一种基于复杂网络和图神经网络的僵尸网络检测方法

    公开(公告)号:CN113965393B

    公开(公告)日:2023-08-01

    申请号:CN202111254593.0

    申请日:2021-10-27

    摘要: 本发明公开了一种基于复杂网络和图神经网络的僵尸网络检测方法,解决了目前的方法通常需要具备较好的恶意脚本、恶意软件静态分析和动态分析能力,同时目前对于未知僵尸网络及相关僵尸网络变种检测能力不足的技术问题,本发明将流量解析数据转为图数据,通过复杂网络技术提取节点相关特征值,再以图神经网络构建模型学习数据中的属性信息和结构信息。该方法摆脱了以往基于机器学习的僵尸网络检测方法无法发现结构信息的弊端,以及单纯基于图神经网络而未对流量解析数据进行深入的特征工程而丢失结构信息的缺陷。本发明的方法可作为僵尸网络综合检测系统的重要组成部分,以提高未知僵尸网络及其变种的检测精确率。

    一种基于复杂网络和图神经网络的僵尸网络检测方法

    公开(公告)号:CN113965393A

    公开(公告)日:2022-01-21

    申请号:CN202111254593.0

    申请日:2021-10-27

    IPC分类号: H04L9/40 G06N3/04 G06K9/62

    摘要: 本发明公开了一种基于复杂网络和图神经网络的僵尸网络检测方法,解决了目前的方法通常需要具备较好的恶意脚本、恶意软件静态分析和动态分析能力,同时目前对于未知僵尸网络及相关僵尸网络变种检测能力不足的技术问题,本发明将流量解析数据转为图数据,通过复杂网络技术提取节点相关特征值,再以图神经网络构建模型学习数据中的属性信息和结构信息。该方法摆脱了以往基于机器学习的僵尸网络检测方法无法发现结构信息的弊端,以及单纯基于图神经网络而未对流量解析数据进行深入的特征工程而丢失结构信息的缺陷。本发明的方法可作为僵尸网络综合检测系统的重要组成部分,以提高未知僵尸网络及其变种的检测精确率。

    一种集成两种特殊浸润性材料的T型油水分离设备

    公开(公告)号:CN105582693A

    公开(公告)日:2016-05-18

    申请号:CN201510968274.4

    申请日:2015-12-22

    发明人: 赵勇 王女 刘晶

    IPC分类号: B01D17/022

    CPC分类号: B01D17/02 B01D17/085

    摘要: 本发明公开了一种集成两种特殊浸润性材料的T型油水分离设备,属于污水处理技术领域。所述的T型油水分离设备具有三通道结构,根据油水分离体系设置成侧T型或倒T型。所述的三通道结构中,竖直向上的通道作为油水混合体系入口通道,其余两个通道作为分离通道。在所述的两个分离通道内分别设置超疏水超亲油分离膜AW和超亲水和水下超疏油分离膜AO。与现有的单种膜进行油水分离方式相比,解决了液体密度差引起的液体阻碍层问题,实现了可持续的油水分离。同时,这种双通道的分离方式减小了分离膜承受的静液压,减小了对分离膜机械强度的要求;可实现不考虑油水密度差异的可持续的油水分离。

    一种集成两种特殊浸润性材料的T型油水分离设备

    公开(公告)号:CN105582693B

    公开(公告)日:2018-09-11

    申请号:CN201510968274.4

    申请日:2015-12-22

    发明人: 赵勇 王女 刘晶

    IPC分类号: B01D17/022

    摘要: 本发明公开了一种集成两种特殊浸润性材料的T型油水分离设备,属于污水处理技术领域。所述的T型油水分离设备具有三通道结构,根据油水分离体系设置成侧T型或倒T型。所述的三通道结构中,竖直向上的通道作为油水混合体系入口通道,其余两个通道作为分离通道。在所述的两个分离通道内分别设置超疏水超亲油分离膜AW和超亲水和水下超疏油分离膜AO。与现有的单种膜进行油水分离方式相比,解决了液体密度差引起的液体阻碍层问题,实现了可持续的油水分离。同时,这种双通道的分离方式减小了分离膜承受的静液压,减小了对分离膜机械强度的要求;可实现不考虑油水密度差异的可持续的油水分离。

    一种用于大模型精准检索的输入信息的获取方法及系统

    公开(公告)号:CN118656434A

    公开(公告)日:2024-09-17

    申请号:CN202410791744.3

    申请日:2024-06-18

    IPC分类号: G06F16/31 G06F16/33

    摘要: 本发明涉及一种用于大模型精准检索的输入信息的获取方法及系统,包括:对当前用户的提问信息进行向量化处理,获取第一向量及关键词集合一;基于提问信息,在向量数据库中进行检索,获得与第一向量匹配的所有向量结果,针对每一向量结果得到一个关键词集合二;删除关键词集合二中与关键词集合一存在相同关键词的信息,得到关键词集合三;对关键词集合三进行处理,获取第二向量,将第一向量与第二向量进行点积运算,获得每一个文档的注意力权重;基于每一个文档的注意力权重,获取在预设范围内的文档;将在预设范围内的文档与提问信息组合输入预先给定的提示词模型,获得用于输入精准检索的大模型的输入信息。本发明能够提高大模型检索精确率。

    一种基于深度学习的恶意软件行为检测与分类系统

    公开(公告)号:CN113961922A

    公开(公告)日:2022-01-21

    申请号:CN202111254605.X

    申请日:2021-10-27

    摘要: 本发明公开了一种基于深度学习的恶意软件行为检测与分类系统,基于沙箱捕获的恶意软件动态行为数据,包含API调用序列特征工程和模型构建两大核心组成部分,其中特征工程部分摆脱了以往研究中只注重属性特征而忽视结构特征以及主要基于N‑gram采集属性特征进而缺乏语义理解能力的缺陷,模型构建部分利用集成学习思想构建综合检测与分类模型,子模型分别基于有监督学习、无监督学习和强化学习进行选择和设计,以实现对常规恶意软件高精确率检测和对未知APT恶意软件较高精确率检测;采用对抗训练的方法,将对抗攻击方法生成的对抗样本加入模型数据集,提高检测与分类模型抵御对抗样本攻击和鲁棒性的能力。