-
公开(公告)号：CN107426199B
公开(公告)日：2020-10-30
申请号：CN201710541775.3
申请日：2017-07-05
Applicant: 浙江鹏信信息科技股份有限公司
Abstract: 本发明公开了一种网络异常行为检测与分析的方法及系统，用以解决现有技术中训练数据不平衡影响训练效果并且无法对所有种类的攻击行为和攻击手段进行穷举的问题。该方法包括：S1、统计安全用户的访问行为特征数据；S2、根据所述特征数据构建一类支持向量机模型；S3、利用所述一类支持向量机模型对全网用户的访问行为特征进行预测分析以识别异常访问行为。本发明基于机器学习，更好地检测到网络的异常行为，及时发现不同类型的攻击，利用数据挖掘的特点，研究在线网络异常行为分析与检测，从而能够针对其作出有效的决策响应，提高网络安全性和资源利用率。
-
公开(公告)号：CN108153727B
公开(公告)日：2020-09-08
申请号：CN201711363955.3
申请日：2017-12-18
Applicant: 浙江鹏信信息科技股份有限公司
IPC: G06F40/284 , G06F16/35 , G06F16/36
Abstract: 本发明公开了利用语义挖掘算法标识营销电话的方法及治理营销电话的系统。本发明利用语义挖掘算法标识营销电话的方法具体步骤包括：S1、划分电话的标签为不同的种类；S2、建立词典库，词典库包括标签对应的词向量；S3、抽取词典库中属于同一种类的标签构成一层训练样本；S4、利用多层训练样本进行训练，得到分类模型；S5、根据分类模型，标识词典库中的词向量所属的种类；本发明还公开了一种利用语义挖掘算法治理营销电话的系统。本发明利用语义挖掘算法标识营销电话的方法及治理营销电话的系统，能够对营销电话进行精准的分类，用户能够自主选择接入电话的类别，达到了对营销电话精准拦截的目的。
-
公开(公告)号：CN107040546B
公开(公告)日：2020-03-03
申请号：CN201710382660.4
申请日：2017-05-26
Applicant: 浙江鹏信信息科技股份有限公司
Abstract: 本发明公开了一种域名劫持检测与联动处置方法及系统，用以解决现有的域名劫持检测技术地址库维护复杂，误报率高同时缺乏有效的联动处置手段的问题。该方法包括：S1、针对需要域名劫持防护的网站创建检测任务；S2、对所述网站进行域名解析拨测；S3、根据A记录地址、授权服务器域名信息及别名信息判断所述网站是否被域名劫持。本发明进一步优化域名劫持判定技术，引入授权服务器域名及别名综合判定机制，同时联动智能的域名重定向技术实现域名劫持监控与处置，总体上有效减少传统监控手段误报、漏报等问题，同时能够快速联动处置，提高域名劫持事件应急效率。
-
公开(公告)号：CN110321936A
公开(公告)日：2019-10-11
申请号：CN201910516296.5
申请日：2019-06-14
Applicant: 浙江鹏信信息科技股份有限公司
Abstract: 本发明公开了一种基于VGG16及SVM实现图片二分类的方法，包括步骤：步骤S1、将训练图片输入VGG16，确定所述训练图片的特征参数；步骤S2、将所述特征参数输入SVM分类器，通过迭代与反向传播完成分类模型训练；步骤S3、基于所述分类模型判断图片是否为不良图片。相较于传统的基于神经网络的图片分类，计算复杂度低，处理效率高。此外，本发明通过实验表明能够有较高的精确率、召回率和准确率。
-
公开(公告)号：CN108566627A
公开(公告)日：2018-09-21
申请号：CN201711205293.7
申请日：2017-11-27
Applicant: 浙江鹏信信息科技股份有限公司
Abstract: 本发明公开了一种利用深度学习识别诈骗短信的方法及系统，用以解决诈骗短信的特征千变万化导致算法识别准确率不高的问题。该方法包括：获取短信样本的文本数据并进行分词处理；采用Word2Vec对分词后的文本数据转化为词向量；采用LSTM算法将所述词向量转化为句向量；将所述句向量作为softmax分类器的输入向量以训练深度学习模型；根据训练后的所述深度学习的softmax分类器的输出结果识别诈骗短信。本发明提供一种利用深度学习对诈骗短信进行识别的方法及系统，提高了对诈骗短信准确识别的能力。
-
Patent Agency Ranking
公开(公告)号：CN108471353A
公开(公告)日：2018-08-31
申请号：CN201810059853.0
申请日：2018-01-22
Applicant: 浙江鹏信信息科技股份有限公司
Abstract: 本发明公开了一种基于深度神经网络算法的网元容量分析与预测的方法。本发明基于深度神经网络算法的网元容量分析与预测的方法具体步骤包括：S1、获取电信网元容量的输入与输出数据，组成样本数据；S2、利用深度神经网络算法训练样本数据得到深度神经网络模型；S3、输入网元容量规划数据、参数，通过深度神经网络模型预测网元容量的资源分配指标。本发明基于深度神经网络算法的网元容量分析与预测的方法，能够预测和规划网元容量的分配指标，合理利用系统的各项资源。
-
公开(公告)号：CN107426199A
公开(公告)日：2017-12-01
申请号：CN201710541775.3
申请日：2017-07-05
Applicant: 浙江鹏信信息科技股份有限公司
CPC classification number: H04L63/1416 , G06F16/951 , G06F2216/03 , H04L63/1425 , H04L63/1433
Abstract: 本发明公开了一种网络异常行为检测与分析的方法及系统，用以解决现有技术中训练数据不平衡影响训练效果并且无法对所有种类的攻击行为和攻击手段进行穷举的问题。该方法包括：S1、统计安全用户的访问行为特征数据；S2、根据所述特征数据构建一类支持向量机模型；S3、利用所述一类支持向量机模型对全网用户的访问行为特征进行预测分析以识别异常访问行为。本发明基于机器学习，更好地检测到网络的异常行为，及时发现不同类型的攻击，利用数据挖掘的特点，研究在线网络异常行为分析与检测，从而能够针对其作出有效的决策响应，提高网络安全性和资源利用率。
-
公开(公告)号：CN114386094B
公开(公告)日：2024-10-22
申请号：CN202111610677.3
申请日：2021-12-27
Applicant: 浙江工商大学 , 浙江鹏信信息科技股份有限公司
Abstract: 本发明公开了一种隐私保护细粒度数据聚合方法及系统。本发明包括精准的加性多子集数据聚合和近似的非加性多子集数据聚合。所述精准的加性多子集数据聚合，包括初始化阶段、用户报告产生阶段、隐私保护用户报告聚合阶段和控制中心解密阶段；所述近似的非加性多子集数据聚合，包括针对所有用户的非加性数据聚合和针对多子集的非加性数据聚合；本发明支持精准的加性多子集数据聚合（如精准的均值、方差和单向方差分析聚合）和近似的非加性多子集数据聚合（如近似的最小聚合和最大聚合），从而满足智能服务的多样性需求。
-
公开(公告)号：CN118337532B
公开(公告)日：2024-08-23
申请号：CN202410757190.5
申请日：2024-06-13
Applicant: 浙江鹏信信息科技股份有限公司 , 浙江省水文管理中心
IPC: H04L9/40 , G06F18/2411 , G06F18/22 , G06F18/213 , G06F18/23 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/084
Abstract: 本发明涉及基于零信任的流量安全审计防护方法及系统、可读介质，具体过程包括：采集零信任客户端的流量安全审计数据；判断流量安全审计数据是否超出数据边界；若否，则将流量安全审计数据输入特征提取网络，以输出目标特征向量；将目标特征向量与特征向量库进行聚类计算，判断目标特征向量是否匹配标注有目标告警标签的特征向量；若是，则根据零信任客户端对应的当前评分以及目标告警标签对应的扣除分数的差值计算，得到零信任客户端对应的最终评分；并根据最终评分确定禁止授权或授权评级下降的防护策略。本发明采用离线分析流量安全审计数据，持续对网络、客户端设备进行评估，中止有风险的网络访问，有效减小通信的安全隐患。
-
公开(公告)号：CN117807603A
公开(公告)日：2024-04-02
申请号：CN202410227591.X
申请日：2024-02-29
Applicant: 浙江鹏信信息科技股份有限公司
IPC: G06F21/57 , G06F21/56 , G06F40/289 , G06N3/0455
Abstract: 本发明涉及软件供应链审计方法、系统及计算机可读存储介质，审计方法包括：采集软件供应链审计数据；对采集的软件供应链审计数据进行数据分词，以转换得到Token序列；之后进行Embedding编码，得到待处理数据矩阵；对待处理数据矩阵进行归一化处理，之后进行位置编码，得到位置编码矩阵；将位置编码矩阵输入多头注意力机制网络结构进行计算，其计算结果通过多次Gibbs采样结合自回归的方式逐个生成输出序列中的每个Token，得到Token输出序列；将Token输出序列通过输出层计算，以输出审计结果；其中，输出层包括依次连接的归一化逆转换和前馈神经网络。本发明有效提高网络模型的精确性、灵活性、可解释性。
-
-
-
-
-
-
-
-
-
Search Results
101
records
(took 0.091 seconds)
