-
公开(公告)号：CN116562259A
公开(公告)日：2023-08-08
申请号：CN202310515881.X
申请日：2023-05-09
Applicant: 南京信息工程大学
IPC: G06F40/194 , G06F40/289 , G06F40/216 , G06F18/214 , G06N3/0442
Abstract: 本发明公开了一种基于孪生胶囊网络结合交互式特征的文本相似检测方法，以孪生网络为基础结构，减少了模型参数，使模型的训练更加容易也更加高效；胶囊网络不仅有效的提取特征潜在的语义信息也保留了句子的位置特征信息，从而能够有效地判别两个文本是否相似；通过长短期记忆网络提取全局特征后采用交互式特征捕获不同文本之间的关系，可以充分推理出两个文本间的差异性；将文本推理后的差异特征与孪生网络结合，不仅将全局特征信息和局部特征信息融合，同时也考虑了空间信息，最终得到文本相似检测结果；所以本发明可以提高文本相似检测的效果，减少文本相似检测耗费的时间。
-
公开(公告)号：CN115329388A
公开(公告)日：2022-11-11
申请号：CN202211266628.7
申请日：2022-10-17
Applicant: 南京信息工程大学
Abstract: 本发明涉及隐私保护技术领域，具体是一种面向联邦生成对抗网络的隐私增强方法，搭建云‑边联邦生成对抗网络和边‑端网络；通过本地化差分隐私技术保护终端原始数据，将扰动数据发送至边缘服务器进行聚合并解码，构建边缘数据集；云端服务器向边缘服务器发送初始化生成器和判别器模型进行训练，并将模型参数更新上传至云端服务器进行聚合，更新全局生成器和判别器模型；重复边缘和云服务器的交互过程，直至云端的全局生成器生成可用的数据。在跨通信和隐私受限的云‑边‑端网络结构下训练可用的生成对抗网络；在不损失边缘模型梯度精度的情况下为抵御梯度攻击提供了足够的保障；在增强联邦生成对抗网络隐私性的同时，确保了合成数据的质量。
-
公开(公告)号：CN118312681A
公开(公告)日：2024-07-09
申请号：CN202410197124.7
申请日：2024-02-22
Applicant: 南京信息工程大学
IPC: G06F16/9536 , G06F21/62 , G06F18/23213
Abstract: 本发明公开了一种基于树相似性聚类的差分隐私推荐方法，包括以下步骤：S1,将决策树思想融入推荐相似性构造中，通过用户‑物品评分矩阵R来综合用户间负影响关系；S2，通过用户i与j的相似性构建决策树模型，并在进行差分邻居选择前，将相似用户准确快速聚集分到不同簇中；S3，将相似性绝对值作为指数机制的效用函数，在聚类后的结果上进行差分隐私邻居集合选择，并得到所有邻居的评分信息；S4，根据S3所得到的评分信息进行筛选，选出分数最高的前m个项目作为目标用户ut的最终项目推荐列表；通过改善方法进行用户聚类，并利用差分隐私指数机制选取相似邻居用户，使得本方法在保护隐私的前提下提高了推荐精确度。
-
公开(公告)号：CN118070107B
公开(公告)日：2024-06-18
申请号：CN202410467852.5
申请日：2024-04-18
Applicant: 南京信息工程大学
IPC: G06F18/24 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及异常检测技术领域，公开了一种面向深度学习的网络异常检测方法、装置、存储介质及设备，包括：获取待检测的异常流量数据，输入到预先训练好的网络异常检测模型进行分类检测，得到检测结果；训练好的网络异常检测模型的训练过程包括：对获取的历史网络流量数据集进行预处理，然后对数据进行特征筛选来解决数据冗余问题；对进行特征筛选后的数据进行平衡处理；构建可变形卷积神经网络DCNN和改进的Transformer模型的混合网络用于实现网络流量分类；完成网络训练损失函数的定义；在课程学习的基础上使用训练集完成混合网络的训练，得到网络异常检测模型。本发明的有益效果为：显著提升了网络异常检测的精度和鲁棒性。
-
公开(公告)号：CN118070107A
公开(公告)日：2024-05-24
申请号：CN202410467852.5
申请日：2024-04-18
Applicant: 南京信息工程大学
IPC: G06F18/24 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及异常检测技术领域，公开了一种面向深度学习的网络异常检测方法、装置、存储介质及设备，包括：获取待检测的异常流量数据，输入到预先训练好的网络异常检测模型进行分类检测，得到检测结果；训练好的网络异常检测模型的训练过程包括：对获取的历史网络流量数据集进行预处理，然后对数据进行特征筛选来解决数据冗余问题；对进行特征筛选后的数据进行平衡处理；构建可变形卷积神经网络DCNN和改进的Transformer模型的混合网络用于实现网络流量分类；完成网络训练损失函数的定义；在课程学习的基础上使用训练集完成混合网络的训练，得到网络异常检测模型。本发明的有益效果为：显著提升了网络异常检测的精度和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN116484260B
公开(公告)日：2024-03-19
申请号：CN202310478997.0
申请日：2023-04-28
Applicant: 南京信息工程大学
IPC: G06F18/24 , G06F18/214 , G06F18/23 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/0895
Abstract: 本发明公开了一种基于双向时间卷积网络的半监督日志异常检测方法，涉及计算机技术领域，步骤为：收集来自不同系统产生的日志数据集；对每个原始日志条目进行拆分并对日志事件进行日志解析，获得日志条目对应的日志模板；通过BERT词嵌入模型对日志模板进行向量化；基于日志分组方法将所有日志条目分为日志序列，并结合语义向量化得到日志序列语义向量；通过聚类算法给出每条日志条目对应标签概率；将日志序列语义向量输入带有残差块的Bi‑TCN网络进行训练，得到训练好的模型BTCNLog，在测试阶段使用该模型对日志测试集进行异常检测，从而解决现有技术中日志解析准确率不高和标记样本不足所导致的异常检测准确率降低等问题。
-
公开(公告)号：CN116775425A
公开(公告)日：2023-09-19
申请号：CN202310569356.6
申请日：2023-05-19
Applicant: 南京信息工程大学
IPC: G06F11/34 , G06N3/0455 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于并行自动编码器的少样本日志异常检测方法，涉及机器学习技术领域，步骤为：将半结构化的原始日志数据，通过日志解析器Drain3进行结构化并提取日志模板；根据日志特性预处理日志语句并划分训练集、验证集、测试集；利用预训练的Glove词向量结合TF‑IDF算法将日志序列进行语义化表示；利用基于注意力的双向长短期记忆网络和并行自动编码器构建异常检测模型；利用迁移学习微调技术对异常检测模型进行训练，对所述日志序列语义向量进行异常检测。本发明利用并行自动编码器和迁移学习微调技术，解决了正负样本不平衡以及少样本日志异常检测带来的精度较低的问题，通过使用少量正样本获得了较好的异常检测效果。
-
公开(公告)号：CN116304842A
公开(公告)日：2023-06-23
申请号：CN202310561043.6
申请日：2023-05-18
Applicant: 南京信息工程大学
IPC: G06F18/24 , G06F40/284 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于CFC结构改进的胶囊网络文本分类方法，涉及自然语言处理文本分类技术领域，在传统胶囊网络的基础上，首先引入了CFC卷积全连接层作为胶囊的提取机制创建更少的初级胶囊提升分类效率；然后采用一种由反卷积层组成的新的解码器，捕获空间关系并且包含更少的参数；最后在胶囊网络中增加深度胶囊层筛选去除冗余胶囊提升网络的泛化能力，从而一方面提高了实验分类效率和分类准确率，另一方面也更适用于规模较大的数据集。
-
公开(公告)号：CN115687627A
公开(公告)日：2023-02-03
申请号：CN202211577299.8
申请日：2022-12-09
Applicant: 南京信息工程大学
IPC: G06F16/35 , G06F40/284 , G06F18/241 , G06F18/214 , G06N3/045 , G06N3/044 , G06N3/092
Abstract: 本发明公开了一种基于注意力机制的两步式轻量级文本分类方法，涉及文本分类技术领域，适用于部署在边缘设置中，利用一种堆叠式的轻量级循环神经网络，该网络是一种特殊的循环神经网络，可以全面地学习到输入的文本数据之间的关系；在保证模型准确率的同时，也保证了模型的轻量性；一方面利用轻量级的循环神经网络来探索文本数据的关系，避免了梯度消失和梯度爆炸问题的发生；同时也利用自注意力机制和通道注意力机制，结合轻量级循环神经网络来进一步探索文本数据之间的关系，一定程度上克服了模型模糊边界的问题，因此本文本分类方法具有更高的分类效率和更高的分类准确率。
-
公开(公告)号：CN119883570A
公开(公告)日：2025-04-25
申请号：CN202510013296.9
申请日：2025-01-06
Applicant: 南京信息工程大学
IPC: G06F9/48 , G06F9/50 , G06F18/2433 , G06N7/01 , G06N20/20
Abstract: 本发明公开了一种面向异构计算的资源调度方法及系统，涉及资源调度技术领域，该方法包括：采集异构计算环境中不同类型计算资源的性能指标数据和任务需求数据，并对采集的性能指标数据和任务需求数据进行预处理；将预处理后的性能指标数据和任务需求数据输入至集成学习模型中，并基于集成学习模型分析结果，得到资源调度策略；根据得到的资源调度策略，对异构计算环境中的资源进行动态分配和调整，并通过实时监控和反馈机制优化调度策略。本发明通过采集异构计算环境中不同类型计算资源的性能指标数据和任务需求数据，能够准确地掌握资源的实际能力和任务的具体需求，有助于实现对异构资源的有效整合，提高整体计算效率。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.027 seconds)
