。
-
公开(公告)号：CN114444116A
公开(公告)日：2022-05-06
申请号：CN202111562301.X
申请日：2021-12-20
Applicant: 西安理工大学
Abstract: 本发明公开了一种基于安全访问控制知识图谱的授权鉴权引擎生成方法，具体按照以下实施：读取云平台中存在的系统日志和项目规范文本中的规范文档，对访问控制语句的语料信息进行预处理；对访问控制语句进行识别；对识别出的访问控制语句的语料信息依次进行领域二次预训练、任务二次预训练，进行属性信息联合抽取；表示访问控制语句和属性信息安全特征和安全标签；将实体数据和关系数据进行匹配，构成三元组形式；将三元组存储到图形数据库中，得到安全访问控制知识图谱；利用安全访问控制知识图谱建立授权鉴权引擎；对授权鉴权引擎进行存储优化和鉴权响应优化。解决了现有技术中存在的人工梳理数据访问控制工作难的问题。
-
公开(公告)号：CN113869051A
公开(公告)日：2021-12-31
申请号：CN202111107150.9
申请日：2021-09-22
Applicant: 西安理工大学
IPC: G06F40/295 , G06F40/247 , G06F40/242 , G06F40/30 , G06F16/35 , G06K9/62
Abstract: 本发明公开了一种基于深度学习的命名实体识别方法，步骤包括：1)构建一对一的同义词词典；2)选择数据集，定义实体类集合；3)对BERT模型进行对比学习预训练；4)进行命名实体识别任务的微调训练，得到编码器和分类器；5)将测试集中剩余待处理的句子统称为句子S1；6)将句子S1输入编码器，得到字嵌入向量集合和句向量u；7)在句子S1中基于跨度选择文段，构造文段的词嵌入向量；8)利用同义词词典替换步骤7在句子S1中所选中的文段，得到句子S2；9)利用编码器处理句子S2，得到句向量v；10)计算得到span_em，再通过分类器分类得到实体集C。本发明的方法，识别准确率高。
-
公开(公告)号：CN110490297B
公开(公告)日：2021-10-15
申请号：CN201910673005.3
申请日：2019-07-24
Applicant: 西安理工大学
IPC: G06N3/04 , G06F16/2458
Abstract: 本发明公开了一种铁路道岔动作功率曲线智能分段方法，首先使用滑动窗口，设定窗口大小，计算窗口内方差值；设定阈值，比较当前时刻与前一时刻方差差值绝对值与阈值大小，得出第一个分段点；然后设置卷积神经网络模型，使用数据训练模型；依据训练好的模型，得出第二个分段点；最后根据两个分段点，对曲线进行分段。本发明更精确智能地分段了铁路道岔功率曲线。节省了人力物力的同时，对于实际情况中时间上长短不一的功率曲线，均可适用，不仅通用性强，而且准确性高，可以更多体现不同区段特征之间的差异性，从而提高数据分析的正确率。本发明解决了现有技术中存在的道岔监测数据预处理方法准确率低、通用性差的问题。
-
公开(公告)号：CN112199670A
公开(公告)日：2021-01-08
申请号：CN202011059670.2
申请日：2020-09-30
Applicant: 西安理工大学
Abstract: 本发明公开了一种基于深度学习改进IFOREST对行为异常检测的日志监控方法。通过对用户的行为信息进行采集并向量化信息。利用Auto‑Encoder对算法训练模型对输入的日志用户行为向量进行降维。利用genetic算法以及Gan网络改进IFOREST，依据更新的信息反复训练模型提高其识别的准确率，最后通过日志监控的方法对用户的日常行为进行高效率高精准度的异常行为检测，将深度学习的方法应用到异常行为检测的网络安全领域，借以检测用户或管理员进行的非正常操作，同时采用了深度学习中自编码器对提取的用户行为信息进行降维，实现对高维数据的预处理，提出了一种相比于IFOREST训练准确率更高更加稳定的模型。
-
Patent Agency Ranking
公开(公告)号：CN112183597A
公开(公告)日：2021-01-05
申请号：CN202010995568.7
申请日：2020-09-21
Applicant: 西安理工大学
Abstract: 本发明公开了一种基于谱聚类的非均衡交通事故严重程度分析方法，首先通过路段摄像头或者检测器记录车辆在运行过程中发生车祸时的原始事故数据D'；通过编码技术将原始事故数据D'进行离散编码及归一化，得到有效事故数据D；然后结合合成少数类过采样技术SMOTE算法将有效事故数据D进行重采样，得到先验分布均衡的事故数据T；将结构化事故数据T转化为事故图数据G；最后结合谱聚类算法，得到不同环境因素对应的事故严重程度。本发明解决了现有技术中存在的事故数据分布不均衡导致事故严重程度分析效果较差的问题。
-
公开(公告)号：CN111915881A
公开(公告)日：2020-11-10
申请号：CN202010529619.7
申请日：2020-06-11
Applicant: 西安理工大学
Abstract: 本发明公开了一种基于变分自动编码器的小样本交通流量预测方法，首先通过路段摄像头或者检测器采集在道路中运行的真实交通流量x；然后通过VAE网络将真实交通流量x编码为隐变量z；通过VAE网络将隐变量z解码为重构真实交通流量x'；最后将真实交通流量x与重构真实交通流量x'输入至Encoder-Decoder端对端框架，得到输入的数据与Encoder-Decoder端对端框架中Encoder模块中的RNN单元隐藏层结果之间的映射关系；进而预测未来交通流量。本发明解决了现有技术中存在的交通流量数据检测样本较小导致交通流量预测准确度较低的问题。
-
公开(公告)号：CN111339318A
公开(公告)日：2020-06-26
申请号：CN202010132852.1
申请日：2020-02-29
Applicant: 西安理工大学
IPC: G06F16/36 , G06F40/211 , G06F40/295
Abstract: 本发明公开了一种基于深度学习方法的大学计算机基础知识图谱构建方法；采用BERT-IDCNN-CRF算法训练知识点实体识别模型，从大学计算机基础课本文本内容中自动抽取知识点实体；采用BERT-BiLSTM-CNN算法训练关系识别模型，自动抽取知识点实体之间的关系；基于word2vec生成知识点实体词向量，通过计算知识点实体之间的相似度进行实体消歧。大大减少了人工构建大学计算机基础知识图谱的工作量，省时省力。
-
公开(公告)号：CN110490297A
公开(公告)日：2019-11-22
申请号：CN201910673005.3
申请日：2019-07-24
Applicant: 西安理工大学
IPC: G06N3/04 , G06F16/2458
Abstract: 本发明公开了一种铁路道岔动作功率曲线智能分段方法，首先使用滑动窗口，设定窗口大小，计算窗口内方差值；设定阈值，比较当前时刻与前一时刻方差差值绝对值与阈值大小，得出第一个分段点；然后设置卷积神经网络模型，使用数据训练模型；依据训练好的模型，得出第二个分段点；最后根据两个分段点，对曲线进行分段。本发明更精确智能地分段了铁路道岔功率曲线。节省了人力物力的同时，对于实际情况中时间上长短不一的功率曲线，均可适用，不仅通用性强，而且准确性高，可以更多体现不同区段特征之间的差异性，从而提高数据分析的正确率。本发明解决了现有技术中存在的道岔监测数据预处理方法准确率低、通用性差的问题。
-
公开(公告)号：CN109871599A
公开(公告)日：2019-06-11
申请号：CN201910089379.0
申请日：2019-01-30
Applicant: 西安理工大学
IPC: G06F17/50
Abstract: 本发明公开了一种无人驾驶车辆运行安全指数评价方法，首先通过V2V通信技术采集在车道中运行的各车辆的运行数据序列信息，包括位置(x,y)、速度v、加速度a；确定历史位置数据，并对历史数据进行拟合训练；通过数据训练得到的横向与纵向位置所建立的多条位置模型，确定预测模型；通过预测模型计算预测可信度；然后利用距离公式计算车辆之间距离并得到其频率分布直方图；利用核密度估计得到车辆距离以及预测可信度的概率密度函数并计算碰撞概率；最后通过碰撞概率得到安全评价指数。本发明解决了现有技术中存在的车辆运行状态评价准确性差无法保证车辆运行安全性的问题。
-
-
-
-
-
-
-
-
-
Search Results
166
records
(took 0.029 seconds)
