公开(公告)号：CN113904846B

公开(公告)日：2022-06-17

申请号：CN202111174292.7

申请日：2021-10-09

Applicant: 北京理工大学

Inventor： 金福生 ,  陈梦楠 ,  袁野 ,  王树良 ,  王国仁

IPC: H04L9/40 ,  G06F21/56 ,  G06V10/764 ,  G06V10/77 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 结合高斯混合模型与排序学习的多阶段入侵检测方法，S1获取恶意入侵流量数据得到网络流量特征数据集；S2将网络流量特征数据集进行划分并提取最优特征；S3对先验信息集进行预测得到错误分类样本和重叠样本分布情况；S4将错误样本与最优特征测试集进行特征值匹配，通过模型预测得到第一阶段预测结果；S5结合错误样本分布情况，得到重叠样本与非重叠样本，以重叠样本的先验信息为该重叠样本制定预测标签，得到第二阶段预测结果；S6对非重叠样进行分类预测得到第一拼接向量；S7将第一拼接向量通过排序学习模型预测，得到第三阶段预测结果；结合高斯混合模型以及排序学习解决同特征不同标签的样本以及类别易混淆样本分类效果差的问题。

公开(公告)号：CN113904846A

公开(公告)日：2022-01-07

申请号：CN202111174292.7

申请日：2021-10-09

Applicant: 北京理工大学

Inventor： 金福生 ,  陈梦楠 ,  袁野 ,  王树良 ,  王国仁

IPC: H04L9/40 ,  G06F21/56 ,  G06V10/764 ,  G06V10/77 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 结合高斯混合模型与排序学习的多阶段入侵检测方法，S1获取恶意入侵流量数据得到网络流量特征数据集；S2将网络流量特征数据集进行划分并提取最优特征；S3对先验信息集进行预测得到错误分类样本和重叠样本分布情况；S4将错误样本与最优特征测试集进行特征值匹配，通过模型预测得到第一阶段预测结果；S5结合错误样本分布情况，得到重叠样本与非重叠样本，以重叠样本的先验信息为该重叠样本制定预测标签，得到第二阶段预测结果；S6对非重叠样进行分类预测得到第一拼接向量；S7将第一拼接向量通过排序学习模型预测，得到第三阶段预测结果；结合高斯混合模型以及排序学习解决同特征不同标签的样本以及类别易混淆样本分类效果差的问题。

公开(公告)号：CN116245106A

公开(公告)日：2023-06-09

申请号：CN202310250195.4

申请日：2023-03-14

Applicant: 北京理工大学

Inventor： 陈梦楠 ,  蒋雨彤 ,  徐源 ,  金福生 ,  袁野 ,  王国仁

IPC: G06F40/295 ,  G06F40/30 ,  G06F18/214 ,  G06F16/35

Abstract: 本发明公开了一种基于自回归模型的跨域命名实体识别方法，包括以下步骤：S1.对输入序列进行编码；S2.通过标签编码器对标签进行编码；S3.获取标签背景信息S4.获取标签上下文信息S5.将标签背景信息连接到输入序列上，将标签上下文信息连接到预测的命名实体标签上，作为最终的标签感知信息zi，进而得到最终的序列表示u；本发明提供了一种基于自回归模型的跨域命名实体识别方法，通过提高源文本与其命名实体标签之间的关系，提高标签信息的可移植性，帮助模型促进域适应。