-
公开(公告)号：CN114676811B
公开(公告)日：2024-11-05
申请号：CN202011544521.5
申请日：2020-12-24
申请人： 中科南京软件技术研究院 , 中国科学院软件研究所
IPC分类号： G06N3/0499 , G06N3/08
摘要： 本发明公开了一种基于动态调度的对抗样本生成方法及装置，方法，包括：获取多个原始样本数据和深度学习模型；基于对抗样本生成任务以及对抗样本生成任务与对抗样本生成算法之间的对应关系，在预设算法库中匹配对应的至少一个对抗样本生成算法；根据对抗样本生成任务的预设执行数量以及各个对抗样本生成任务的优先级，调度对抗样本生成任务；根据对抗样本生成算法的算法参数以及当前对抗样本生成任务的配置参数，调度预设算法库中对抗样本生成算法；基于封装的模型及调度算法，依次执行当前对抗样本生成任务，生成对应的对抗样本。本发明提高算法集成整合效率，实现了对抗样本生成任务的动态调度，保证了对抗样本的生成效率。
-
公开(公告)号：CN116263735B
公开(公告)日：2024-11-01
申请号：CN202111528324.9
申请日：2021-12-14
申请人： 中科南京软件技术研究院
摘要： 本申请涉及人工智能领域，具体涉及一种神经网络的鲁棒性评估方法、装置、设备及存储介质，所述方法包括：基于待评估神经网络的应用任务，构建鲁棒性评估模型，鲁棒性评估模型包括量化评估指标以及n个级别的度量元；获取至少一个测试数据集，测试数据集与n个级别的度量元中n级度量元的标签一一对应；基于至少一个测试数据集对待评估神经网络进行测试，得到n级度量元的标签分别对应的测试值；对n级度量元的标签分别对应的测试值进行层次分析计算，得到量化评估指标的指标评估值，用于指示待评估神经网络的鲁棒性。由于鲁棒性评估模型基于待评估神经网络的应用任务构建，与应用任务高度匹配，从而n级度量元的标签可覆盖全部场景的数据。
-
公开(公告)号：CN116263737B
公开(公告)日：2024-11-01
申请号：CN202111530253.6
申请日：2021-12-14
申请人： 中科南京软件技术研究院
摘要： 本申请涉及人工智能领域，具体涉及一种深度学习模型的测试方法、装置、系统及存储介质，所述方法包括：测试方服务器向测试平台服务器发送第一镜像文件；测试平台服务器基于第一镜像文件对深度学习模型进行预测试，将第一镜像文件和深度学习模型封装成第二镜像文件；对第二镜像文件进行信息摘要计算，得到第三摘要值；向测试方服务器发送第二镜像文件和第三摘要；测试方服务器对第二镜像文件中的第一镜像文件进行信息摘要计算，得到第二摘要值；对第二镜像文件进行信息摘要计算，得到第四摘要值；获取第一摘要值；基于第一镜像文件对第二镜像文件中的深度学习模型进行测试，得到测试结果。本申请摆脱了模型测试时依赖测试环境的缺陷。
-
公开(公告)号：CN116340090A
公开(公告)日：2023-06-27
申请号：CN202310090891.3
申请日：2023-02-09
申请人： 中科南京软件技术研究院
IPC分类号： G06F11/30
摘要： 本发明属于计算机技术领域，公开了一种基于交互序列的软件识别方法、装置、设备及存储介质。该方法包括：获取EdgeX场景中目标交互事务的初始交互序列；根据所述初始交互序列计算多个软件交互模式的交互权重；根据各软件交互模式的交互权重生成软件交互序列库；根据所述软件交互序列库完成所述EdgeX场景的软件识别。通过上述方式，根据软件交互序列库完成EdgeX场景的软件识别，从而得到EdgeX在业务场景的交互过程中重要的软件模块，以面对EdgeX业务场景中出现风险能够快速定位问题软件，减少风险带来的危害，并为企业发现EdgeX业务场景中依赖软件的瓶颈和隐患提供了参考指引。
-
公开(公告)号：CN116263735A
公开(公告)日：2023-06-16
申请号：CN202111528324.9
申请日：2021-12-14
申请人： 中科南京软件技术研究院
摘要： 本申请涉及人工智能领域，具体涉及一种神经网络的鲁棒性评估方法、装置、设备及存储介质，所述方法包括：基于待评估神经网络的应用任务，构建鲁棒性评估模型，鲁棒性评估模型包括量化评估指标以及n个级别的度量元；获取至少一个测试数据集，测试数据集与n个级别的度量元中n级度量元的标签一一对应；基于至少一个测试数据集对待评估神经网络进行测试，得到n级度量元的标签分别对应的测试值；对n级度量元的标签分别对应的测试值进行层次分析计算，得到量化评估指标的指标评估值，用于指示待评估神经网络的鲁棒性。由于鲁棒性评估模型基于待评估神经网络的应用任务构建，与应用任务高度匹配，从而n级度量元的标签可覆盖全部场景的数据。
-
公开(公告)号：CN115801623A
公开(公告)日：2023-03-14
申请号：CN202310071098.9
申请日：2023-02-07
申请人： 中科南京软件技术研究院
IPC分类号： H04L43/08
摘要： 本发明属于计算机技术领域，公开了一种EdgeX的节点检测方法、装置、设备及存储介质。该方法包括：获取EdgeX网络的网络信息；根据所述网络信息计算各节点的节点桥接权重；根据各节点的节点桥接权重确定桥接目标节点；根据所述桥接目标节点完成EdgeX网络的节点检测。通过上述方式，根据桥接目标节点完成EdgeX网络的节点检测，充分考虑了EdgeX中静态网络设计的合理性以及动态变化的业务场景，可多尺度、实时地对EdgeX网络中的节点进行客观评估，得到其中的桥接目标节点，能够更好的帮助企业对业务场景找到优化方向，提升系统的整体性能。
-
公开(公告)号：CN116340090B
公开(公告)日：2024-07-23
申请号：CN202310090891.3
申请日：2023-02-09
申请人： 中科南京软件技术研究院
IPC分类号： G06F11/30
摘要： 本发明属于计算机技术领域，公开了一种基于交互序列的软件识别方法、装置、设备及存储介质。该方法包括：获取EdgeX场景中目标交互事务的初始交互序列；根据所述初始交互序列计算多个软件交互模式的交互权重；根据各软件交互模式的交互权重生成软件交互序列库；根据所述软件交互序列库完成所述EdgeX场景的软件识别。通过上述方式，根据软件交互序列库完成EdgeX场景的软件识别，从而得到EdgeX在业务场景的交互过程中重要的软件模块，以面对EdgeX业务场景中出现风险能够快速定位问题软件，减少风险带来的危害，并为企业发现EdgeX业务场景中依赖软件的瓶颈和隐患提供了参考指引。
-
公开(公告)号：CN117319258A
公开(公告)日：2023-12-29
申请号：CN202311220133.5
申请日：2023-09-20
申请人： 中科南京软件技术研究院
IPC分类号： H04L43/0823 , H04L41/0631 , H04L41/14 , H04L43/02 , H04L43/04 , H04L43/50
摘要： 本发明公开了一种EdgeX的节点异常检测方法、装置、设备及存储介质，该方法包括：采集EdgeX网络中各网络节点的状态数据并进行预处理，获得各网络节点的性能数据和异常数据；将各网络节点的节点连接特征、异常数据和性能数据输入至预设异常节点检测模型中，获得异常网络节点信息；根据异常网络节点信息和历史故障节点信息对网络节点进行数据分析，确定网络节点的节点异常因素。由于本发明通过预设异常节点检测模型提取出异常网络节点信息，并对异常网络节点信息进行数据分析，避免了传统的网络节点故障根据网络节点流量宏观检测的方式，能够准确检测到影响网络节点的节点异常因素，提高了EdgeX的节点异常检测的准确性。
-
公开(公告)号：CN115794196B
公开(公告)日：2023-06-30
申请号：CN202310103429.2
申请日：2023-02-13
申请人： 中科南京软件技术研究院
摘要： 本发明属于计算机技术领域，公开了一种EdgeX的关键软件识别方法、装置、设备及存储介质。该方法包括：获取EdgeX的软件演进信息；根据所述软件演进信息构建动态演进图；根据所述动态演进图进行权重计算，确定关键节点；根据所述关键节点确定所述EdgeX的关键软件。通过上述方式，基于软件演进信息构建动态演进图，根据动态演进图进行权重计算，从而确定关键节点，根据关键节点可确定EdgeX在演进过程中的关键软件，实现了EdgeX在演进过程中的关键软件的识别，确定了EdgeX中开发者和维护者主要围绕的软件模块，为EdgeX后续软件的开发和维护提供模块关键性的参考。
-
公开(公告)号：CN115776445B
公开(公告)日：2023-06-30
申请号：CN202310093567.7
申请日：2023-02-10
申请人： 中科南京软件技术研究院
IPC分类号： H04L41/142 , H04L67/10
摘要： 本发明属于计算机技术领域，公开了一种面向流量迁移的节点识别方法、装置、设备及存储介质。该方法包括：根据预设评估方式确定各节点的请求处理能力，并获取各节点的请求处理数量；根据各节点的请求处理能力和用户业务需求确定拓扑中心节点；根据各节点的请求处理数量确定流量中心节点；根据所述流量中心节点和所述拓扑中心节点完成节点识别。通过上述方式，根据流量中心节点和拓扑中心节点，实现了在EdgeX异构节点网络中流量迁移的关键节点的识别，以便用户在后续根据流量中心节点和拓扑中心节点对流量进行调整，且可以让EdgeX系统在业务运行过程中实时完成流量识别和流量迁移任务。
-
-
-
-
-
-
-
-
-
搜索结果
92 条记录 (耗时 0.076 秒)
