-
公开(公告)号：CN119577505A
公开(公告)日：2025-03-07
申请号：CN202411445154.1
申请日：2024-10-16
Applicant: 国网安徽省电力有限公司信息通信分公司 , 东南大学
IPC: G06F18/24 , G06F16/35 , G06F16/334 , G06F40/30 , G06F40/284 , G06N3/044 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了基于深度学习的微服务故障识别方法，涉及微服务技术领域，收集与微服务故障识别相关的训练数据，训练数据包括已经标注好的样本，对收集到的数据进行预处理，预处理方式为文本清洗，包括去除无关字符、标点符号和停用词，将预处理后的文本转换成模型可接受的特征表示形式，选用Word2Vec作为词嵌入模型，用于捕捉单词之间的语义关系。本发明通过基于深度学习的微服务故障识别方法，可以有效提高微服务系统的故障检测和诊断效率。通过对历史故障数据的深度学习，系统能够识别出复杂的、潜在的故障模式，并预测可能出现的故障类型，从而帮助系统管理人员快速定位故障根因，减少排查时间。
-
公开(公告)号：CN117459540A
公开(公告)日：2024-01-26
申请号：CN202311514217.X
申请日：2023-11-14
Applicant: 国网安徽省电力有限公司信息通信分公司 , 东南大学
IPC: H04L67/104 , G06N3/0464 , G06N3/045 , G06N3/08 , G06F18/214
Abstract: 本发明涉及了一种基于深度学习的云平台P2P流量识别方法，属于流量分析领域；所述方法包括了特征提取步骤、特征融合步骤和流量识别步骤，特征提取步骤在cell层次的流量上提取方向和时序特征，特征融合步骤对流量的方向特征和时序特征进行融合，流量识别步骤具体是指提取burst特征的方向时序网站流量识别，该步骤采用多个卷积层并行提取网站流量的burst特征，并通过堆叠的burst特征学习块实现更深层次的特征学习，结合了ReLU层、BN层和残差连接，以增强模型鲁棒性和避免梯度消失。
-
公开(公告)号：CN117614874A
公开(公告)日：2024-02-27
申请号：CN202311528680.X
申请日：2023-11-14
Applicant: 国网安徽省电力有限公司信息通信分公司 , 东南大学
Abstract: 本发明提供一种基于流量的应用层云协议优化识别方法，属于云服务网络安全领域，所述优化识别方法包括改进现有网络协议频繁项提取方法，基于序列比对的工业协议语义识别方法、构建协议内部依赖关系的状态转换图三种方向，改进的频繁项提取方法通过确定最大频繁项长度，自顶向下结合位置信息筛选频繁项特征；序列比对的语义识别方法基于工业协议的简明结构和云端边缘架构特征，在边缘节点多序列比对，对报文序列进行字段划分和语义识别；构建状态转换图利用图论与概率论知识，对难以挖掘的协议统计分析字段出现位置、概率、依赖关系，构建图用于描述协议内部依赖关系，结合上述三者可设计一种整体的云端工业协议识别框架。
-
公开(公告)号：CN117459438A
公开(公告)日：2024-01-26
申请号：CN202311514213.1
申请日：2023-11-14
Applicant: 国网安徽省电力有限公司信息通信分公司 , 东南大学
Abstract: 本发明公开了一种云环境下二进制协议消息的边界划分方法，包括对字段边界进行垂直分析步骤，对字段边界进行水平分析步骤和结合垂直分析和水平分析结果综合分析步骤；垂直分析步骤通过消息间所呈现出结构信息，对相邻消息进行比较，从而得出相关的统计信息，水平分析步骤使用路径搜索算法等对消息的内部结构进行分段，水平分析作用的单条消息，结合垂直分析可将分析对象由单条消息转为消息集合，即为综合分析步骤；本方法利用消息固有的结构以及消息间所蕴含的信息，适用于云环境下二进制协议的边界划分。
-
公开(公告)号：CN119179934A
公开(公告)日：2024-12-24
申请号：CN202411682757.3
申请日：2024-11-22
Applicant: 东南大学 , 国网安徽省电力有限公司信息通信分公司
Abstract: 本发明公开了一种基于谱聚类构图的图卷积神经网络协议分类方法，涉及于网络安全和机器学习领域，所述方法包括以下步骤：从收集到的网络协议数据中筛选出关键字段；优化传统谱聚类构图算法，对筛选出的数据进行聚类，将数据处理成适合图神经网络的图结构形式；利用谱聚类得到的图结构作为图卷积神经网络的输入，提出S‑GCN模型，采用随机初始化的三层GCN进行建模，对节点三阶邻域进行卷积，在最后一层通过对节点特征聚合来实现网络协议分类。实验证明本发明的方法在分类结果上有较高的准确率，S‑GCN中图结构的优劣直接影响到分类结果，同时证明了本发明图结构的高效性。
-
Patent Agency Ranking
公开(公告)号：CN118093102B
公开(公告)日：2024-07-23
申请号：CN202410507949.4
申请日：2024-04-25
Applicant: 东南大学 , 国网安徽省电力有限公司信息通信分公司
Abstract: 本发明公开了一种群智感知中的资源分配方法，涉及移动用户MU的策略制定过程中一致的部分建模为标准的凸优化问题，本发明根据群智感知的真实情况，提出了移动用户个人的对不同任务的偏好属性并进行量化分析，提出连续策略迭代算法CSI使得MCS系统能够在跨周期迭代的过程中学习用户的偏好程度，并与相关的Greedy以及Ranking算法进行了仿真比较。在一般的实验设置下，相较于对比的基于贪心和等级划分的优化算法，CSI算法在效用指标上有10%~20%的提升，且使得模拟误差降低10%左右。本发明证明了CSI算法在大多数场景下有着更优秀的指标，助力提高收集数据的质量，同时增加系统的可靠性和稳健性。
-
公开(公告)号：CN118093102A
公开(公告)日：2024-05-28
申请号：CN202410507949.4
申请日：2024-04-25
Applicant: 东南大学 , 国网安徽省电力有限公司信息通信分公司
Abstract: 本发明公开了一种群智感知中的资源分配方法，涉及移动用户MU的策略制定过程中一致的部分建模为标准的凸优化问题，本发明根据群智感知的真实情况，提出了移动用户个人的对不同任务的偏好属性并进行量化分析，提出连续策略迭代算法CSI使得MCS系统能够在跨周期迭代的过程中学习用户的偏好程度，并与相关的Greedy以及Ranking算法进行了仿真比较。在一般的实验设置下，相较于对比的基于贪心和等级划分的优化算法，CSI算法在效用指标上有10%~20%的提升，且使得模拟误差降低10%左右。本发明证明了CSI算法在大多数场景下有着更优秀的指标，助力提高收集数据的质量，同时增加系统的可靠性和稳健性。
-
公开(公告)号：CN119420629A
公开(公告)日：2025-02-11
申请号：CN202411450178.6
申请日：2024-10-17
Applicant: 国网安徽省电力有限公司信息通信分公司 , 东南大学
IPC: H04L41/0631 , H04L41/16 , G06N3/042
Abstract: 本发明涉及一种基于图卷积神经网络的微服务故障根因定位方法(Micro)，该方法通过图卷积神经网络分析微服务之间的复杂依赖关系，帮助在故障发生时判断故障类型，首先，利用监控系统模拟各种故障类型并将其注入系统，对模拟故障的度量数据进行分类和标记，然后，通过图卷积神经网络MetricSage，基于历史度量数据进行训练，以实现实例级别的故障根因分析。故障发生后，系统收集实时故障数据和服务调用数据，并通过异常服务调用数据构建微服务异构拓扑子集。根据实时指标数据分配权重，创建加权异构拓扑，并对其执行个性化随机漫步算法以生成根因候选集。最后，将该候选集和实时数据特征输入MetricSage进行特征加权分析，确定最终的故障根因和类型。
-
公开(公告)号：CN117632355A
公开(公告)日：2024-03-01
申请号：CN202311359179.5
申请日：2023-10-19
Applicant: 国网安徽省电力有限公司信息通信分公司 , 东南大学
Abstract: 本发明公开了一种基于云平台资源监视的虚拟资源高速调度系统，包括资源管理调度系统，资源管理调度系统包括虚拟资源层、管理层和服务层，虚拟资源层包括计算资源、存储资源和网络资源的虚拟化资源池，管理层包括对云资源的监控、管理和调度。通过云资源管理与调度主要是对云计算资源、云存储资源以及云网络资源的虚拟化管理以及动态调度，通过对云资源的统一管理、监控、部署以及调度，实现对资源安全、高效、经济的管理，并流量调度、流量分配及故障流量切换技术，遇到云平台故障时，快速切换云平台的可用区，减少对用户的感知。
-
公开(公告)号：CN117675709A
公开(公告)日：2024-03-08
申请号：CN202311514212.7
申请日：2023-11-14
Applicant: 国网安徽省电力有限公司信息通信分公司 , 东南大学
IPC: H04L47/12 , H04L47/2441 , H04L47/24 , H04L47/76
Abstract: 本发明公开了一种基于云平台调度的流量分配方法，从源网端获取各种需要进行分配流量的整体信息，比如流量类型以及优先级等等；然后建立多个监控节点对云平台内部的用户使用数据进行实时监控；综合接收到的流量信息以及云平台的使用情况，采用优化算法对流量进行动态调度和分配，算法根据每处流量的节点的硬件软件性能，以及带宽限制等因素，以最大化资源利用效率和服务质量。算法根据每处流量的节点的硬件软件性能，以及带宽限制等因素，以最大化资源利用效率和服务质量，更好的利用优化计算和存储资源，从而提高了网络性能和响应速度，使得数据流量更加合理的调度，不会出现网络延迟和拥塞，使得流量调度更加高效。
-
-
-
-
-
-
-
-
-
Search Results
66
records
(took 0.057 seconds)
