-
公开(公告)号：CN115982701A
公开(公告)日：2023-04-18
申请号：CN202211492400.X
申请日：2022-11-25
Applicant: 中南大学湘雅医院
IPC: G06F21/55 , G06F18/23213 , G06F18/22
Abstract: 本发明属于一种Webshell交互式对比学习聚类方法，涉及网络安全和交互式聚类技术领域，根据Webshell在虚拟环境中的执行记录构建函数调用图。n个Webshell的FCG描述为一个无向图集合，对所有的无向图G应用两种不同的随机图结构数据增广组合，得到增广数据。对比损失函数的目标是最大化正样本对的相似度，同时最小化负样本对的相似度；图对比学习模型编码层采用GCN图神经网络；实现了Webshell高质量的向量表征和聚类，在迭代聚类过程中减少样本边界不清、划分错误等情况，同时极大减少人机交互时迭代的工作量，有效弥补数据、模型和人之间的鸿沟，为精细化的Webshell检测、分析、处置、响应和预防提供辅助决策参考。
-
公开(公告)号：CN115934970A
公开(公告)日：2023-04-07
申请号：CN202310166988.8
申请日：2023-02-27
Applicant: 中南大学
IPC: G06F16/36 , G06F40/295 , G06F16/33 , G06F16/34
Abstract: 本申请适用于知识图谱技术领域，提供了一种基于多视图可视化的交互式实体对齐方法。通过将三元组信息输入实体对齐模型，得到源实体对应的候选对齐实体；针对每个源实体和候选对齐实体，分别绘制结构比较视图、邻域比较视图和词云比较视图；基于图编辑距离算法，在节点替换开销矩阵中引入对齐特征，并将候选对齐实体的替换开销置零，得到结构相似度量；利用样本相似度算法对邻域比较视图进行计算，得到邻域相似度量；利用集合匹配算法对词云比较视图进行计算，得到词云相似度量；根据上述三个相似度量，计算融合相似度量；根据结构比较视图、邻域比较视图、词云比较视图以及融合相似度量，进行实体对齐。本申请能够能提高实体对齐的准确性。
-
公开(公告)号：CN109389172B
公开(公告)日：2022-05-20
申请号：CN201811183704.1
申请日：2018-10-11
Applicant: 中南大学
IPC: G06K9/62
Abstract: 本发明提供了一种基于无参数网格的无线电信号数据聚类方法，根据无线电信号数据集中的数据个数及该批数据的采集时长，计算网格划分值k，将信号数据的中心频率维度划分为k个等长但不相交的网格单元，根据每个信号数据的中心频率值，将其划分至对应的网格单元，并且统计每个网格单元的密度，计算密度阈值，并依据密度阈值对网格单元进行划分，检测相邻的高密网格单元，并将其连接形成聚类；从边界网格单元中提取聚类边界点，并根据边界处理方法将其放至所属聚类。该方法基于无线电信号的数据特征，自动计算网格划分值和密度阈值两个参数，在网格聚类算法高效性的基础上提升了该算法对无线电信号数据聚类的准确性，且减少了分析人员的分析负担。
-
公开(公告)号：CN113516638A
公开(公告)日：2021-10-19
申请号：CN202110710164.3
申请日：2021-06-25
Applicant: 中南大学 , 中国人民解放军32801部队
Abstract: 本发明公开了一种神经网络内部特征重要性可视化分析及特征迁移方法，通过基于先验知识对数据集进行采样，划分代表性数据子集，对数据子集平均化、正则化，得到数据子集标准平均图，根据导向反向传播特征可视化方法获取神经网络内部所有神经元针对每张标准平均图的特征可视化图像，基于特征可视化图像与标准平均图的余弦相似度作为对应神经元的价值，根据层相似值判断网络层拟合情况和层内神经元相似值评估网络神经元拟合情况，使用神经网络剪枝算法提取高价值网络模块并进行迁移测试。本发明实现以量化与可视化结合的方式衡量卷积神经网络特征重要性，完成对原模型重要特征的提取重用，提高神经网络模型可解释性，帮助分析理解模型拟合情况。
-
公开(公告)号：CN113011888A
公开(公告)日：2021-06-22
申请号：CN202110262931.9
申请日：2021-03-11
Applicant: 中南大学
Abstract: 本发明公开了一种针对数字货币的异常交易行为检测方法、装置、设备及介质，方法为：获取数字货币交易所中每个用户的交易数据；将检测时间段划分为若干分段，将单个用户在各时间分段的交易记录组合，均作为该用户的交易行为；从多个维度对交易行为进行特征描述，作为交易行为的特征向量；所有用户所有交易行为的特征向量构成数据集；使用局部异常因子算法计算数据集中每个数据点的离群因子值；对数据集聚类，并对各数据点根据其所在簇大小调整其离群因子值；根据调整后的离群因子值确定该数据点对应交易行为分析单元的异常交易可疑值，进而确定该用户的异常交易可疑性。本发明提高异常交易行为检测的准确度，对有异常交易嫌疑的账户自动化检测。
-
Patent Agency Ranking
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。
-
公开(公告)号：CN106055580B
公开(公告)日：2019-02-05
申请号：CN201610341872.3
申请日：2016-05-23
Applicant: 中南大学
IPC: G06F16/904 , G06K9/62
Abstract: 本发明提供了一种基于Radviz的模糊聚类结果可视化方法，其步骤为：1)对模糊聚类算法的结果进行数据预处理；2)为RadViz圆周设计合理的聚类簇维度锚点布局；3)将数据样本以圆点模式或饼图模式投影到Radviz内部；4)将维度锚点扩展为维度圆环，实现Radviz圆环的可视编码；5)将隶属度分布信息融合到Radviz主视图中；6)提取聚类间的共存关联关系，并使用弦线映射共存关系。本发明基于Radviz对模糊聚类算法得到的模糊隶属度矩阵进行展示，不但为用户提供了尽可能多的模糊聚类信息，而且允许研究人员自由探索数据属性、隶属度矩阵和聚类簇等信息，从而使用户进行更加快速、直观、准确的决策。
-
公开(公告)号：CN107276807A
公开(公告)日：2017-10-20
申请号：CN201710474904.1
申请日：2017-06-21
Applicant: 中南大学
Abstract: 本发明提供了一种基于社区动态紧密度的层次化网络社区树剪枝方法，包括以下步骤，首先，获取网络数据；其次，使用聚类算法对网络节点进行社区划分，得到层次化网络社区树结构；再对层次化网络社区树中每个社区，计算该社区内部节点之间连接的边的数量；并划分时间片，计算社区内部节点在各个时间片内连接的边的数量；最后使用信息熵度量社区节点在各个时间片的紧密度的差异性，若该社区的熵值较大，表示社区的紧密度随时间变化程度较小，应该对其进行收缩；否则，判定该社区的紧密度随时间变化程度较大，对其进行展开。本发明实现了将网络中的重要变化信息突出显示出来，更好更有效的展示了动态网络的多特征时变模式。
-
公开(公告)号：CN105897488A
公开(公告)日：2016-08-24
申请号：CN201610419842.X
申请日：2016-06-13
Applicant: 中南大学
IPC: H04L12/24 , H04B17/309 , H04B17/318
CPC classification number: H04L41/22 , H04B17/309 , H04B17/318
Abstract: 本发明提供了一种无线电信号数据的可视化方法，步骤1：获取从频谱数据和原始电平采样数据中提取的无线电信号数据；步骤2：绘制频率‐带宽散点图；步骤3：使用聚类算法对无线电信号数据进行聚类；步骤4：划分时间片；步骤5：对每个聚类计算每个时间片的平均中心频率、平均带宽、平均信噪比和平均信号强度；步骤:6：绘制信号流图。利用信号流图有效编码无线电信号的多种特征，将时频上较离散的信号数据的多种重要特征平滑地展示出来，更好的展现无线电信号的多特征时变模式，加快分析人员对无线电信号时变模式的宏观感知效率。
-
公开(公告)号：CN104394021A
公开(公告)日：2015-03-04
申请号：CN201410745810.X
申请日：2014-12-09
Applicant: 中南大学
IPC: H04L12/24
Abstract: 本发明公开了一种基于可视化聚类对网络流量进行异常分析的方法，步骤为：1)对网络流量监控数据记录进行预处理；2)对流量数据进行RadViz可视聚类，得到网络流量特征类似的流量时隙聚类；3)归纳2)所得到的流量时隙聚类的网络流量特征，得到流量特征异常的聚类；4)对2)所得到的流量时隙聚类过滤选择，得到不在聚类内离散的时隙点；5)结合IPPort矩阵对3)4)所得到的流量异常聚类中的和离散的时隙点进行分析。本发明能结合多角度快速对网络流量进行协同过滤，高效分析出网络流量的异常。
-
-
-
-
-
-
-
-
-
Search Results
96
records
(took 0.031 seconds)
