一种基于双曲树的家谱数据可视化方法

    公开(公告)号:CN112000662A

    公开(公告)日:2020-11-27

    申请号:CN202010702245.4

    申请日:2020-07-20

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于双曲树的家谱数据可视化方法,通过从数据库中提取家族成员的基本信息和关系数据,对原始数据进行数据过滤、格式转换等预处理,在双曲空间内对预处理后的家谱数据进行双曲树布局,计算所有节点及子节点的位置。采用Poincare投影方法将双曲空间内的层次信息结构投影到欧几里得空间进行显示,再根据每个节点的所在位置、区域、层级,对其大小、光晕颜色、亮度进行属性设置及调整。根据上述步骤的计算结果绘制双曲家谱树图,包括绘制Poincare圆面、节点及连线。本发明的技术方案实现了将双曲树模型应用于家谱数据可视化。有效地解决了大型层次结构在普通空间难以可视化的问题以及层次信息视图间的平滑过渡问题。

    一种基于双曲树的家谱数据可视化方法

    公开(公告)号:CN112000662B

    公开(公告)日:2022-04-22

    申请号:CN202010702245.4

    申请日:2020-07-20

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于双曲树的家谱数据可视化方法,通过从数据库中提取家族成员的基本信息和关系数据,对原始数据进行数据过滤、格式转换等预处理,在双曲空间内对预处理后的家谱数据进行双曲树布局,计算所有节点及子节点的位置。采用Poincare投影方法将双曲空间内的层次信息结构投影到欧几里得空间进行显示,再根据每个节点的所在位置、区域、层级,对其大小、光晕颜色、亮度进行属性设置及调整。根据上述步骤的计算结果绘制双曲家谱树图,包括绘制Poincare圆面、节点及连线。本发明的技术方案实现了将双曲树模型应用于家谱数据可视化。有效地解决了大型层次结构在普通空间难以可视化的问题以及层次信息视图间的平滑过渡问题。

    一种动态函数调用的可视化方法
    3.
    发明公开

    公开(公告)号:CN115952230A

    公开(公告)日:2023-04-11

    申请号:CN202211258789.1

    申请日:2022-10-14

    Applicant: 中南大学

    Abstract: 本发明公开的一种动态函数调用的可视化方法,属于信息可视化技术领域,具体为获取动态函数调用数据;将原始数据转换为带索引信息的层次结构数据;基于广度优先遍历算法确定函数节点布局及设置调用连边属性;绘制层次化的函数调用概览;将函数调用的索引区间映射到节点高度上;绘制细粒度的函数调用。本发明提出了一种紧凑化和左对齐的层次化函数节点布局方法,提供了函数调用中二元、层次信息的概览;并在函数节点上进行了图元设计,简洁美观地展示了细粒度的函数调用时序信息,方便分析人员快速定位多次发生的调用、高效识别连续或周期调用模式。可以帮助他们精简工作流程,节约工作时间。

    一种webshell恶意家族聚类分析方法

    公开(公告)号:CN114036515B

    公开(公告)日:2022-08-16

    申请号:CN202111255079.9

    申请日:2021-10-27

    Applicant: 中南大学

    Abstract: 本发明公开了一种webshell恶意家族聚类分析方法,它涉及信息安全技术领域;它包括以下步骤:步骤1:获取Webshell运行时的函数调用信息、参数值和返回值信息;步骤2:函数调用信息进行清洗、拼接和排序;步骤3:对步骤2中的函数调用序列信息进行向量化;步骤4:计算参数值和返回值的信息熵,并按函数调用先后顺序进行排序;步骤5:根据步骤2和步骤4得到的func_seq、argv_seq和return_seq,搭建RNN模型分别对三类序列进行预测,学习代码家族特征;步骤6:将原始的序列数据和预测的序列数据经过minhash处理后,映射为像素点,形成像素图;步骤7:将步骤6得到原始像素图与预测像素图叠加,绘制最终的像素图;步骤8:使用DBSCAN聚类算法对步骤7得到的像素图进行聚类。

    一种webshell恶意家族聚类分析方法

    公开(公告)号:CN114036515A

    公开(公告)日:2022-02-11

    申请号:CN202111255079.9

    申请日:2021-10-27

    Applicant: 中南大学

    Abstract: 本发明公开了一种webshell恶意家族聚类分析方法,它涉及信息安全技术领域;它包括以下步骤:步骤1:获取Webshell运行时的函数调用信息、参数值和返回值信息;步骤2:函数调用信息进行清洗、拼接和排序;步骤3:对步骤2中的函数调用序列信息进行向量化;步骤4:计算参数值和返回值的信息熵,并按函数调用先后顺序进行排序;步骤5:根据步骤2和步骤4得到的func_seq、argv_seq和return_seq,搭建RNN模型分别对三类序列进行预测,学习代码家族特征;步骤6:将原始的序列数据和预测的序列数据经过minhash处理后,映射为像素点,形成像素图;步骤7:将步骤6得到原始像素图与预测像素图叠加,绘制最终的像素图;步骤8:使用DBSCAN聚类算法对步骤7得到的像素图进行聚类。

Patent Agency Ranking