CN103258123A - 一种基于隐写分析系统盲性的隐写分析方法 - Google Patents
一种基于隐写分析系统盲性的隐写分析方法 Download PDFInfo
- Publication number
- CN103258123A CN103258123A CN2013101487797A CN201310148779A CN103258123A CN 103258123 A CN103258123 A CN 103258123A CN 2013101487797 A CN2013101487797 A CN 2013101487797A CN 201310148779 A CN201310148779 A CN 201310148779A CN 103258123 A CN103258123 A CN 103258123A
- Authority
- CN
- China
- Prior art keywords
- steganalysis
- latent
- writemode
- sample set
- original text
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于隐写分析系统盲性的隐写分析方法。本方法为:1)构造隐写模式的概率分布模型;所述概率分布模型包括多种隐写模式及其出现概率;2)选取一组原文样本集,并分别使用概率分布模型中的每种隐写模式对一原文样本集进行隐写,生成相应的隐文样本集;3)对于每一待测评的隐写分析系统,根据每一隐写模式的隐文样本集及其相应原文样本集计算该隐写分析系统对相应隐写模式的分析正确率;然后根据隐写模式的出现概率对各隐写模式的分析正确率进行加权平均,得到该隐写分析系统的盲性值;4)选取盲性值最高的隐写分析系统对待分析的隐文进行隐写分析。本发明可客观测评隐写分析系统的实际分析能力,提高对未知隐写算法隐文的分析。
Description
技术领域
本发明涉及一种隐写分析(Steganalysis)方法,具体涉及一种基于隐写分析系统盲性的隐写分析方法,包括隐写分析盲性指标的定义、计算以及利用该指标测评隐写分析盲性的方法,该方法属于信息安全技术领域中的信息隐藏子领域。
背景技术
随着数字多媒体的发展,以数字内容为载体的现代隐写(Steganography)技术日渐成为信息安全领域研究的重点之一。隐写能够在不影响载体数据感知内容和质量的前提下在其中嵌入机密信息,通过隐蔽保密通信或者保密存储的存在性事实,提高了机密数据传输或者存储的安全。隐写系统通过修改载体数据的冗余信息嵌入机密信息,使得嵌入后的载体数据(称为“隐文”)与嵌入前的载体数据(称为“原文”)的差异不易被察觉。与隐写相对应,隐写分析则是用于分析判断数据中是否含有隐蔽信息的技术。虽然隐写嵌入过程对载体数据的感知内容和质量的影响很难被人眼所识别,但其对载体数据的改变一般能够被某些统计特征的变化反映出来。隐写分析技术利用这些对隐写嵌入过程比较敏感的统计特征对多媒体数据进行分析,从而识别隐蔽信息的存在。据报道,隐写已经被不法分子和恶意代码所利用。因此,现代隐写分析技术作为一种判断数字媒体数据中是否含有秘密信息的技术,在信息安全方面有着重要意义。
根据适用范围不同,隐写分析可分为三类:一、专用隐写分析(Specific Steganalysis),它只适用于专门的隐写算法(参考文献:Veena H B,Krishna S.Steganalysis of perturbedquantization using HBCL statistics and FR index[C]//Proceedings of5th International Conferenceon Information Systems,Technology and Management,MDI Gurgaon,India,Mar.10-12,Berlin:Springer-Verlag,2011:51-60.);二、通用隐写分析(Universal Steganalysis),针对多个隐写算法都有效(参考文献:Shi Y,Chen C,Chen W.A Markov process based approach to effectiveattacking JPEG steganography[C]//Proceedings of8th International Workshop on InformationHiding,Virginia,USA,Jul.10-12,Berlin:Springer-Verlag,2007:249-264.);三、多类隐写分析(Multi-class Steganalysis),可以将多个隐写算法分类(参考文献:T,Fridrich J.MergingMarkov and DCT features for multi-class JPEG steganalysis[C]//Proceedings of the Society ofPhoto-optical Instrumentation Engineers,Bellingham:SPIE Press,2008:1-13.)。
现代隐写分析技术多采用基于机器学习的方法,通过包含原文样本和隐文样本的训练集构造一个二类或多类分类器,对待分析的数字内容(称为“待测样本”)进行分类,从而判断其中是否含有隐蔽信息。因此,构造分类器时使用的训练集对隐写分析方法的效果具有显著影响。若训练集中隐文样本的各项配置及参数(如所使用的隐写算法、隐写嵌入率等)与待测样本中潜在的隐文样本相同,则隐写分析方法正确检测出隐蔽信息存在的能力较高,反之则较低(参考文献:Guan Q,Dong J,Tan T.Blind quantitative steganalysis based on feature fusionand gradient boosting[C]//Proceedings of10th International Workshop on Digital Watermarking,Seoul,Korea,May.12-13,Berlin:Springer-Verlag,2011:266-279.)。然而,在实际应用中,隐写分析者往往无法得知隐写者所使用的隐写算法和参数配置。因此,衡量隐写分析方法的优劣需要综合考虑该方法针对多种不同隐写方法的分析效果,对隐写分析系统针对未知隐写方法的检测能力进行客观评价。这种评价称为隐写分析系统的“盲性”。
盲性体现了隐写分析方法在缺乏先验知识情况下的综合分析能力,是衡量隐写分析系统在实际应用中的分析效果的重要标准。现有的隐写分析系统评价方法均未考虑盲性,只采用隐写分析方法针对特定类型隐文样本的分类正确率作为评价标准。因此,如何构造评价隐写分析盲性的指标、并利用该指标对隐写分析方法进行客观的测评,从而选取盲性值最高的系统对待分析的隐文进行隐写分析是隐写分析研发领域的一个需要解决的问题。
经过专利查询,在本发明领域内已有的相关专利申请情况如下:
(1)专利申请号为201010574719的中国专利“一种信息隐写方法及装置”公开了一种信息隐写方法及装置。该专利采用首先对需隐写的第一载体信息进行多次改变特征变化方向的预处理,得到对应的多个预处理载体信息;再对第一载体信息和对应的多个预处理载体信息分别进行分块,得到多个第一载体子信息及对应的多个预处理载体子信息;然后采用基于粒子群算法的块选择,对上述多个第一载体子信息及对应的多个预处理载体子信息进行组合得到一个新的第二载体信息;最后利用隐写算法向该新的第二载体信息中嵌入秘密信息。该专利方法仅仅描述了一种具体的隐写方法,并没有提出任何可以评价该隐写系统的适用性或者盲性的指标,因此该专利申请与本专利申请的基本目的、思路明显不同。
(2)专利申请号为200910166327的中国专利“用于对图像进行隐写分析的方法和装置”提供了用于对图像进行隐写分析的方法和装置。该专利包括:从与图像对应的灰度图像中产生预测误差图像;计算所述灰度图像和所述预测误差图像的离散小波变换;计算与所述灰度图像和所述预测误差图像的离散小波变换关联的多个子带的矩,其中对所述矩的计算基于所述多个子带的直方图;利用所述矩以向一个或更多个分类器提供输入特征,所述一个或更多个分类器被配置用来检测用于指示所述图像中是否存在隐藏数据的、所述直方图的变化。该专利主要使用了一种特征计算方法,并未设计使用任何评价指标分析其性能,该专利申请与本专利申请的基本目的、思路与具体实现方式明显不同。
发明内容
针对现有技术中存在的技术问题,本发明的目的在于提供一种基于隐写分析系统盲性的隐写分析方法。本发明通过定义了一种评价隐写分析盲性的指标,并提供了计算该盲性指标值的方法,用于衡量实际应用环境中隐写分析系统在缺乏先验知识情况下的准确性能,从而为待分析的隐文选取盲性值最高的隐写分析系统进行隐写分析。
为了便于说明本发明给出的隐写分析盲性指标值的定义,首先定义隐写模式及其概率分布模型。隐写模式指的是隐写方法的具体配置,包括所使用的隐写算法、嵌入率等。在实际应用中,隐写者可根据需要任意选择隐写方法及相关配置,因此各种隐写模式均具有一定的出现概率。隐写模式的概率分布模型是指所有隐写模式出现的概率分布,如表1所示,其中P(em,rn)表示使用嵌入算法em和嵌入率rn的隐写模式出现的概率值。显然全部概率值之和为1,即∑m,nP(em,rn)=1。一般认为,隐蔽性较高的算法出现概率较大,反之,隐蔽性较低的算法出现的概率较小。本文以后将陈述,在某种设定下,多个隐写方法盲性指标计算结果的大小关系与另一种设定下的大小关系相同,因此不同的设定基本不影响盲性大小比较的客观性。
表1隐写模式的概率分布模型S
在设定隐写模式概率分布模型S的基础上,本发明将隐写分析系统G的盲性定义为:隐写分析系统G对概率分布模型S中所有隐写模式进行分析的平均正确率。其表达式为,
Bs=∑m,nP(em,rn)D(em,rn) (1)
其中,Bs表示隐写分析系统G的盲性指标值,P(em,rn)为隐写算法em在嵌入率为rn时出现的概率,D(em,rn)为隐写分析系统G对隐写算法em在嵌入率为rn时的分析准确率。
本发明提出的盲性指标值的计算依赖于给定的概率分布模型S,但其对隐写分析系统盲性的测评仍具有普遍的适用性。在不同的概率分布模型下,不同隐写分析方法的盲性测评指标值相互之间的优劣关系以及变化趋势是稳定的。本文将在具体实施方式部分结合测试结果进行详细说明。
在实际应用中,计算盲性指标值的基本方法流程是:1)构造隐写模式的概率分布模型。根据实际情况,选定隐写算法、嵌入率等配置,并构造概率分布模型。2)制备样本集。根据不同隐写模式中给出的具体隐写算法及配置,分别制备样本集以备使用。3)计算隐写分析正确率。对步骤2)制备的各种隐写模式的样本集,使用待测评的隐写分析方法提取相应的特征集进行隐写分析,计算待测评的隐写分析方法针对各种隐写模式的分析准确率。4)计算盲性指标值。根据本发明提出的盲性指标值计算公式,利用上述步骤计算出的隐写分析准确率计算盲性指标值,5)选取盲性值最高的隐写分析系统对待分析的隐文进行隐写分析。
本发明所采用的技术方案总体包括如下步骤(所有方法都可由计算机程序按照用户的配置和操作指令完成):
(1)构造隐写模式的概率分布模型
从现实应用出发,根据目标隐写算法集合及其不同的嵌入率构建若干种隐写模式,然后根据隐写算法的应用情况,设定概率分布模型。常用的方法是给隐蔽性高、使用频繁的算法设定较大的概率值。详细步骤可参见发明的具体实施方式。为了便于描述,令{Pk},k=1,2,…,K表示构造的概率分布模型,其中Pk表示第k种隐写模式出现的概率,K表示隐写模式的数量。
(2)制备原文和隐文样本集
选定一组原文集X={xi},分别使用概率分布模型中的每种隐写模式对所述原文集进行隐写,生成相应的隐文集,得到一组隐文集{Yk},其中表示使用第k种隐写模式生成的隐文集。以上两个步骤不需要每次测评都执行。选择充足的隐写算法和原文样本数量,生成隐写模式概率分布模型和每种隐写模式对应的隐文样本集之后,即可用于测评多种隐写分析方法的盲性。
(3)计算隐写分析正确率
根据待测评的隐写分析系统具体所需的隐写分析特征,计算原文样本集合X中每个样本xi的隐写分析特征向量,得到原文特征向量集合{fi};依次计算每种隐写模式对应的隐文样本集合Yk中每个样本的隐写分析特征向量,得到K组隐文特征向量集合
使用待测评的隐写分析系统依次对每种隐写模式的原文与隐文集特征{fi}和进行隐写分析,计算各种隐写模式的分析正确率Dk,以备计算盲性值时使用。
(4)计算盲性指标值
根据盲性指标值的定义,计算盲性指标值
Bs=∑kPkDk (2)
(5)选取盲性值最高的隐写分析系统对待分析的隐文进行隐写分析。
与现有技术相比,本发明的积极效果包括:
1)定义了隐写分析盲性测评指标。该指标值在不同隐写模式的概率分布模型下呈现出统一的变化趋势。
2)客观的测评隐写分析系统的性能。使用本发明提出的盲性测评指标,可以客观的测评隐写分析系统在实际应用场景中的分析能力,以及应对未知隐写算法时的分析能力,提高对未知隐写算法隐文的分析。
附图说明
图1是本发明方法的总流程图;
图2是本发明构造隐写模式概率分布模型及制备样本集的流程图;
图3是本发明的盲性指标值计算结果实例图。
具体实施方式
本发明中提出了能够评价隐写分析系统的盲性评价指标。并且对影响盲性指标值的因素进行了说明。其主要过程框架包括隐写模式概率分布模型的构造、样本集的制备、计算隐写分析正确率、计算盲性指标值等。通过本发明,隐写分析者可以计算盲性指标值客观的评价隐写分析系统的性能。
下面结合附图和实施示例,对本发明做进一步描述。
图1描述了本发明的整体流程。首先,构造隐写模式的概率分布模型,根据概率分布模型制备原文和隐文样本集。其次,使用待测评的隐写分析系统对每种隐写模式的原文和隐文样本集进行隐写分析,计算相应的分类准确率。最后,根据公式计算盲性指标值,选取盲性值最高的隐写分析系统对待分析的隐文进行隐写分析。以下描述上述步骤的具体实施方式:
1.构造隐写模式的概率分布模型
选定一组可能被使用的隐写方法Te,e=1,2,…,E,并设定一组嵌入率Ar,r=1,2,…,R,由此获得一组隐写模式Se,r。根据经验或对隐写算法出现概率的先验知识,构造该配置下的隐写模式概率分布模型。设隐写模式Se,r中的某个隐写算法e在嵌入率为r时出现的概率为Pe,r,pe,r的数值越高,表示该隐写模式出现的可能性越大,并保证全部隐写模式的出现概率之和为1,即:∑Pe,r=1。表2至表4为三种不同隐写模式的概率分布模型的实例。
表2隐写模式的概率分布模型S1
表3隐写模式的概率分布模型S2
表4隐写模式的概率分布模型S3
2.制备样本集
图2描述了本步骤的具体流程。选定一组原文集X,根据每种隐写模式Se,r的隐写算法和嵌入率配置生成相应的隐文集{Ye,r}。
3.计算隐写分析正确率
使用待测评的隐写分析系统G对每种隐写模式制备的隐文集{Ye,r}及其相应的原文集进行隐写分析,计算分类的正确率D(e,r)。
4.计算盲性指标值
根据公式Bs=∑Pe,rD(e,r)计算盲性指标值,作为隐写分析系统G的盲性测评结果。
5.隐写分析
从步骤4的测评结果中选取盲性值最高的隐写分析系统对待分析的隐文进行隐写分析。
为了直观地说明本文提出的盲性指标的客观性及不依赖于具体的隐写模式的概率分布的特性,现给出实例如下。构造8种不同构造的隐写分析系统,其基本信息如表5所示。表5所构造的8种隐写分析系统,每一个都是由不同的特征及不同的训练集组成,这些特征及其训练集对分类器的分类性能影响较大。不同的特征及训练集其分类效果也不同。对这8种隐写分析系统,分别在表2、3、4所示的隐写模式概率分布模型下计算隐写分析盲性指标值,所得结果如图3所示。从测试结果可以看出,在不同的隐写模式概率分布模型S1、S2、S3下,8个隐写分析系统的盲性指标值的变化趋势是基本一致的。从该实例中,本发明提出的隐写分析盲性指标值在不同隐写模式的概率分布模型下呈现出统一的变化趋势,因此能够客观的评测不同隐写分析系统之间的优劣。在同一隐写模式概率分布模型下,指标值越高,表明该隐写分析系统的适用性越好,反之则适用性较差。
表5隐写分析系统的具体构造
Claims (7)
1.一种基于隐写分析系统盲性的隐写分析方法,其步骤为:
1)构造隐写模式的概率分布模型;所述概率分布模型包括多种隐写模式及其出现概率;
2)选取一组原文样本集,并分别使用所述概率分布模型中的每种隐写模式对一原文样本集进行隐写,生成相应的隐文样本集;
3)对于每一待测评的隐写分析系统,根据每一隐写模式的隐文样本集及其相应原文样本集计算该隐写分析系统对相应隐写模式的分析正确率;然后根据隐写模式的出现概率对各隐写模式的分析正确率进行加权平均,得到该隐写分析系统的盲性值;
4)选取盲性值最高的隐写分析系统对待分析的隐文进行隐写分析。
2.如权利要求1所述的方法,其特征在于所述隐写模式包括隐写算法及其嵌入率。
3.如权利要求1或2所述的方法,其特征在于所述分析正确率的计算方法为:对于每一隐写模式的隐文样本集及其相应原文样本集,所述隐写分析系统根据所需的隐写分析特征,计算原文样本集中每个样本的隐写分析特征向量,得到一原文特征向量集合;计算对应的隐文样本集合中每个样本的隐写分析特征向量,得到一组隐文特征向量集合;然后所述隐写分析系统分别对该隐写模式的原文特征向量集合与隐文集特征向量集合进行隐写分析,计算该隐写模式的分析正确率。
4.如权利要求3所述的方法,其特征在于根据公式Bs=∑kPkDk计算所述盲性值Bs;其中,Dk为第k种隐写模式的分析正确率,Pk表示第k种隐写模式的出现概率。
5.如权利要求2所述的方法,其特征在于根据隐写算法的隐蔽性设置隐写模式的出现概率;其中,隐写算法隐蔽性越高,设置对应的隐写模式的出现概率越大。
6.如权利要求1所述的方法,其特征在于所述原文样本集的数量与隐写模式的数量相同;每一隐写模式对应一原文样本集。
7.如权利要求1所述的方法,其特征在于所述一组原文样本集中包括一个原文样本集,每种隐写模式分别对所述原文样本集进行隐写,分别生成相应的隐文样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101487797A CN103258123A (zh) | 2013-04-25 | 2013-04-25 | 一种基于隐写分析系统盲性的隐写分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101487797A CN103258123A (zh) | 2013-04-25 | 2013-04-25 | 一种基于隐写分析系统盲性的隐写分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103258123A true CN103258123A (zh) | 2013-08-21 |
Family
ID=48962035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101487797A Pending CN103258123A (zh) | 2013-04-25 | 2013-04-25 | 一种基于隐写分析系统盲性的隐写分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103258123A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530198A (zh) * | 2016-10-21 | 2017-03-22 | 厦门大学 | 基于参数拟合安全容量的自适应批量隐写方法 |
CN106530199A (zh) * | 2016-10-21 | 2017-03-22 | 厦门大学 | 基于窗口式假设检验的多媒体综合隐写分析方法 |
CN106920206A (zh) * | 2017-03-16 | 2017-07-04 | 广州大学 | 一种基于对抗神经网络的隐写分析方法 |
CN108805161A (zh) * | 2018-04-25 | 2018-11-13 | 上海大学 | 一种多嵌入率含密图像的隐写检测方法 |
CN111222583A (zh) * | 2020-01-15 | 2020-06-02 | 北京中科研究院 | 一种基于对抗训练与关键路径提取的图像隐写分析方法 |
CN113554544A (zh) * | 2021-07-21 | 2021-10-26 | 贵州师范大学 | 一种基于多特征融合和深度学习的隐写分析方法 |
CN114462382A (zh) * | 2022-03-17 | 2022-05-10 | 长沙理工大学 | 一种多类自然语言隐写分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071280A1 (en) * | 2001-10-15 | 2007-03-29 | Jessica Fridrich | Lossless embedding of data in digital objects |
CN101021942A (zh) * | 2007-03-26 | 2007-08-22 | 浙江大学 | 隐写分析系统中基于主元特征的隐写分析算法 |
CN102930495A (zh) * | 2012-10-16 | 2013-02-13 | 中国科学院信息工程研究所 | 一种基于隐写测评的隐写分析方法 |
CN103034853A (zh) * | 2013-01-08 | 2013-04-10 | 武汉大学 | 一种jpeg图像通用隐写分析方法 |
-
2013
- 2013-04-25 CN CN2013101487797A patent/CN103258123A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071280A1 (en) * | 2001-10-15 | 2007-03-29 | Jessica Fridrich | Lossless embedding of data in digital objects |
US20080205780A1 (en) * | 2001-10-15 | 2008-08-28 | The Research Foundation Of State University Of New York | Lossless embedding of data in digital objects |
CN101021942A (zh) * | 2007-03-26 | 2007-08-22 | 浙江大学 | 隐写分析系统中基于主元特征的隐写分析算法 |
CN102930495A (zh) * | 2012-10-16 | 2013-02-13 | 中国科学院信息工程研究所 | 一种基于隐写测评的隐写分析方法 |
CN103034853A (zh) * | 2013-01-08 | 2013-04-10 | 武汉大学 | 一种jpeg图像通用隐写分析方法 |
Non-Patent Citations (2)
Title |
---|
孙磊等: "《一种隐写分析盲性的评价及提高方法》", 《计算机应用与软件》 * |
孙磊等: "《一种隐写分析盲性的评价及提高方法》", 《计算机应用与软件》, vol. 29, no. 9, 30 September 2012 (2012-09-30) * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530198A (zh) * | 2016-10-21 | 2017-03-22 | 厦门大学 | 基于参数拟合安全容量的自适应批量隐写方法 |
CN106530199A (zh) * | 2016-10-21 | 2017-03-22 | 厦门大学 | 基于窗口式假设检验的多媒体综合隐写分析方法 |
CN106530199B (zh) * | 2016-10-21 | 2017-09-22 | 厦门大学 | 基于窗口式假设检验的多媒体综合隐写分析方法 |
CN106530198B (zh) * | 2016-10-21 | 2017-10-27 | 厦门大学 | 基于参数拟合安全容量的自适应批量隐写方法 |
CN106920206A (zh) * | 2017-03-16 | 2017-07-04 | 广州大学 | 一种基于对抗神经网络的隐写分析方法 |
CN108805161A (zh) * | 2018-04-25 | 2018-11-13 | 上海大学 | 一种多嵌入率含密图像的隐写检测方法 |
CN108805161B (zh) * | 2018-04-25 | 2022-08-05 | 上海大学 | 一种多嵌入率含密图像的隐写检测方法 |
CN111222583A (zh) * | 2020-01-15 | 2020-06-02 | 北京中科研究院 | 一种基于对抗训练与关键路径提取的图像隐写分析方法 |
CN111222583B (zh) * | 2020-01-15 | 2023-11-17 | 北京中科研究院 | 一种基于对抗训练与关键路径提取的图像隐写分析方法 |
CN113554544A (zh) * | 2021-07-21 | 2021-10-26 | 贵州师范大学 | 一种基于多特征融合和深度学习的隐写分析方法 |
CN113554544B (zh) * | 2021-07-21 | 2022-04-15 | 贵州师范大学 | 一种基于多特征融合和深度学习的隐写分析方法 |
CN114462382A (zh) * | 2022-03-17 | 2022-05-10 | 长沙理工大学 | 一种多类自然语言隐写分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103258123A (zh) | 一种基于隐写分析系统盲性的隐写分析方法 | |
CN110009171B (zh) | 用户行为模拟方法、装置、设备及计算机可读存储介质 | |
CN113688042B (zh) | 测试场景的确定方法、装置、电子设备及可读存储介质 | |
CN109302410B (zh) | 一种内部用户异常行为检测方法、系统及计算机存储介质 | |
CN111818198B (zh) | 域名检测方法、域名检测装置和设备以及介质 | |
CN106295351B (zh) | 一种风险识别方法及装置 | |
CN104636449A (zh) | 基于lsa-gcc的分布式大数据系统风险识别方法 | |
Murakami et al. | Participatory sensing data tweets for micro-urban real-time resiliency monitoring and risk management | |
CN111931047B (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
CN111160959B (zh) | 一种用户点击转化预估方法及装置 | |
WO2018033052A1 (zh) | 一种评估用户画像数据的方法及系统 | |
Robinson et al. | An evidence based earthquake detector using Twitter | |
CN111159241B (zh) | 一种点击转化预估方法及装置 | |
CN113538154A (zh) | 风险对象的识别方法、装置、存储介质和电子设备 | |
CN106897743B (zh) | 基于贝叶斯模型的移动考勤防作弊大数据检测方法 | |
CN113516251B (zh) | 一种机器学习系统及模型训练方法 | |
CN113205130B (zh) | 一种数据审核方法、装置、电子设备及存储介质 | |
KR20160133198A (ko) | 키워드 관련도 기반의 재난 이슈별 재난 탐지 기술 및 이를 이용한 재난대처 방법 | |
CN111738290B (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
CN105956629A (zh) | 一种模式分类方法及模式分类系统 | |
CN103914373A (zh) | 一种用于确定模块特征信息所对应的优先级的方法和设备 | |
Bevilacqua et al. | Assessing the significance of the correlation between the components of a bivariate Gaussian random field | |
CN116795978A (zh) | 一种投诉信息处理方法、装置、电子设备及介质 | |
CN116707859A (zh) | 特征规则提取方法和装置、网络入侵检测方法和装置 | |
CN116977692A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130821 |