-
公开(公告)号：CN106201441A
公开(公告)日：2016-12-07
申请号：CN201610539099.1
申请日：2016-07-08
Applicant: 汉柏科技有限公司 , 国家计算机网络与信息安全管理中心
CPC classification number: G06F9/30 , G06F9/5027 , G06F9/5044 , G06F9/505
Abstract: 本发明实施例公开一种网络设备中CPU利用率的获取方法及装置。所述方法包括：获取在预设时间段内CPU执行完整的工作循环的循环次数，以及在所述循环次数内、在报文处理流程中未接收到报文的空转次数；获取所述非报文处理流程对应的第一权重值和所述报文处理流程对应的第二权重值；根据所述循环次数、所述空转次数、所述第一权重值和所述第二权重值，获取CPU利用率。所述装置用于执行所述方法。本发明实施例提供的方法，可准确地获取到网络设备中的CPU利用率。
-
公开(公告)号：CN106250207A
公开(公告)日：2016-12-21
申请号：CN201610618703.X
申请日：2016-07-27
Applicant: 汉柏科技有限公司 , 国家计算机网络与信息安全管理中心
IPC: G06F9/455
CPC classification number: G06F9/45558 , G06F2009/45583
Abstract: 本发明实施例公开了一种虚拟机扩容处理方法及装置，所述方法包括：根据虚拟机的磁盘分配大小、磁盘使用大小和预设的扩容告警值，计算获知所述虚拟机需要扩容；根据预设扩容值，对所述虚拟机进行扩容。所述装置包括：磁盘计算模块和扩容模块。本发明实施例通过对虚拟机当前的磁盘分配大小、磁盘使用大小和预设的扩容告警值进行计算，实时获知虚拟机的状态，当需要扩容时，再对虚拟机进行扩容，不仅能够实时监控虚拟机当前的状态，而且根据虚拟机当前状态进行扩容，节省了计算机资源。
-
公开(公告)号：CN106209833A
公开(公告)日：2016-12-07
申请号：CN201610538299.5
申请日：2016-07-08
Applicant: 汉柏科技有限公司 , 国家计算机网络与信息安全管理中心
CPC classification number: H04L63/1466 , H04L67/02
Abstract: 本发明公开一种防止网页劫持的方法及网关，涉及网络技术领域，所述方法包括：获取用户终端发送的超文本传输协议HTTP报文；判断所述HTTP报文是否为获取GET请求报文；若是，则对所述GET请求报文进行分段，得到至少两个分段报文；将各分段报文发送到运营商设备，以防止所述GET请求报文请求的网页在所述运营商设备被劫持。相比于现有技术，本发明提出的防止网页劫持的方法及网关，通过将用户终端发送的HTTP的GET请求报文进行分段，使劫持服务器无法识别GET请求报文，从而防止网页被劫持，提高了用户浏览网页的安全性。
-
公开(公告)号：CN115713462A
公开(公告)日：2023-02-24
申请号：CN202211412609.0
申请日：2022-11-11
Applicant: 烟台中科网络技术研究所 , 国家计算机网络与信息安全管理中心 , 国家计算机网络与信息安全管理中心上海分中心
IPC: G06T3/40 , G06N3/0464 , G06N3/08 , G06N3/082
Abstract: 本发明公开了超分辨模型训练方法、图像识别方法、装置及设备，属于图像处理技术领域，获取多个样本数据，样本数据包括获取同一场景成对的 ；构建图像超分辨率模型：将含有多个卷积网络模块的深度神经网络模型分别对低分辨率图像和高分辨率图像的特征进行提取和映射，学习特征间非线性的映射关系，最终将提取到的特征进行加权融合；构建目标方程：将低分辨率图像LR(x)输入到图像超分辨率模型中，获得超分辨率图像SR(x)，SR(x)与对应的高分辨率图像HR(x)计算损失用于约束网络的训练过程。本申请能够使得重建后的高分辨率图像具有更清晰的纹理细节，进而提高图像检测的精确率。
-
公开(公告)号：CN116702094B
公开(公告)日：2023-12-22
申请号：CN202310957274.9
申请日：2023-08-01
Applicant: 国家计算机网络与信息安全管理中心
IPC: G06F18/26 , G06F18/25 , G06F18/213 , G06F18/22 , G06F18/27 , G06N3/045 , G06N3/044 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及数据处理技术领域，提供一种群体应用偏好特征表示方法，其中方法包括：获取用户的交互数据；基于多模态预训练模型，提取所述交互数据的特征表示；基于所述交互数据的特征表示，确定所述交互数据的群体应用偏好特征；基于所述群体应用偏好特征，对所述用户进行画像。本发明提供的群体应用偏好特征表示方法，能够自适应的针对任意的纯文本数据、纯图像数据、图文混合数据提取联合特征，实现对多模态数据的分析处理，在图文模态下，可以增加特征提取的语义交互能力，使得到的群体应用偏好特征更准确，从而提高用户画像的质量。
-
Patent Agency Ranking
公开(公告)号：CN117234572A
公开(公告)日：2023-12-15
申请号：CN202310892421.9
申请日：2023-07-20
Applicant: 国家计算机网络与信息安全管理中心
IPC: G06F8/70 , G06F8/71 , G06F8/74 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及多模态数据提取技术领域，尤其为一种基于游戏引擎的多模态数据提取方法，包括如下步骤包括如下步骤：S1：通过对游戏文件逆向，获得游戏的资源文件；S2：通过对资源文件引擎特征提取，获得游戏资源文件中的游戏引擎；S3：通过对游戏资源文件中的游戏引擎进行特征融合获得融合特征进行多模态数据提取。本发明通过逆向手段分析游戏引擎，从游戏引擎对资源文件打包开始，深入研究打包流程和打包过程中使用的技术，无需运行游戏，直接从游戏安装路径下对资源文件提取，减少了资源浪费问题。
-
公开(公告)号：CN105871630B
公开(公告)日：2019-03-05
申请号：CN201610370749.4
申请日：2016-05-30
Applicant: 国家计算机网络与信息安全管理中心
Abstract: 本发明提出了一种确定网络用户的上网行为类别的方法，该方法，包括：提取每个待测网络用户的上网行为特征，并通过文档向量空间模型的量化方法形成用户行为特征矩阵X；根据所述用户行为特征矩阵X，通过概率潜在语义分析方法PLSA和EM算法，得到行为倾向集合T以及“用户‑倾向”概率分布矩阵D；根据所述用户行为特征矩阵X，通过支持向量机SVM算法，得到“特征词‑类别”概率分布矩阵C；通过矩阵乘法运行T×C得到“倾向‑类别”映射矩阵M；通过矩阵乘法运行D×M得到“用户‑类别”概率分布矩阵Y；根据任一待测网络用户在各个类别上的概率分布情况，将所述任一待测网络用户分类到概率值最大的类别中。
-
公开(公告)号：CN105069169B
公开(公告)日：2019-03-05
申请号：CN201510547203.7
申请日：2015-08-31
Applicant: 国家计算机网络与信息安全管理中心
IPC: G06F16/958
Abstract: 本发明提出了一种网站镜像的检测方法及装置。所述检测方法包括：计算待检测网站的标题信息与原始网站的标题信息的相似度，若所述相似度超过设定阈值，则所述待检测网站为疑似网站；比对所述疑似网站的网页结构中的可视化元素和所述原始网站的网页结构中的可视化元素，若满足预设条件，则判定所述疑似网站为镜像网站，在保证检测准确性的同时，提高网站镜像检测的效率。
-
公开(公告)号：CN106970962A
公开(公告)日：2017-07-21
申请号：CN201710170469.3
申请日：2017-03-21
Applicant: 国家计算机网络与信息安全管理中心
IPC: G06F17/30
CPC classification number: G06F16/95 , G06F16/951
Abstract: 本发明公开了一种获取搜索引擎搜索结果的方法和装置。所述方法包括：输入待测试的搜索引擎、关键词和页码；将关键词和页码输入搜索引擎对应的搜索引擎模板，获得关键词和页码对应的一级页面地址；将一级页面地址输入到预设的浏览器中，通过浏览器访问一级页面地址，并获取一级页面地址对应一级页面信息和二级页面信息。本发明采用自动化的方式获取搜索引擎的搜索结果，通过预先设置搜索引擎模板的方式，自动获得一级页面地址，并将一级页面地址输入预设的浏览器中，进而通过访问该一级页面地址，自动获得所需的一级页面信息和二级页面信息。通过本发明可以有效提升搜索验证效率和准确率，提高搜索效果以及获得搜索结果的效率。
-
公开(公告)号：CN105871630A
公开(公告)日：2016-08-17
申请号：CN201610370749.4
申请日：2016-05-30
Applicant: 国家计算机网络与信息安全管理中心
Abstract: 本发明提出了一种确定网络用户的上网行为类别的方法，该方法，包括：提取每个待测网络用户的上网行为特征，并通过文档向量空间模型的量化方法形成用户行为特征矩阵X；根据所述用户行为特征矩阵X，通过概率潜在语义分析方法PLSA和EM算法，得到行为倾向集合T以及“用户?倾向”概率分布矩阵D；根据所述用户行为特征矩阵X，通过支持向量机SVM算法，得到“特征词?类别”概率分布矩阵C；通过矩阵乘法运行T×C得到“倾向?类别”映射矩阵M；通过矩阵乘法运行D×M得到“用户?类别”概率分布矩阵Y；根据任一待测网络用户在各个类别上的概率分布情况，将所述任一待测网络用户分类到概率值最大的类别中。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.063 seconds)
