-
公开(公告)号：CN106131862B
公开(公告)日：2019-08-16
申请号：CN201610511177.7
申请日：2016-07-01
Applicant: 厦门大学 , 常州梯卫士网络科技有限公司
CPC classification number: Y02D70/00
Abstract: 本发明提出一种无线传感器网络中基于多目标进化算法的优化覆盖方法，首先创建无线传感器网络的数学模型及目标函数，随机生成一种群，采用基于非支配排序和维度双向搜索的多目标进化算法主要流程如下：维持一个大小为N的种群，并通过不断迭代，引导算法逼近Pareto最优前沿。在每一次迭代过程中，首先给定一个种群Pt；引入基于改进差分运算的双向定向局部搜索策略用于产生一个更好的种群Pt′；然后，采用快速非支配排序算法对合并种群Pt∪Pt′进行排序并生成偏序边界，引入新分布度维持策略与快速非支配排序算法结合，以选择一个新的种群进入下一次进化，最终获得使得无线传感器网络所有节点的总工作功率小，同时又能保证覆盖率的最大化的种群方案。
-
Patent Agency Ranking
公开(公告)号：CN104850727B
公开(公告)日：2017-09-29
申请号：CN201510038233.5
申请日：2015-01-27
Applicant: 厦门大学 , 常州梯卫士网络科技有限公司
IPC: G06F19/00
Abstract: 本发明公开一种基于云重心理论的分布式大数据系统风险评估方法，包括过程1：对风险等级进行划分，通过标准云生成器产生标准风险云；过程2：对虚拟机节点的相关信息进行采集，并进行数据预处理，获得Risk(P,T,A,R)风险描述向量和RiskAHP‑RBF值；其中Risk(P,T,A,R)风险描述向量是指虚拟机性能指标P、虚拟机时间指标T、报警日志指标A和LSA风险识别指标R；过程3：对描述各属性的风险度向量进行归一化处理，使用风险度云逆向生成器产生数学风险云(也即4个属性风险云和一个综合风险云)；过程4：将各属性风险云综合分析得到综合风险云Riskcloud；过程5：计算相似度并进行评价得出风险等级；过程6：以过程5的风险等级为依据，对当前汇聚云表示的风险等级进行评价。
-
公开(公告)号：CN104850727A
公开(公告)日：2015-08-19
申请号：CN201510038233.5
申请日：2015-01-27
IPC: G06F19/00
Abstract: 本发明公开一种基于云重心理论的分布式大数据系统风险评估方法，包括过程1：对风险等级进行划分，通过标准云生成器产生标准风险云；过程2：对虚拟机节点的相关信息进行采集，并进行数据预处理，获得Risk(P,T,A,R)风险描述向量和RiskAHP-RBF值；其中Risk(P,T,A,R)风险描述向量是指虚拟机性能指标P、虚拟机时间指标T、报警日志指标A和LSA风险识别指标R；过程3：对描述各属性的风险度向量进行归一化处理，使用风险度云逆向生成器产生数学风险云(也即4个属性风险云和一个综合风险云)；过程4：将各属性风险云综合分析得到综合风险云Riskcloud；过程5：计算相似度并进行评价得出风险等级；过程6：以过程5的风险等级为依据，对当前汇聚云表示的风险等级进行评价。
-
公开(公告)号：CN106131862A
公开(公告)日：2016-11-16
申请号：CN201610511177.7
申请日：2016-07-01
Applicant: 厦门大学
Abstract: 本发明提出一种无线传感器网络中基于多目标进化算法的优化覆盖方法，首先创建无线传感器网络的数学模型及目标函数，随机生成一种群，采用基于非支配排序和维度双向搜索的多目标进化算法主要流程如下：维持一个大小为N的种群，并通过不断迭代，引导算法逼近Pareto最优前沿。在每一次迭代过程中，首先给定一个种群Pt；引入基于改进差分运算的双向定向局部搜索策略用于产生一个更好的种群Pt′；然后，采用快速非支配排序算法对合并种群Pt∪Pt′进行排序并生成偏序边界，引入新分布度维持策略与快速非支配排序算法结合，以选择一个新的种群进入下一次进化，最终获得使得无线传感器网络所有节点的总工作功率小，同时又能保证覆盖率的最大化的种群方案。
-
公开(公告)号：CN104978612A
公开(公告)日：2015-10-14
申请号：CN201510414923.6
申请日：2015-07-15
Abstract: 本发明公开一种基于AHP-RBF的分布式大数据系统风险预测方法，包括如下步骤：步骤1：采用AHP方法构建云计算虚拟机的单点风险描述模型；步骤2：用RBF神经网络实现AHP的风险指标的预测；RBF神经网络包含3层：第一层是输入层，由信号源节点组成；第二层为隐含层，该层所含的神经元数目是由具体问题而定的；第三层为输出层，主要是对输入模式做出响应；步骤3：采用MRPGA算法对RBF神经网络的隐含层优化，实现RBF神经网络对云计算虚拟机的单点风险预测；首先采用混合递阶遗传算法训练RBF神经网络，其将递阶遗传算法与递推最小二乘法相结合，利用递阶遗传算法确定RBF神经网络的结构、隐含层节点的中心和宽度，同时用递推最小二乘法对隐含层和输出层之间的连接权值进行构造。
-
公开(公告)号：CN104636449A
公开(公告)日：2015-05-20
申请号：CN201510038331.9
申请日：2015-01-27
IPC: G06F17/30
CPC classification number: H04L41/145 , G06F17/30705 , H04L41/069
Abstract: 本发明公开一种基于LSA-GCC的分布式大数据系统风险识别方法，其包括如下过程：步骤1：建立LSA-GCC模型，该LSA-GCC模型用于将数据集映射到一个语义空间下，并采用聚类算法对其进行分类后，从聚类结果中抽取特定分类的原型向量，并对各个分类赋予一定权值，建立初始的原型向量模型；步骤2：通过LSA-SAM安全识别模型对风险进行前馈识别，LSA-SAM安全识别模型以LSA-GCC模型为基础进行信息系统风险评测，将待评估数据映射到同一语义空间后，与各个分类的原型向量作计算得到属于该分类的相似度，作相似度与对应分类的权值的累加和，最后求均值得到该待评估数据的风险值，即求得该数据到来时刻的风险值。
-
-
-
-
-
Search Results
6
records
(took 0.026 seconds)
