公开(公告)号：CN112395494A

公开(公告)日：2021-02-23

申请号：CN202011101268.6

申请日：2020-10-15

Applicant: 南京邮电大学

Inventor： 房笑宇 ,  夏彬 ,  曹陈涵 ,  韩悦

IPC: G06F16/9535 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于生成对抗网络的双向动态推荐系统，采用了两个生成对抗网络，其中一个训练生成对抗网络中的生成器并利用通用数据集学习主体选择客体，另一个训练生成对抗网络中的生成器并利用通用数据集学习客体选择主体的偏好，最后用训练得到的已经收敛的生成对抗网络分别对互惠推荐系统中的主体以及客体分别进行推荐，本发明能够根据用户相关性以及用户选择同时迭代，灵活地生成多个推荐选择，对用户的偏爱性捕捉更加敏捷。

公开(公告)号：CN113918367A

公开(公告)日：2022-01-11

申请号：CN202111128644.5

申请日：2021-09-26

Applicant: 南京邮电大学

Inventor： 房笑宇 ,  夏彬 ,  骆冰清 ,  韩悦 ,  曹陈涵

IPC: G06F11/00 ,  G06F11/07 ,  G06F11/28 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于注意力机制的大规模系统日志异常检测方法，属于智能运维领域。包括如下步骤：提取计算机系统产生的日志信息，并对日志信息进行数据预处理，构造日志上下文组合集；将日志上下文组合集输入神经网络模型中，对神经网络模型进行训练；获取待预测的日志信息并进行数据预处理，构造待预测的日志上下文组合集，将待预测的日志上下文组合集输入到训练好的神经网络模型中生成后续子序列事件，将后续子序列事件与真实事件进行对比。本发明通过神经网络模型中判别器和生成器之间的不断交替更新的机制，得到生成拟合真实后续正常事件的模型，进而对比真实后续日志与生成后续正常日志类型是否相同，从而判断系统是否异常。

公开(公告)号：CN113918367B

公开(公告)日：2024-11-08

申请号：CN202111128644.5

申请日：2021-09-26

Applicant: 南京邮电大学

Inventor： 房笑宇 ,  夏彬 ,  骆冰清 ,  韩悦 ,  曹陈涵

IPC: G06F11/00 ,  G06F11/07 ,  G06F11/28 ,  G06N3/0442 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/09 ,  G06N3/094

Abstract: 本发明公开了一种基于注意力机制的大规模系统日志异常检测方法，属于智能运维领域。包括如下步骤：提取计算机系统产生的日志信息，并对日志信息进行数据预处理，构造日志上下文组合集；将日志上下文组合集输入神经网络模型中，对神经网络模型进行训练；获取待预测的日志信息并进行数据预处理，构造待预测的日志上下文组合集，将待预测的日志上下文组合集输入到训练好的神经网络模型中生成后续子序列事件，将后续子序列事件与真实事件进行对比。本发明通过神经网络模型中判别器和生成器之间的不断交替更新的机制，得到生成拟合真实后续正常事件的模型，进而对比真实后续日志与生成后续正常日志类型是否相同，从而判断系统是否异常。

公开(公告)号：CN112395494B

公开(公告)日：2022-10-14

申请号：CN202011101268.6

申请日：2020-10-15

Applicant: 南京邮电大学

Inventor： 房笑宇 ,  夏彬 ,  曹陈涵 ,  韩悦

IPC: G06F16/9535 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于生成对抗网络的双向动态推荐方法，采用了两个生成对抗网络，其中一个训练生成对抗网络中的生成器并利用通用数据集学习主体选择客体，另一个训练生成对抗网络中的生成器并利用通用数据集学习客体选择主体的偏好，最后用训练得到的已经收敛的生成对抗网络分别对互惠推荐系统中的主体以及客体分别进行推荐，本发明能够根据用户相关性以及用户选择同时迭代，灵活地生成多个推荐选择，对用户的偏爱性捕捉更加敏捷。

公开(公告)号：CN115169612A

公开(公告)日：2022-10-11

申请号：CN202210852881.4

申请日：2022-07-20

Applicant: 南京邮电大学

Inventor： 曹陈涵 ,  夏彬 ,  骆冰清

IPC: G06Q10/00 ,  G06F16/901 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明是一种面向运维工单的自动化处理方法，构建用户工单数据集和系统工单数据集，对数据集进行训练，获得运维工单SVM分类器，构建运维工单节点依赖关系图，采用图卷积网络GCN模型获得节点的特征向量，获取解决方案的特征向量表示，确定运维工单所属类别，获得待解决运维工单的序列特征向量表示和主题特征向量表示，计算待解决工单特征向量和该节点下所有解决方案特征向量的相似度，选取相似度最高的解决方案作为待解决工单的解决方案。本发明为后续工单处理提供了更准确的信息，提高故障节点发现速度，增强节点信息表示，用多个历史工单描述特征融合表示解决方案，增强了解决方案的特征表示，提高了运维工单和解决方案匹配的准确度。