一种SDN环境中重要节点信息采集方法

    公开(公告)号:CN105245362B

    公开(公告)日:2018-07-03

    申请号:CN201510581282.3

    申请日:2015-09-14

    IPC分类号: H04L12/24

    摘要: 本发明公开了一种SDN环境中重要节点信息采集方法,用于选取网络中重要节点,从而进行网络服务的重点监测和重点部署。首先对转发平面与网络服务程序的相关信息收集,然后对转发节点的重要程度进行量化分析,进而对网络服务进行有重点的信息采集。其中,所选参数包括四部分:1)通信量;2)网络拓扑;3)转发节点活跃度;4)网络服务信息,其中网络服务信息指对于评价转发节点部署该服务的迫切程度有关的指标,可根据具体网络服务在其所提供的指标中进行选取。本发明对网络服务的信息采集工作进行优化,在减少网络服务信息采集节点数量的同时,获得较好的服务效果。

    一种基于鲸鱼优化算法的软件缺陷定位方法及处理装置

    公开(公告)号:CN115080402A

    公开(公告)日:2022-09-20

    申请号:CN202210713128.7

    申请日:2022-06-22

    IPC分类号: G06F11/36 G06N3/00

    摘要: 本申请实施例提供一种基于鲸鱼优化算法的软件缺陷定位方法及处理装置,属于软件测试技术领域,该方法包括:获取缺陷覆盖矩阵,将获取的缺陷矩阵作为鲸鱼优化算法的输入,构造出鲸鱼位置的适应度函数,对每个搜索个体的适应度值进行排序,获取当前最佳候选解;根据概率参数判断规则,对鲸鱼位置进行更新,获取更新的每个搜索个体的适应度值,与当前最佳候选解进行比较,若优于当前最佳候选解则替换,达到最大迭代次数后,输出最优解;分析最优解获取实体怀疑序列,根据实体怀疑序列获取程序真实的缺陷位置,并生成程序缺陷报告;本申请实施例根据鲸鱼优化算法获取程序的缺陷信息,更精准的定位程序缺陷位置,减少开发人员跟踪定位程序缺陷时间。

    一种基于AR技术的代码辅助学习方法

    公开(公告)号:CN114579105A

    公开(公告)日:2022-06-03

    申请号:CN202210216035.3

    申请日:2022-03-06

    IPC分类号: G06F8/30 G06F8/41 G06Q50/20

    摘要: 本发明公布了一种基于AR技术的代码辅助学习方法。包括以下步骤:首先,利用设备软件对书本上的代码块进行扫描,并将代码传输至云端。然后,云端编译器对此代码进行编译运行,将运算结果等返回到设备端,结果将虚拟地显示在设备上并与代码相对应,以此来辅助用户理解代码的运行逻辑。最后,用户可以在设备端设置虚拟数据的显示方式,并且可以对屏幕进行抓取并保存在本地,方便复习使用。本发明基于AR技术,有效解决了在代码学习过程中,学习者不能直观的认识到变量和语句所代表的值,以至于无法清晰了解代码含义的问题,降低了学习者理解代码的难度,突破了以往只有在计算机上才能运行代码的限制,可以更快更准确地对代码进行分析。

    基于深度学习的异常人员人脸识别系统的设计

    公开(公告)号:CN114067388A

    公开(公告)日:2022-02-18

    申请号:CN202111206563.2

    申请日:2021-10-17

    摘要: 为了解决人流密集区域暴恐风险因素多、安防能力不足问题,针对此问题设计并实现了一种基于深度学习的异常人员人脸识别系统。该系统主要包含3个子系统:一个是异常人员信息采集系统,主要实现实时高清的人脸图像信息的采集;一个是异常人员信息管理系统,主要实现异常人员人脸注册、异常人员人脸识别模型训练以及异常人员信息管理等功能模块;一个是异常人员人脸识别系统,实现对摄像头捕捉的人物或者视频出现人员人脸的识别,同时输出该人脸的相关信息。通过移动设备和网络服务实现智能化异常人员人脸识别,实现移动人员监察,维护,更新及删除服务,实现异常人员的智能监控,从而节省项目监控成本,提高整体服务质量的上升。

    一种基于坐标注意力机制的IP-FSRGAN-CA人脸图像超分辨率重建算法

    公开(公告)号:CN113674148A

    公开(公告)日:2021-11-19

    申请号:CN202110803247.7

    申请日:2021-07-15

    IPC分类号: G06T3/40 G06K9/62

    摘要: 针对传统的人脸超分辨率图片重建技术中人脸特征信息提取及恢复中存在特征丢失的问题,本文提出了一种基于坐标注意力机制(coordinate attention,CA)的IP‑FSRGAN‑CA人脸图像超分辨率重建算法,以帮助生成器学习到更多的人脸特征信息并合成更真实的超分辨率人脸图片。在放大倍数为4时,采用LFW数据集测试模型性能,实验结果显示该方法与IP‑FSRGAN相比,峰值信噪比(PSNR)提升0.14%,结构相似性(SSIM)提升0.59%,Y通道上的PSNR提升2.43%,SSIM提升0.38%,在PSNR、SSIM的度量下,在定量上优于现有的SRGAN、ESRGAN、IP‑FSRGAN等人脸重建方法。实验证明,本文提出的基于坐标注意力机制的IP‑FSRGAN‑CA人脸图像超分辨率重建算法在人脸超分辨图片重建上具有有效性。