-
公开(公告)号：CN109858930B
公开(公告)日：2023-06-09
申请号：CN201910068238.0
申请日：2019-01-24
Applicant: 同济大学
Abstract: 基于关联图谱表征学习的线上交易欺诈检测方法，其特征在于，包括两个步骤部分，第一个部分利用关联图谱生成异质信息网络和利用异质网络表征学习自动抽取特征，得到交易属性的向量表示；第二个部分在学习到交易属性的向量表示情况下，基于分类器实现预测交易异常可能性的过程。本发明在于克服传统欺诈检测方法的不足，节省了大量特征工程工作量，自动得到有利于欺诈检测的特征，对检测欺诈交易、拦截欺诈交易和保护用户和企业的资金安全有更好的保障。
-
公开(公告)号：CN111277433A
公开(公告)日：2020-06-12
申请号：CN202010042262.X
申请日：2020-01-15
Applicant: 同济大学
Abstract: 本发明公开了一种基于属性网络表征学习的网络服务异常检测方法及装置，包括：获取初始网络服务数据，并基于其构建异质信息网络，获取节点属性集合；基于节点属性集合构建属性向量集，并根据属性向量集和异质信息网路构建属性信息网络；基于属性信息网络构建目标函数，并基于对其求解得到的网络表征学习要学习的节点对应向量构建属性信息网络中节点和与其对应的向量表征的映射关系；基于训练集数据训练得到异常检测模型，并根据异常检测模型计算测试集数据中每笔网络服务数据的异常概率。本发明增强了属性信息网络中节点的关联性，提高了异常检测模型的泛化能力，对检测异常、拦截异常和保护用户和企业的资金安全有更好的保障。
-
公开(公告)号：CN114387092B
公开(公告)日：2025-03-21
申请号：CN202210111445.1
申请日：2022-01-29
Applicant: 同济大学
IPC: G06Q40/03 , G06F18/22 , G06N20/00 , G06F40/30 , G06F40/295
Abstract: 本发明属于网络借贷欺诈预测技术领域，公开了一种基于多阶段数据表征的网络借贷欺诈预测方法，包括以下步骤：步骤S101：根据原始网络借贷申请数据选定可用字段构建原始信息网络，然后将节点划分为实体和属性，构建由实体层和属性层组成的分层信息网络；步骤S102：从属性层中提取一个属性网络，给每个属性附加一个预训练的词向量来反映属性之间的语义相似性，利用网络表征学习将从先验和外部语义知识中获取的属性相似信息和属性共现关联融入属性对应的嵌入向量中；步骤S103，实体表征；步骤S104，欺诈预测。本发明增强了网络借贷申请事务中信息关联的密度，提高了网络借贷欺诈预测模型的检测能力，对保护用户和企业的资金安全有更好的保障。
-
公开(公告)号：CN119232465A
公开(公告)日：2024-12-31
申请号：CN202411353800.1
申请日：2024-09-26
Applicant: 同济大学
Abstract: 本发明属于网络攻击检测领域，具体涉及一种基于溯源图行为信息的APT攻击检测方法。分为四个步骤：步骤1、数据预处理；步骤2、子图生成；步骤3、行为特征提取；对每一张子图进行特征提取，包括节点特征提取和边特征提取；步骤4、分类模型设计、训练、异常检测；训练和测试分类模型，利用训练好的模型依次分类每一条边的类型，当某一条边无法被现有任何一个子模型正确分类时，判定其为异常，并输出它的行为结构图。本发明在溯源图的建模中引入了行为属性及其结构信息，超越了传统关注实体交互关系的范畴；通过引入池化方法和图表征学习，提高了模型的表达能力，使其更有效地捕捉行为结构中的重要信息，在初始结构信息的基础上不断优化。
-
公开(公告)号：CN119149238A
公开(公告)日：2024-12-17
申请号：CN202411387649.3
申请日：2024-10-06
Applicant: 同济大学
IPC: G06F9/50 , G06F18/2415 , G06F18/214 , G06F18/21 , G06N3/08 , G06N3/045 , G06N3/0499 , G06N3/0464 , G06N3/048
Abstract: 本发明涉及算力网络预测，提出了一种面向算力网络的多类型任务需求预测方法。该方法通过对算力网络场景中的多类型任务需求进行分析和特征提取，通过深度神经网络对任务需求进行分析和处理，输出分类结果，将分类后的任务需求通过频率注意力机制和非平稳因子相结合的方式处理，不仅能够实现自动从全局数据中抽取更深层次的关联特征，而且能够自动识别出任务中的突变需求，从而提高了算力网络场景下多类型任务需求的预测精度。对比传统的方法，本方法从时域和频域结合的角度对算力网络任务需求数据进行刻画，并引入非平稳因子，能够有效地识别出任务需求中的突变性数据，具有更高的准确性和适用性。
-
Patent Agency Ranking
公开(公告)号：CN118277093A
公开(公告)日：2024-07-02
申请号：CN202410379722.6
申请日：2024-03-29
Applicant: 同济大学
IPC: G06F9/50 , G06N3/0455 , G06N3/084
Abstract: 本发明属于负载预测领域，尤其涉及一种面向算力网络的负载预测方法，包括以下步骤：步骤S101，根据原始的算力网络服务器获取初始算力网络负载数据，基于获取的数据构建数据集；步骤S102，将采集到的数据集划分为训练集、验证集和测试集并进行数据预处理，方便后续模型使用；步骤S103，使用深度学习算法构建模型，使用训练集对模型进行训练，并通过验证集进行验证，不断的调整超参数直到预测结果和真实值接近，最后使用测试集测试最终的效果；步骤S104，比较真实的算力负载和基于历史数据预测出来的结果，将真实的负载数据重新组成新的数据集，加入到深度学习模型训练模块进行再次训练。本发明方法具有高准确性、实时性、自适应性等优点。
-
公开(公告)号：CN111028073B
公开(公告)日：2023-05-12
申请号：CN201911101576.6
申请日：2019-11-12
Applicant: 同济大学
IPC: G06Q40/03
Abstract: 一种网络借贷欺诈检测系统，嵌入于互联网网络借贷审核系统，连接网络借贷记录数据供应模块，包括网络构建与更新模块、网络学习表征模块、特征构建模块、欺诈检测模型。网络构建与更新模块，包括关系借贷网络构建与更新模块、同质借贷网络的构建与更新模块，关系借贷网络构建与更新模块与同质借贷网络的构建与更新模块连接；网络表征学习模块，包括静态网络表征学习模块和增量式网络表征学习模块；特征构建模块，包括数据向量化模块和时序特征构造模块，数据向量化模块输出与时序特征构造模块输入连接，静态网络表征学习模块和增量式网络表征学习模块的输出分别与数据向量化模块的输入连接；所述欺诈检测模块，对测试数据实现欺诈检测。
-
公开(公告)号：CN113887578A
公开(公告)日：2022-01-04
申请号：CN202111072239.6
申请日：2021-09-14
Applicant: 同济大学
Abstract: 本发明涉及一种基于分层网络表征学习的工业设备事件检测方法及设备，所述方法包括：获取待检测事件数据，通过一预训练的分层网络表征学习模型，获得属性表征和映射关系，从而获得与待检测事件对应的事件表征，将所得事件表征与所有正常和异常事件的簇心计算欧氏距离，将待检测事件归类为距离小的一类。与现有技术相比，本发明具有更强的异常检测能力和鲁棒性。
-
公开(公告)号：CN119621568A
公开(公告)日：2025-03-14
申请号：CN202411717812.8
申请日：2024-11-27
Applicant: 同济大学
IPC: G06F11/3668 , G06N20/00
Abstract: 本发明属于EOL下线测试程序自动生成领域，具体涉及一种基于强化学习的车辆域控制器EOL测试程序生成方法。包括以下步骤：S1：从原理图中获取的元器件原始数据，将原始电路及元器件连接属性进行数据处理，组合成最小电路组合数据；S2：在步骤S1得到的二维向量数据集上构建一个最优EOL下线测试用例选择模型；S3：基于S2模型，利用Q‑Learning算法生成当前优先级最高的EOL测试程序；S4：根据评判标准来选择出最优的测试用例。本发明方法解决了测试结果施加奖励方法的缺陷是检测失效率低，难以收敛；测试反馈时间长的问题。
-
公开(公告)号：CN119276605A
公开(公告)日：2025-01-07
申请号：CN202411561485.1
申请日：2024-11-04
Applicant: 同济大学
IPC: H04L9/40 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于细粒度属性结构图的APT攻击检测方法，包括以下步骤：步骤S1：解析系统日志，提取实体对应属性，形成属性结构图；步骤S2：训练结构感知图自编码器模型；步骤S3：通过异常检测模型中识别异常节点；步骤S4：根据实体与属性映射表，将步骤S3中筛选出的异常节点映射成对应实体，并返回实体对应的异常日志条目。本发明突破固有的信息粒度的限制，使用属性结构特征表征网络行为中的实体，充分挖掘出攻击行为的结构特征，提高了对隐蔽的APT攻击形式的检测能力，缩减异常日志范围，降低了人工筛选处理恶意攻击日志的负担。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.019 seconds)
