-
公开(公告)号：CN103716204B
公开(公告)日：2017-02-08
申请号：CN201310712975.2
申请日：2013-12-20
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种基于维纳过程的异常入侵检测集成学习方法，包括以下步骤：选择网络流量数据集；将每个网络流量样本及其样本概率分布输入到未初始化的神经网络分类器或者经过上次训练得到的神经网络弱分类器中，判断神经网络弱分类器对每个网络流量样本是否分类错误，调整每个网络流量样本的数量及样本概率分布；反复执行步骤2，得到多个神经网络弱分类器；分别确定每个神经网络弱分类器的权重；根据每个弱分类器及每个弱分类器对应的权重，得到强分类器；将待检测网络数据流输入到强分类器中，得到入侵检测结果；重复执行步骤6，直至所有待检测网络数据流检测完毕。本发明能够解决不平衡数据集的分类问题、得到分类正确率较高的无偏分类器。
-
公开(公告)号：CN104834686A
公开(公告)日：2015-08-12
申请号：CN201510184876.0
申请日：2015-04-17
Applicant: 中国科学院信息工程研究所
IPC: G06F17/30
Abstract: 本发明涉及一种基于混合语义矩阵的视频推荐方法，其步骤包括：1)对视频描述信息进行分词，根据词频提取关键词作为视频描述标签；2)通过Word2vec工具对包含所述视频描述标签在内的各视频标签进行向量化；3)采用熵化法得到各视频标签的权重，并构建具有权重的混合语义矩阵，通过所述混合语义矩阵表示视频与其标签之间的对应关系；4)根据所述混合语义矩阵，将视频的相似性计算转化为向量的相似度计算，实现对用户的个性化视频推荐。本发明在继承内容过滤推荐算法简单、高效的特点的同时，实现了智能特征提取和标签量化、权重分配，避免了这个过程中的专家参与，提高了视频推荐的准确率。
-
公开(公告)号：CN103617235A
公开(公告)日：2014-03-05
申请号：CN201310611396.9
申请日：2013-11-26
Applicant: 中国科学院信息工程研究所
IPC: G06F17/30
CPC classification number: G06F17/3089
Abstract: 本发明涉及一种基于粒子群算法的网络水军账号识别方法，具体包括以下步骤：步骤1：收集β个用户的用户信息，从所述每个用户信息中提取λ个相关指标，得到β个指标向量；步骤2：对λ个指标根据需要分配权重，得到权重向量；步骤3：将β个指标向量按照其中每个指标大小进行排序，得到λ个序列；步骤4：选取每个用户为粒子，应用粒子群算法，将符合条件的粒子保存到水军用户列表；步骤5：选取水军用户列表中所有可疑水军用户，将符合条件的所有邻居加入水军用户列表。本发明在实时性方面，本发明提出的基于改进粒子群算法的网络水军账号识别方法更为适宜。
-
公开(公告)号：CN114896539B
公开(公告)日：2025-05-06
申请号：CN202210350716.9
申请日：2022-04-02
Applicant: 中国科学院信息工程研究所
IPC: G06F16/958 , G06F16/901 , G06N3/0455 , G06N3/0464 , G06N3/042
Abstract: 本发明涉及一种基于图变分自编码器的匿名社交图恢复方法及系统。对匿名后的社交网络构建社交图，其中用户作为节点，用户之间的关联作为边集，对社交图提取邻接矩阵和节点集；将邻接矩阵和节点集输入图变分自编码器中的编码器，通过编码器提取社交图中节点的结构特征，构成潜层向量空间，以扩大虚假边和真实边的距离；利用图变分自编码器中的解码器对边的存在性进行合理性评判，根据合理性评判结果，通过设定阈值识别增加的虚假边，从而完成针对匿名社交图的恢复。本发明针对现有图匿名攻击的缺陷，实现了一种社交图中匿名虚假边识别原型系统，其编码‑解码结构能提取虚假边区别于正常边的隐式特征，高准确率识别还原社交网络图。
-
公开(公告)号：CN114021637B
公开(公告)日：2025-04-22
申请号：CN202111282170.X
申请日：2021-11-01
Applicant: 中国科学院信息工程研究所
IPC: G06F18/241 , G06F18/213 , G06F18/214 , G06F18/22 , G06F18/23213 , G06N3/09 , H04L9/40
Abstract: 本发明公开了一种基于度量空间下去中心化应用加密流量分类方法及装置，包括收集去中心化应用的加密流量，对各加密流量标记应用；利用各加密流量的特征向量，进行聚类，以划分简单样本和困难样本；将聚类结果中任一困难样本作为正样本F，该正样本F所属类别的簇中心点作为正样本簇中心CF，其他类别中的任一困难样本作为负样本F′i，该负样本F′i所属类别的簇中心点作为#imgabs0#以构建若干四元组#imgabs1#利用四元组S对四重网络进行训练，得到分类模型；将测试集中的样本输入分类模型，在度量空间下计算相似度，获取目标加密流量的分类结果。本发明提供包含更多信息的优质样本，有效的筛选简单数据集，通过网络自动学习有效特征，使DApps分类更加高效、更加准确。
-
Patent Agency Ranking
公开(公告)号：CN106850599A
公开(公告)日：2017-06-13
申请号：CN201710037609.X
申请日：2017-01-18
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开了一种基于融合用户行为和迅雷ID的NAT检测方法。本方法为：1)流量处理平台从捕获的网络流量中提取User‑Agent、Cookie ID、和迅雷ID信息，并将提取出的信息拼接成JSON串；2)根据网络流量的五元组将JSON串负载均衡到流量处理平台中相应的服务器进行处理；3)所述服务器根据五元组对数据进行分类，当判断某一五元组对应的TCP流结束时；对该TCP流进行在线处理；其中，在线处理方法为：根据五元组计算客户端IP的主机出度、主机入度，判定该客户端IP的NAT属性，并计算该客户端IP的主机规模。本发明能够对大量IP属性进行标定并对NAT规模进行精准判断。
-
公开(公告)号：CN103617235B
公开(公告)日：2017-01-25
申请号：CN201310611396.9
申请日：2013-11-26
Applicant: 中国科学院信息工程研究所
IPC: G06F17/30
Abstract: 本发明涉及一种基于粒子群算法的网络水军账号识别方法，具体包括以下步骤：步骤1：收集β个用户的用户信息，从所述每个用户信息中提取λ个相关指标，得到β个指标向量；步骤2：对λ个指标根据需要分配权重，得到权重向量；步骤3：将β个指标向量按照其中每个指标大小进行排序，得到λ个序列；步骤4：选取每个用户为粒子，应用粒子群算法，将符合条件的粒子保存到水军用户列表；步骤5：选取水军用户列表中所有可疑水军用户，将符合条件的所有邻居加入水军用户列表。本发明在实时性方面，本专利提出的基于改进粒子群算法的网络水军账号识别方法更为适宜。
-
公开(公告)号：CN103745002B
公开(公告)日：2017-01-18
申请号：CN201410035139.X
申请日：2014-01-24
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种基于行为特征与内容特征融合的水军识别方法及系统，其方法为，采集包括用户行为特征和内容特征的原始数据；利用马尔可夫链蒙特卡罗随机模型进行行为特征维度和内容特征维度的融合，组成用户特征向量；利用用户特征向量进行DBN模型训练，得到DBN模型；对DBN模型进行检测，判断检测结果是否达到预定标准，如果是则结束；否则根据检测结果生成相应的调节命令，分别调节特征融合阶段和DBN模型训练阶段的相关参数；在DBN训练过程中根据识别准确率不断优化行为特征与内容特征的比例分配，具体特征的选取，以及对DBN模型训练过程中迭代次数的调整，达到较优的训练效果，最终提高识别准确率和识别方法的自适应性。
-
公开(公告)号：CN103729678B
公开(公告)日：2016-10-05
申请号：CN201310681479.5
申请日：2013-12-12
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种基于改进DBN模型的水军检测方法，具体包括以下步骤：步骤1：采用已分类数据集对原始DBN深度信念网络模型进行训练和检测，构成改进DBN深度信念网络模型；步骤2：将待分类数据集中的数据输入改进DBN深度信念网络模型进行分类，完成对水军用户的识别。本发明结合DBN深度信念网络和PSO粒子群算法对“苍蝇水军”进行识别，然后构造DBN模型，用已分类数据集对模型进行训练，最后用得到的模型对待分类用户数据进行分类，即实现了“苍蝇水军”的识别。该方法是对BP神经网络算法的改进，既可以保证较高的判定准确率，又具有较短的训练时间，且不易陷入局部最优解。
-
公开(公告)号：CN103716204A
公开(公告)日：2014-04-09
申请号：CN201310712975.2
申请日：2013-12-20
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种基于维纳过程的异常入侵检测集成学习方法，包括以下步骤：选择网络流量数据集；将每个网络流量样本及其样本概率分布输入到未初始化的神经网络分类器或者经过上次训练得到的神经网络弱分类器中，判断神经网络弱分类器对每个网络流量样本是否分类错误，调整每个网络流量样本的数量及样本概率分布；反复执行步骤2，得到多个神经网络弱分类器；分别确定每个神经网络弱分类器的权重；根据每个弱分类器及每个弱分类器对应的权重，得到强分类器；将待检测网络数据流输入到强分类器中，得到入侵检测结果；重复执行步骤6，直至所有待检测网络数据流检测完毕。本发明能够解决不平衡数据集的分类问题、得到分类正确率较高的无偏分类器。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.042 seconds)
