-
公开(公告)号：CN109740044B
公开(公告)日：2023-03-21
申请号：CN201811582052.9
申请日：2018-12-24
申请人： 东华大学
IPC分类号： G06F16/953 , G06F16/35
摘要： 本发明涉及一种基于时间序列智能预测的企业异动预警方法，包括以下步骤：使用网络爬虫技术获取网络新闻文本以及新闻的发布时间，并进行数据预处理；将数据转化为时间序列，并划分为时间序列段，用来进行时间序列预测；使用时间序列智能预测模型进行时间序列预测；通过文本聚类进行预警信息的挖掘，找到簇的中心文本作为预警新闻。本发明能够通过外部公开的数据解决企业异动预警问题。
-
公开(公告)号：CN108960304B
公开(公告)日：2022-07-15
申请号：CN201810640209.2
申请日：2018-06-20
申请人： 东华大学
IPC分类号： G06V10/764 , G06K9/62 , G06N3/04
摘要： 本发明涉及一种网络交易欺诈行为的深度学习检测方法，其特征在于，步骤包括：第一步、利用历史交易特征数据对模型进行训练；第二步、将实时交易特征数据输入训练好的模型，判断当前交易是否为欺诈交易。本发明：(1)发明了适用于网络交易欺诈的基于特征重排的深度学习检测系统；(2)发明了特征排列构造层及排列方法。特征排列层可增加在每组卷积层与池化层之前。(3)发明了环式卷积方法，对于一条交易数据来说，通过环式结构的卷积，使得卷积后的信息不失真。
-
公开(公告)号：CN110111146A
公开(公告)日：2019-08-09
申请号：CN201910361905.4
申请日：2019-04-30
申请人： 东华大学
IPC分类号： G06Q30/02 , G06F16/953
摘要： 本发明公开了一种面向云实例选择的多目标优化求解方法，包括以下步骤：A.背景问题定义：定义该求解器的问题背景；B.初始完全Pareto集合生成：得到需求个数为1下的初始Pareto集合；C.广义笛卡尔积生成：将完全Pareto集合和初始Pareto集合进行广义笛卡尔积；D.中间完全Pareto集合生成：对广义笛卡尔积进行遍历操作得到新的完全Pareto集合；E.最终完全Pareto集合生成：通过递归C、D操作得到最终的完全Pareto集合。本发明能够解决类似云实例类型选择问题的多目标优化问题，可以得到完整的Pareto集合，帮助用户更加准确的作出决策。另外，本发明能够解决类似的多目标优化问题，得到完全Pareto集合。
-
公开(公告)号：CN110058924B
公开(公告)日：2023-08-04
申请号：CN201910327503.2
申请日：2019-04-23
申请人： 东华大学
摘要： 本发明的目的是：为容器部署提供一个最佳的调度方案，使得每个容器都能部署到最合适的服务器上，从而在部署完成之后，在容器的拉取时间、服务的通信时间、机器的负载均衡以及机器的能耗之间达到一个最优的状态。为了达到上述目的，本发明的技术方案是提供了一种多目标优化的容器调度方法。本发明提出的改进的粒子群算法与Docker Swarm中的三个算法进行比较，可以得出该方法得到的部署方案的适应度是最低的，即该方法能比其他三个算法找到更好的调度解决方案，尤其是当机器资源远大于容器实例的要求时。
-
公开(公告)号：CN110084609B
公开(公告)日：2023-06-02
申请号：CN201910327470.1
申请日：2019-04-23
申请人： 东华大学
IPC分类号： G06Q20/40 , G06F18/2411 , G06F18/214
摘要： 本发明涉及一种基于表征学习的交易欺诈行为深度检测方法，其特征在于，包括以下步骤：建立基于Autoencoder模型的表征学习multi‑representation结构，通过BaggingBalance方法从交易数据中抽取数据集，得到相对应的表征学习向量；建立OSD‑DF分类结构，将multi‑representation结构得到表征学习向量作为OSD‑DF分类结构的输入，训练OSD‑DF分类结构，得到交易数据的欺诈检测结果。本发明提出的电子交易欺诈检测方法，可以有效检测电子交易中的欺诈行为。本发明提供的方法从实用性角度出发，建立了电子交易欺诈检测方法的框架，为解决欺诈交易检测提供了技术支持。
-
公开(公告)号：CN109359095B
公开(公告)日：2021-07-16
申请号：CN201811054777.0
申请日：2018-09-11
申请人： 东华大学
IPC分类号： G06F16/172 , G06F16/13
摘要： 本发明涉及一种大数据快速读取的DLK方法，其特征在于，缓存空间内存储的缓存基本单位为 ，将缓存空间划分为数据区及列表区，数据区用于存储Data，列表区用于存储Timestamp及K。本发明提出的分布式存储模式的面向记录的缓存方法，可以有效的提升分布式存储模式中的面向记录的检索效率，该方法优化了面向记录的检索速率，使用双队列的结构缓存高频和低频的缓存数据提升了缓存的命中率。在缓存空间中，划分了数据区和列表区，进一步优化了缓存的查询和异步执行效率。从优化算法提高命中率和优化数据存储结构提升执行效率两个方面提升了分布式存储模式的检索性能。
-
公开(公告)号：CN111291922A
公开(公告)日：2020-06-16
申请号：CN202010045151.4
申请日：2020-01-16
申请人： 东华大学
摘要： 本发明的目的是：提高混杂数据流中分流量预测的结果。为用户或系统提供更加准确的系统流量信息，并对系统的弹性伸缩提供更为准确的指标参数。为了达到上述目的，本发明的技术方案是提供了一种基于动态时间窗的混杂数据流分流量预测方法。本发明通过结合动态时间窗与皮尔逊相关系数得到基于动态时间窗的权重计算模型，该模型解决了混杂数据流中分流量间的影响对时间变化难以确定的问题。然后通过加入缓存机制解决了基于动态时间窗的权重计算模型可能存在的窗口抖动问题。本发明提出的基于动态时间窗的混杂数据流分流量预测方法，通过改变计算权重时动态时间窗的大小，提高权重的计算准确度，最终提高了最终预测的结果。
-
公开(公告)号：CN111260462A
公开(公告)日：2020-06-09
申请号：CN202010045141.0
申请日：2020-01-16
申请人： 东华大学
摘要： 本发明涉及一种基于异质关系网络注意力机制的交易欺诈检测方法，其关键在于，根据交易数据抽取实体关系，构建关系网络二部图，提出了基于节点收缩的异质网络同质化方法和基于Attention机制的邻域信息聚合算法。将信贷交易从关系网络的角度出发，进行建模分析，同时结合实际情况，充分考虑交易之间差异化的潜在关系，设计Attention机制进行节点间关系的差异化生成，提升了欺诈检测的效果。本发明提供的方法从实用性角度出发，通过将注意力从交易节点本身转化到关系网络中交易的若干阶邻域信息，充分考虑交易节点间潜在的差异性的关联关系，进行欺诈检测。
-
公开(公告)号：CN111242744A
公开(公告)日：2020-06-05
申请号：CN202010045152.9
申请日：2020-01-16
申请人： 东华大学
IPC分类号： G06Q30/06
摘要： 本发明提出一种低频交易的个体行为建模与欺诈检测方法，首先是低频交易的个体行为建模方法，通过迁移当前交易群体的共性行为去补充低频用户的交易行为。由三个部分组成：一是考虑用户自身仅有的历史交易，结合最佳风险阈值确定算法，构成用户自身交易行为基准；二是通过DBSCAN聚类算法提取出当前所有黑样本与白样本的行为特征，构成当前交易群体共性行为；三是根据历史交易记录，利用滑动窗口机制提取交易变化行为，三者组合构成用户新的交易行为。其次，在此基础之上，提出一种基于朴素贝叶斯模型的检测方法，根据每种行为的结果利用朴素贝叶斯公式计算当前交易属于欺诈的概率，最终确定当前交易是否正常，为解决欺诈交易检测提供了技术支持。
-
公开(公告)号：CN110555455A
公开(公告)日：2019-12-10
申请号：CN201910525215.8
申请日：2019-06-18
申请人： 东华大学
摘要： 本发明涉及一种基于实体关系的在线交易欺诈检测方法，其关键在于，根据交易数据抽取实体关系，构建关系网络二部图，提出了基于节点收缩的异质网络同质化方法和基于集成学习、图表征学习的邻域信息聚合提升树分类模型机制。本发明提供的方法从实用性角度出发，通过将注意力从交易节点本身转化到关系网络中交易的若干阶邻域信息，充分考虑交易之间潜在的关联关系，为挖掘团伙欺诈提供了可能性。梯度提升模型通过不断拟合模型的残差，提高欺诈识别的效果，有很好的表现效果。同时，该方法将集成学习从网格型数据的应用扩展至图数据的应用领域。基于以上方面，建立了借贷交易欺诈检测方法的框架，为解决欺诈交易检测提供了技术支持。
-
-
-
-
-
-
-
-
-
搜索结果
42 条记录 (耗时 0.023 秒)
