基于场景和核查项的APP合规性检测方法及系统

    公开(公告)号:CN117539748A

    公开(公告)日:2024-02-09

    申请号:CN202311330989.8

    申请日:2023-10-13

    IPC分类号: G06F11/36

    摘要: 本发明提供一种基于场景和核查项的APP合规性检测方法及系统,涉及计算机测试技术领域,包括:测试流程生成步骤:定义合规性核查项、合规性测试场景以及测试项目,生成并执行测试流程;核查证据过滤和判决步骤:测试流程完成后,汇总测试流程中收集的证据,按各场景时间戳分类并进行过滤,按核查项的合规要求筛选不合规证据,并对证据进行确认和判决,完成软件合规性检测,最终输出合规性检测报告。本发明能够将合规性检测条目进行标准化处理,可用于隐私合规性检测、数据分级分类合规性检测等,方便进行各个模块自动检测方法的实现,达成合规性标准化检测的效果。

    基于深度特征粗糙编码的分布式网络异常检测方法及系统

    公开(公告)号:CN114666075B

    公开(公告)日:2023-04-07

    申请号:CN202011421173.2

    申请日:2020-12-08

    摘要: 一种基于深度网络特征的分布式网络异常检测方法及系统,将从分布式的雾节点中采集得到的流量数据进行预处理后,通过深度神经网络进行分类得到流量特征,经粗糙编码后,将异常流量上传至云端,再在云端对异常流量进行合并处理并聚集异常流量后得到异常检测结果。本发明使用雾节点来收集和处理流量,并对流量进行特征抽取以及特征编码的计算,将流量的基础计算在雾节点上进行,并将异常流量的数据计算粗糙编码并上报。在降低云端的数据规模的同时,云节点可以使用粗糙编码进行全系统内所有异常流量的聚集。

    基于客流预测和自适应仿真的拥挤预警系统

    公开(公告)号:CN101350113A

    公开(公告)日:2009-01-21

    申请号:CN200810042482.1

    申请日:2008-09-04

    IPC分类号: G07C11/00 G06Q10/00

    摘要: 一种计算机仿真技术领域的基于客流预测和自适应仿真的拥挤预警系统,包括:现场建模模块、测量模块、数据存取模块、客流预测模块、客流自适应仿真模块、拥挤预警模块、实施拥挤预案模块,现场建模块通过对现场进行建模,测量模块对现场人数进行测量,数据保存在数据存取模块中,客流预测模块根据历史数据对未来时间内进行预测,客流自适应仿真模块预测数据生成相应数量的游客,并对游客的移动进行仿真,并对仿真参数和模型进行自适应调整,拥挤预警模块根据对现场拥挤状态的评估,发出拥挤预警,由实施拥挤预案模块选择预案实施。本发明不仅可以在活动举行之前对预案进行分析和验证,还可以在活动举行过程中预案的实现效果进行预测。

    基于D-S证据理论的混合入侵检测方法和系统

    公开(公告)号:CN115225301A

    公开(公告)日:2022-10-21

    申请号:CN202110431115.6

    申请日:2021-04-21

    IPC分类号: H04L9/40

    摘要: 本发明提供了一种基于D‑S证据理论的混合入侵检测方法和系统,包括:步骤1:以网络流量pcap文件为输入,使用开源流量特征提取工具提取网络流量特征,并记录每一个网络流量的五元组信息和时间戳;步骤2:从网络流量pcap文件中找出每个网络流量相应的报文并进行提取;步骤3:使用基于报文的IDS算法进行检测,得到报文检测结果;步骤4:使用基于流的IDS算法进行检测,得到流检测结果;步骤5:使用D‑S证据融合算法,得到最终检测结果。本发明的基于流和报文的IDS算法具有可替换性,D‑S证据推理算法可适用于多个安全告警来源的情景,拥有灵活的部署方式和良好的可扩展性。

    基于连续动作学习自动机的全局优化系统及方法

    公开(公告)号:CN109214518A

    公开(公告)日:2019-01-15

    申请号:CN201710520108.7

    申请日:2017-06-30

    IPC分类号: G06N20/00

    摘要: 一种基于连续动作学习自动机(CALA)的全局优化系统及方法,包括:初始化模块、行为选择模块、环境反馈模块、更新模块和输出模块,其中:初始化模块初始化CALA算法的参数,输入行为选择模块进行行为选择,行为通过...环境的...进入环境反馈模块,得到行为对应的环境反馈,得到局部最优解;更新模块根据环境反馈更新算法参数,将更新的参数输入行为选择模块完成一次迭代,并改进平滑函数;将改进的平滑函数引入下一次迭代的环境反馈模块,进行多次迭代,最终得到极值点,将当前的环境反馈输入输出模块,输出...;作为全局极小值输出;本发明设计合理,引入平滑函数并加入斜率分量进行改进,使得CALA更易跳出局部最小解,并使得后续的搜索具有方向性,大大提高了算法的收敛速度和正确率。

    基于学习自动机的深度神经网络优化方法

    公开(公告)号:CN106951959A

    公开(公告)日:2017-07-14

    申请号:CN201710054653.1

    申请日:2017-01-24

    IPC分类号: G06N3/04

    CPC分类号: G06N3/0454

    摘要: 一种基于学习自动机的深度神经网络优化方法,在深度神经网络的训练阶段,从全连接的初始网络结构出发,在通过梯度下降迭代更新参数的过程中不断找到网络中的弱连接并将其去除,从而得到更为稀疏连接、具有更小的泛化误差的网络结构,以便用于对测试样本进行更高精度的图像分类,所述的弱连接,通过LA在训练过程中不断与神经网络交互而进行判定。本发明通过借鉴强化学习的思想,引入学习自动机算法改善传统的反向传播算法,去掉冗余连接以减少网络参数,从而提高在测试样本上的分类精度,使其具有更强的防止过拟合的能力。