-
公开(公告)号：CN103646061A
公开(公告)日：2014-03-19
申请号：CN201310636447.3
申请日：2013-12-02
Applicant: 东南大学
IPC: G06F17/30
CPC classification number: G06Q10/063
Abstract: 本发明公开了一种面向服务的需求分析方法，首先将用户需求抽象为一个七元组，对已有的web服务做预处理，然后根据七元组与元服务的语义距离判断是否需要需求分析；进行需求分析时，先候选元服务之间的关联，然后寻找能够得到用户需求需要的所有输出参数的路径，并按照用户满意度从高到低排序后反馈给用户。本发明方法利用已有服务，有目的地分解需求，并及早进行粒度控制，使得需求分解过程尽早结束，可提供高效的分解服务，并构建一个有色petri网模型。
-
公开(公告)号：CN102882937A
公开(公告)日：2013-01-16
申请号：CN201210328724.X
申请日：2012-09-06
Applicant: 东南大学
IPC: H04L29/08
Abstract: 本发明公开了一种基于用户偏好不完整和偏好冲突的Web服务选择方法，包括以下步骤：当接收到用户的偏好描述后，系统算法首先检查偏好的一致性，如果偏好包含冲突，则会执行环路去除过程以消除所有环路；然后，将修正过的偏好描述传递给服务选择模块，该模块将会检索出最大程度满足用户偏好的Web服务，如果选择的结果集对用户来说太大以至于不能被用户接受，偏好描述就被传递给偏好补充模块，该模块将提供用户可能同意添加的偏好，然后继续进行服务选择模块，这个过程将一直执行下去直到服务选择得到的结果集是用户满意的或已经没有附加的偏好可用来补充当前用户的偏好信息为止，以此来提高Web服务选择的准确性。
-
公开(公告)号：CN115981908A
公开(公告)日：2023-04-18
申请号：CN202310025952.8
申请日：2023-01-09
Applicant: 东南大学
IPC: G06F11/07 , G06F18/23213 , G06F18/2431
Abstract: 本发明提供了一种动态多变环境下的服务故障类型定位以及根因追溯的系统。对于服务故障类型诊断，方案主要包括进行故障实体的抽取生成的故障图谱以及故障类型聚类分析。具体采用了融合BERT模型的基于坍缩标签机制的小样本故障实体抽取模型；采用K‑Means++的故障实体聚类算法优化故障实体类的聚合问题；增加了基于森林随机分类器的评分机制提高故障实体抽取质量。对于故障的根因溯源，主要方案主要包括基于多种类型的时序指标动态生成服务关联异常行为图以及设计动态启发式算法来确定故障产生的源服务集群。该方案提出了一种全新的服务故障类型分析方法同时还对于故障的根因服务进行了溯源，全面提高了服务故障分析的精度。
-
公开(公告)号：CN114442998A
公开(公告)日：2022-05-06
申请号：CN202210102008.3
申请日：2022-01-27
Applicant: 东南大学
Abstract: 本发明以系统动力学领域中的元胞自动机(CA)建模OSS项目，构建了灰狼优化算法(GWO)的CA演化规则，定义了面向OSS元胞演化的灰狼优化目标向量、目标函数和优化关键算子，实现了GitHub中的OSS项目演化规则的智能获取。本发明选取了GitHub中2015年至2020年的2971个OSS项目数据进行了模拟实验，实验结果得出模拟的总体准确率较高，与真实数据具有较好的一致性。
-
公开(公告)号：CN110011833B
公开(公告)日：2022-04-22
申请号：CN201910179581.2
申请日：2019-03-11
Applicant: 东南大学
IPC: H04L41/147 , H04L41/14 , G06N3/08 , G06N3/04
Abstract: 本发明公开了一种基于深度学习的服务系统在线可靠性预测方法，将深度置信神经网络与长短期记忆神经网络相结合，首先利用深度置信神经网络对历史的可靠性序列进行特征提取；然后利用长短期记忆神经网络以及改进的双向长短期记忆神经网络对处理后的可靠性序列进行预测，提高预测的准确性。本发明可以有效地实现服务系统可靠性的在线预测，能反映服务系统实时可靠性的动荡无规律的特点，可以为基于服务组合的服务系统的质量保障提供有关于系统可靠性方面的早期信息，为有效地预防服务系统的错误及质量异常的发生提供支持。
-
Patent Agency Ranking
公开(公告)号：CN114003270A
公开(公告)日：2022-02-01
申请号：CN202111280074.1
申请日：2021-10-29
Applicant: 东南大学
Abstract: 本发明提供了一种基于深度学习的软件安全漏洞修复者推荐方法，具体而言，考虑在修复过程中开发者的行为，一方面将CNN与RNN相结合，同时引入注意力机制提取漏洞的文本特征，另一方面，对开发者多重协作网络过程建模，通过图神经网络获取结构特征向量，从而更精确的发掘出漏洞修复者信息，提高漏洞修复者推荐准确率。
-
公开(公告)号：CN113239358A
公开(公告)日：2021-08-10
申请号：CN202110264728.5
申请日：2021-03-11
Applicant: 东南大学
Abstract: 本发明提供基于知识图谱的开源软件漏洞挖掘方法，将知识表示学习与图卷积神经网络相结合，给开源项目提供漏洞发现与预测工具，从而保证开源项目组件调用的安全性。首先，本发明通过开源软件领域知识本体构建知识图谱，实体类包括了项目、依赖库、项目版本、漏洞ID，缺陷ID等。然后分析了将图模型方法应用于软件漏洞领域知识实体可行性，为软件漏洞挖掘提供理论基础。最后提出知识表示学习与图卷积神经网络相结合的方法，将项目中实体信息、结构性特征等历史数据信息作为训练数据训练图卷积神经网络的模型，用于软件漏洞的发现与预测。为提高模型的训练效率，使用知识表示学习模型嵌入实体的结构性特征，从而更高效、精确地发掘出项目漏洞信息。
-
公开(公告)号：CN112861181A
公开(公告)日：2021-05-28
申请号：CN202110254821.8
申请日：2021-03-09
Applicant: 东南大学
Abstract: 本发明提供一种基于区块链的群智化软件开发安全机制的方法，首先通过区块链技术构建去中心化的软件开发方式，将传统的集中式群智化任务处理的交易步骤放到区块链节点上，使得所有信息能够公开透明，不可篡改和可追溯，并引入同态加密技术，其可以在密文上进行同样操作使得和明文上的结果相同，从而在使得在验证服务时使用用户信息，而不暴露用户隐私信息。本发明可以合理有效保证群智化软件开发安全运作。
-
公开(公告)号：CN106850289B
公开(公告)日：2020-04-24
申请号：CN201710055817.2
申请日：2017-01-25
Applicant: 东南大学
Abstract: 本发明公开了一种结合高斯过程与强化学习的服务组合方法，包括如下步骤：1、将服务组合问题建模为一个四元组马尔可夫决策过程；2、应用基于Q‑learning的强化学习方法求解四元组马尔可夫决策过程，得到最优策略；其中通过建立Q值高斯预测模型来对Q值进行更新；3、将最优策略映射为web服务组合的工作流。该方法使用高斯过程对Q值的学习进行建模，从而使其具有更好的精确性和泛化性。
-
公开(公告)号：CN110011833A
公开(公告)日：2019-07-12
申请号：CN201910179581.2
申请日：2019-03-11
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度学习的服务系统在线可靠性预测方法，将深度置信神经网络与长短期记忆神经网络相结合，首先利用深度置信神经网络对历史的可靠性序列进行特征提取；然后利用长短期记忆神经网络以及改进的双向长短期记忆神经网络对处理后的可靠性序列进行预测，提高预测的准确性。本发明可以有效地实现服务系统可靠性的在线预测，能反映服务系统实时可靠性的动荡无规律的特点，可以为基于服务组合的服务系统的质量保障提供有关于系统可靠性方面的早期信息，为有效地预防服务系统的错误及质量异常的发生提供支持。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.055 seconds)
