-
公开(公告)号：CN118312393A
公开(公告)日：2024-07-09
申请号：CN202410123465.X
申请日：2024-01-29
Applicant: 大连海事大学
IPC: G06F11/34 , G06N3/0442 , G06N3/0455 , G06N3/096 , G06N3/084
Abstract: 本发明提供了一种基于注意力域适应迁移学习的日志序列异常检测方法，包括如下步骤：S1、采用BERT获得日志模板的语义向量；S2、采用Normalizing Flow对日志模板的语义向量进行向量优化；S3、利用GRU提取S2优化后的日志模板的向量；S4、基于S3获取的日志模板的向量，使用GRU网络训练源域日志序列异常检测模型；S5、判断源域日志序列是否全部训练；S6、判断模型训练结果是否满足预期；S7、计算源域和目标域日志数据的域差异；S8、基于域差异，使用源域日志序列最佳异常检测模型对目标域日志数据进行迁移学习训练；S9、判断目标域日志序列迁移学习是否达预期。本发明可以准确地捕获日志数据集的语义特征信息，实现在无标签日志数据集上获得高准确率的检测结果。
-
公开(公告)号：CN116150669A
公开(公告)日：2023-05-23
申请号：CN202211542741.3
申请日：2022-12-02
Applicant: 大连海事大学
IPC: G06F18/241 , G06F40/205 , G06F17/13
Abstract: 本发明提供一种基于双流形正则化宽度学习的Mashup服务多标签分类方法，主要包括：采用隐狄利克雷分布主题模型对预处理后的Mashup描述文档进行特征提取；将Mashup描述文档主题特征矩阵分别线性映射成n组特征节点；通过激活函数对特征节点进行处理，从而生成增强节点；对特征节点和增强节点进行拼接处理从而生成增强特征节点作为模型的输入；构建基于双流形正则化宽度学习的Mashup服务多标签分类模型的目标函数；使用最小二乘法求解目标函数，获取双流形正则化宽度学习网络的权值矩阵；获取测试用Mashup服务的描述文档，将其送入已经训练好的模型中预测多标签分类结果。本发明利用双流形正则化对宽度学习模型进行改进，并采用改进后的BLS模型实现Mashup服务多标签分类功能。
-
公开(公告)号：CN118227366A
公开(公告)日：2024-06-21
申请号：CN202410402291.0
申请日：2024-04-03
Applicant: 大连海事大学
IPC: G06F11/07 , G06F18/241 , G06F18/213 , G06F18/15 , G06N3/0455 , G06N3/0442 , G06N3/0475 , G06N3/094 , G06F123/02
Abstract: 本发明公开了一种基于VAE‑GRU和对抗训练的KPIs异常检测方法，包括：对KPIs时间序列数据进行归一化处理，利用滑动窗口将归一化后的KPIs时间序列数据转换为滑动窗口序列；基于使用GRU来捕获所述滑动窗口序列中复杂的时间相关性；基于对抗训练模型放大重构误差，得到更精确的滑动窗口序列的重构数据；根据滑动窗口序列的重构数据对测试数据及未知数据进行异常得分计算；根据每个KPIs维度的异常分数，计算KPIs数据各时间戳的异常阈值；根据每个KPIs维度的异常阈值，判断KPIs数据各时间戳是否异常。本发明能够在异常数据与正常数据比较接近时扩大重构误差，提升异常检测精确率。
-
公开(公告)号：CN116882263A
公开(公告)日：2023-10-13
申请号：CN202310677000.4
申请日：2023-06-08
Applicant: 大连海事大学
Abstract: 本发明提供一种服务系统可靠性预测模型超参数调优方法，主要包括：基于父代超参数和变异算子生成子代参数；基于改进bootstrap方法进行超参数校验，在每轮校验中都加入自增长的随机种子；通过子代超参数与父代超参数进行对比，选择bootstrap校验指标高的一个成为下一次迭代的父代，并根据对比结果调整变异算子；当判断迭代次数超过最大阈值或者变异算子无限逼近0时完成调优，否则根据父代超参数和变异算子继续变异。本发明用进化策略算法取代传统的直接遍历法，利用进化策略算法迭代次数少、收敛速度快的特点，提高调参效率；然后改进校验方法，通过加入滑动随机种子保证了机器学习模型校验时样本数据分布的均匀性，有助于提高调参准确性。
-
-
-
Search Results
4
records
(took 0.017 seconds)
