CN104092618A - 一种基于杜鹃搜索算法的对等网络流量特征选择方法 - Google Patents
一种基于杜鹃搜索算法的对等网络流量特征选择方法 Download PDFInfo
- Publication number
- CN104092618A CN104092618A CN201410352930.3A CN201410352930A CN104092618A CN 104092618 A CN104092618 A CN 104092618A CN 201410352930 A CN201410352930 A CN 201410352930A CN 104092618 A CN104092618 A CN 104092618A
- Authority
- CN
- China
- Prior art keywords
- peer
- bird
- nest
- network traffic
- peer network
- 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
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于杜鹃搜索算法的对等网络流量特征选择方法,通过利用杜鹃搜索算法对对等网络流量特征选择问题优化求解,从而可以快速的获得对等网络流量本质属性的最优特征子集,可用于对等网络流量识别和模式识别相关技术领域中。本发明能够在可接受的时间代价内找到特征选择问题的高质量的可行解,不需要人为指定要选择的特征维数,能够智能的在正确识别率和特征维数之间取得很好的平衡,自动寻找到比较合适的最优特征子集。本发明利用杜鹃搜索算法对对等网络中原始数据集进行特征选择,剔除不相关或冗余的对等网络流量特征,取出真正相关的特征,节省对等网络流量识别中特征提取的计算时间,从而提高对等网络流量识别的效率和正确率。
Description
技术领域
本发明属于智能计算、计算机网络和模式识别的交叉应用领域,涉及模式识别方法在计算机网络,尤其涉及该技术在计算机网络中对等网络流量识别问题,具体涉及一种基于杜鹃搜索算法的对等网络流量特征选择方法。
背景技术
对等网络技术是无中心服务器、依靠用户群交换信息的互联网体系,是互联网技术的一个重要分支。与有传统中心服务器的中央网络系统不同,对等网络的每个用户端既是客户机器也是服务器。目前对等网络技术被广泛应用于军事、商业、政府信息、通讯等众多领域。美国《财富》杂志称对等网络技术是改变互联网发展的四大新技术之一。据统计对等网络应用在互联网应用占据80%左右的流量。在对等网络快速发展的同时,由于对等网络技术本身的特点,对等网络应用对网络运营商的网络质量和用户管理也带来了巨大的危害。
为了使得对等网络技术更好的为人们生产生活提供更好的服务,有必要对对等网络流量的进行控制和管理,首先要解决的问题是对等网络流量的识别。在对等网络流量识别问题中,流量特征的提取和选择对对等网络流量识别有着重大的影响,单一的网络流量特征通常识别精度不高,而过多的流量特征会增加流量样本特征抽取的工作量;此外过多的特征会带来维数灾问题,增加分类器的计算时间,降低分类器的性能。所以为了提高对等网络流量识别的正确率和减少计算工作量,在进行对等网络流量分类识别之前,需要对原始的数据集进行特征选择,剔除不相关或冗余的对等网络流量特征,尽可能选择出最能代表网络流量样本属性的特征子集,以提高对等网络流量识别的正确率。特征选择也叫特征子集选择,是指从已有的M个特征中选择N(N小于等于M)个特征使得系统的特定指标最优化。特征选择是影响分类准确率的最重要的因素之一。实质上对等网络流量特征选择问题是一个计算时间复杂度为指数级别NP难求解问题,其时间复杂度为O(2M),M为原始特征个数。常用的求解算法如分支限界法,回溯法等只能求解规模很小的特征选择问题。实际工作中,特征选择问题常被视为组合优化问题,采用启发式算法或者最优化方法获得它的近似最优解。
发明内容
杜鹃搜索算法是一种启发式优化算法,具有很强的全局寻优能力,为了解决在对等网络流量特征问题,本发明提出一种基于杜鹃搜索算法的对等网络流量特征选择方法。
本发明所采用的技术方案是:一种基于杜鹃搜索算法的对等网络流量特征选择方法,其特征在于,包括以下步骤:
步骤1:对获取的网络数据包进行预处理并提取网络流量特征,对网络流量特征进行归一化处理,得到原始特征样本集,所述的原始特征样本集作为输入数据集;
步骤2:将输入数据集作为完整的特征空间输入到特征选择算法中;
步骤3:初始化杜鹃搜索算法所需的参数,得到算法的初始种群;
步骤4:将杜鹃搜索算法中鸟巢的初始空间位置向量解码成相应的特征子集,利用适应度评价函数计算得到每个特征子集的适应度函数值,比较每个鸟巢的适应度函数值,并记录和保留当前最优鸟巢位置为A;
步骤5:通过杜鹃搜索算法中的位置更新公式更新鸟巢的位置,得到一组新解并计算其适应度函数值,比较这组解的适应度函数值并记其具有最优适应度函数值的位置为B;
步骤6:用随机数r∈[0,1]与鸟巢的主人发现外来的鸟蛋概率pa对比,并判断:
若r>pa,则通过列维飞行随机改变鸟巢位置,得到一组新的鸟巢位置,并计算其适应度函数值,比较这组解的适应度函数值并记其具有最优适应度函数值的位置为C;
若r≤pa,则顺序执行下述步骤7;
步骤7:将位置B和C的适应度函数值与上一代当前最优鸟巢位置A的适应度函数值进行对比,若更好,则将其作为当前的最优鸟巢位置A;
步骤8:判断,是否满足终止条件?
若否,则回转执行所述的步骤5;
若是,则解码并输出全局最优鸟巢位置对应的最优特征子集。
作为优选,步骤1中所述的对获取的网络流量包进行预处理,其具体实现过程是利用网络抓包工具分时段随机抓取一定数量网络数据包并存入样本数据库中,人工分析出其中对等网络包和普通网络包的数量,对抓取的网络数据包提取网络流量特征。
作为优选,步骤1中所述的对对网络流量特征进行归一化处理,采用的公式为:
A’表示特征v的原始值A映射到[0,1]之间的归一化值,minv表示特征v的最小值,maxv表示特征v的最大值。
作为优选,步骤3中所述的初始化杜鹃搜索算法所需的参数包括迭代次数Iter、杜鹃的种群规模N、被发现的概率pa、速度步长控制参数α、列维飞行步长控制参数λ、鸟巢的初始空间位置。
作为优选,步骤4中所述的将杜鹃搜索算法中鸟巢的初始空间位置向量解码成相应的特征子集,是利用sigmoid公式将杜鹃搜索算法中鸟巢的初始空间位置向量解码成相应的特征子集,sigmoid公式为:
其中表示第t次迭代时第i个鸟巢的第d维的空间位置,是一个实数,e是自然底数,σ是一个数值范围是[0,1]服从均匀分布的随机数。
作为优选,步骤4中所述的利用适应度评价函数计算得到每个特征子集的适应度函数值,其适应度函数值计算公式为:
这里Fitness(i)表示鸟巢i的适应度函数值,correct-rate(i)表示利用鸟巢i选择的特征子集进行对等网络流量识别的正确率,num(i)表示此次选择的特征个数,ω是特征个数的权重参数。
作为优选,步骤5中所述的通过杜鹃搜索算法中的位置更新公式更新鸟巢的位置,其位置更新公式为:
xi(t+1)=xi(t)+α⊕Levy(λ)
其中α是速度步长控制量并且α>0,⊕表示点对点乘法,Levy(λ)是均匀Levy分布随机数,服从Levy~u=t-λ(1<λ≤3),i表示第i个鸟巢的位置,t表示迭代次数,λ是列维飞行步长控制参数。
作为优选,步骤8中所述的终止条件为达到预设的最大运行迭代数。
本发明的一种对等网络流量特征选择方法,能够在可接受的时间代价内找到特征选择问题的高质量的可行解,它不需要人为指定要选择的特征维数,能够智能的在正确识别率和特征维数之间取得很好的平衡,自动寻找到比较合适的最优特征子集。
本发明的有益效果是:利用杜鹃搜索算法对等网络中原始的数据集进行特征选择,剔除不相关或冗余的对等网络流量特征,取出真正相关的特征,节省对等网络流量识别中特征提取的计算时间,从而提高对等网络流量识别的效率和正确率。
附图说明
图1:本发明实施例的原始特征样本集数据采集流程图;
图2:本发明实施例的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1、图2,本发明所采用的技术方案是:一种基于杜鹃搜索算法的对等网络流量特征选择方法,其特征在于,包括以下步骤:
步骤1:利用网络抓包工具分时段随机抓取一定数量网络数据包并存入样本数据库中,人工分析出其中对等网络包和普通网络包的数量,对抓取的网络数据包提取网络流量特征,对对网络流量特征进行归一化,得到原始特征样本集,原始特征样本集作为输入数据集;其中归一化处理所采用的公式为:
A’表示特征v的原始值A映射到[0,1]之间的归一化值,minv表示特征v的最小值,maxv表示特征v的最大值。
步骤2:将输入数据集作为完整的特征空间输入到特征选择算法中;
步骤3:初始化杜鹃搜索算法所需的参数,得到算法的初始种群;参数包括迭代次数Iter、杜鹃的种群规模N、被发现的概率pa、速度步长控制参数α、列维飞行步长控制参数λ、鸟巢的初始空间位置。
步骤4:将杜鹃搜索算法中鸟巢的初始空间位置向量解码成相应的特征子集,利用适应度评价函数计算得到每个特征子集的适应度函数值,比较每个鸟巢的适应度函数值,并记录和保留当前最优鸟巢位置为A;
故本实施是利用sigmoid公式将杜鹃搜索算法中鸟巢的初始空间位置向量解码成相应的特征子集,sigmoid公式为:
其中表示第t次迭代时第i个鸟巢的第d维的空间位置,是一个实数,e是自然底数,σ是一个数值范围是[0,1]服从均匀分布的随机数;通过sigmoid公式,鸟巢的初始空间位置向量是一个二值向量,其位置每一维度的取值只能是0或者1,0表示该分量对应的特征不被选择,1表示该分量对应的特征被选择。这样一个鸟巢的位置向量就解码成一个特征选择问题的解。例如原始特征有10维度,一个鸟巢xi的空间位置为(0000110001),表示这个鸟巢对应的解中特征1、特征5和特征6被选中,其它特征没有被中,特征子集为{1,5,6}。
利用得到的特征子集进行分类,利用适应度评价函数计算得到每个鸟巢对应的特征子集的适应度函数值。特征选择问题要求用尽可能少的特征获得尽可能高的识别正确率,故本实施的适应度函数值计算公式为:
这里Fitness(i)表示鸟巢i的适应度函数值,correct-rate(i)表示利用鸟巢i选择的特征子集进行对等网络流量识别的正确率,num(i)表示此次选择的特征个数,ω是特征个数的权重参数,本实施例取值0.01。
步骤5:通过杜鹃搜索算法中的位置更新公式更新鸟巢的位置,得到一组新解并计算其适应度函数值,比较这组解的适应度函数值并记其具有最优适应度函数值的位置为B;其中通过杜鹃搜索算法中的位置更新公式更新鸟巢的位置,其位置更新公式为:
xi(t+1)=xi(t)+α⊕Levy(λ)
其中α是速度步长控制量并且α>0,⊕表示点对点乘法,Levy(λ)是均匀Levy分布随机数,服从Levy~u=t-λ(1<λ≤3),i表示第i个鸟巢的位置,t表示迭代次数,λ是列维飞行步长控制参数。
步骤6:用随机数r∈[0,1]与鸟巢的主人发现外来的鸟蛋概率pa对比,并判断:
若r>pa,则通过列维飞行随机改变鸟巢位置,得到一组新的鸟巢位置,并计算其适应度函数值,比较这组解的适应度函数值并记其具有最优适应度函数值的位置为C;
若r≤pa,则顺序执行下述步骤7。
步骤7:将位置B和C的适应度函数值与上一代当前最优鸟巢位置A的适应度函数值进行对比,若更好,则将其作为当前的最优鸟巢位置A;
步骤8:判断,是否满足终止条件?
若否,则回转执行步骤5;
若是,则解码并输出全局最优鸟巢位置对应的最优特征子集。
本实施例的终止条件为达到预设的最大运行迭代数。
本发明通过利用杜鹃搜索算法对对等网络流量特征选择问题优化求解,从而可以快速的获得对等网络流量本质属性的最优特征子集,该方法可用于对等网络流量识别和模式识别相关技术领域中。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (8)
1.一种基于杜鹃搜索算法的对等网络流量特征选择方法,其特征在于,包括以下步骤:
步骤1:对获取的网络数据包进行预处理并提取网络流量特征,对网络流量特征进行归一化处理,得到原始特征样本集,所述的原始特征样本集作为输入数据集;
步骤2:将输入数据集作为完整的特征空间输入到特征选择算法中;
步骤3:初始化杜鹃搜索算法所需的参数,得到算法的初始种群;
步骤4:将杜鹃搜索算法中鸟巢的初始空间位置向量解码成相应的特征子集,利用适应度评价函数计算得到每个特征子集的适应度函数值,比较每个鸟巢的适应度函数值,记录并保留当前最优鸟巢位置为A;
步骤5:通过杜鹃搜索算法中的位置更新公式更新鸟巢的位置,得到一组新解并计算其适应度函数值,比较这组解的适应度函数值并记其具有最优适应度函数值的位置为B;
步骤6:用随机数r∈[0,1]与鸟巢的主人发现外来的鸟蛋概率pa对比,并判断:
若r>pa,则通过列维飞行随机改变鸟巢位置,得到一组新的鸟巢位置,并计算其适应度函数值,比较这组解的适应度函数值并记其具有最优适应度函数值的位置为C;
若r≤pa,则顺序执行下述步骤7;
步骤7:将位置B和C的适应度函数值与上一代当前最优鸟巢位置A的适应度函数值进行对比,若更好,则将其作为当前的最优鸟巢位置A;
步骤8:判断,是否满足终止条件?
若否,则回转执行所述的步骤5;
若是,则解码并输出全局最优鸟巢位置对应的最优特征子集。
2.根据权利要求1所述的基于杜鹃搜索算法的对等网络流量特征选择方法,其特征在于:步骤1中所述的对获取的网络流量包进行预处理,其具体实现过程是利用网络抓包工具分时段随机抓取一定数量网络数据包并存入样本数据库中,人工分析出其中对等网络包和普通网络包的数量,对抓取的网络数据包提取网络流量特征。
3.根据权利要求1所述的基于杜鹃搜索算法的对等网络流量特征选择方法,其特征在于:步骤1中所述的对对网络流量特征进行归一化处理,采用的公式为:
A’表示特征v的原始值A映射到[0,1]之间的归一化值,minv表示特征v的最小值,maxv表示特征v的最大值。
4.根据权利要求1所述的基于杜鹃搜索算法的对等网络流量特征选择方法,其特征在于:步骤3中所述的初始化杜鹃搜索算法所需的参数包括迭代次数Iter、杜鹃的种群规模N、被发现的概率pa、速度步长控制参数α、列维飞行步长控制参数λ、鸟巢的初始空间位置。
5.根据权利要求1所述的基于杜鹃搜索算法的对等网络流量特征选择方法,其特征在于:步骤4中所述的将杜鹃搜索算法中鸟巢的初始空间位置向量解码成相应的特征子集,是利用sigmoid公式将杜鹃搜索算法中鸟巢的初始空间位置向量解码成相应的特征子集,sigmoid公式为:
其中表示第t次迭代时第i个鸟巢的第d维的空间位置,是一个实数,e是自然底数,σ是一个数值范围是[0,1]服从均匀分布的随机数。
6.根据权利要求1所述的基于杜鹃搜索算法的对等网络流量特征选择方法,其特征在于:步骤4中所述的利用适应度评价函数计算得到每个特征子集的适应度函数值,其适应度函数值计算公式为:
这里Fitness(i)表示鸟巢i的适应度函数值,correct-rate(i)表示利用鸟巢i选择的特征子集进行对等网络流量识别的正确率,num(i)表示此次选择的特征个数,ω是特征个数的权重参数。
7.根据权利要求1所述的基于杜鹃搜索算法的对等网络流量特征选择方法,其特征在于:步骤5中所述的通过杜鹃搜索算法中的位置更新公式更新鸟巢的位置,其位置更新公式为:
xi(t+1)=xi(t)+α⊕Levy(λ)
其中α是速度步长控制量并且α>0,⊕表示点对点乘法,Levy(λ)是均匀Levy分布随机数,服从Levy~u=t-λ(1<λ≤3),i表示第i个鸟巢的位置,t表示迭代次数,λ是列维飞行步长控制参数。
8.根据权利要求1所述的基于杜鹃搜索算法的对等网络流量特征选择方法,其特征在于:步骤8中所述的终止条件为达到预设的最大运行迭代数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410352930.3A CN104092618A (zh) | 2014-07-23 | 2014-07-23 | 一种基于杜鹃搜索算法的对等网络流量特征选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410352930.3A CN104092618A (zh) | 2014-07-23 | 2014-07-23 | 一种基于杜鹃搜索算法的对等网络流量特征选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104092618A true CN104092618A (zh) | 2014-10-08 |
Family
ID=51640300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410352930.3A Pending CN104092618A (zh) | 2014-07-23 | 2014-07-23 | 一种基于杜鹃搜索算法的对等网络流量特征选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104092618A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808164A (zh) * | 2017-10-17 | 2018-03-16 | 湖北工业大学 | 一种基于烟花算法的纹理图像特征选择方法 |
CN107992945A (zh) * | 2017-12-14 | 2018-05-04 | 浙江工业大学 | 基于深度学习和进化计算的特征基因选择方法 |
CN108600959A (zh) * | 2018-01-03 | 2018-09-28 | 中山大学 | 一种基于改进布谷鸟搜索算法的wsn节点定位方法 |
CN108896330A (zh) * | 2018-04-26 | 2018-11-27 | 红河学院 | 一种水电机组的故障诊断方法 |
CN109919294A (zh) * | 2019-02-28 | 2019-06-21 | 湖北工业大学 | 一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法 |
CN111144308A (zh) * | 2019-12-25 | 2020-05-12 | 中国冶金地质总局矿产资源研究院 | 一种高岭土矿物信息提取模型及其建立方法和应用 |
CN111950615A (zh) * | 2020-07-31 | 2020-11-17 | 武汉烽火技术服务有限公司 | 一种基于树种优化算法的网络故障特征选择方法 |
CN113094390A (zh) * | 2021-04-05 | 2021-07-09 | 合肥学院 | 一种基于离散化布谷鸟搜索算法的伪标记数据生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120157176A1 (en) * | 2010-12-20 | 2012-06-21 | Kabushiki Kaisha Square Enix (Also Trading As Square Enix Co., Ltd.) | Artificial intelligence for games |
CN103179199A (zh) * | 2013-03-06 | 2013-06-26 | 湖北工业大学 | 一种对等网络应用流量优化方法 |
CN103760907A (zh) * | 2013-12-30 | 2014-04-30 | 哈尔滨工程大学 | 一种基于布谷鸟搜索算法的水下潜器三维路径规划方法 |
CN103780501A (zh) * | 2014-01-03 | 2014-05-07 | 濮阳职业技术学院 | 一种不可分小波支持向量机的对等网络流量识别方法 |
-
2014
- 2014-07-23 CN CN201410352930.3A patent/CN104092618A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120157176A1 (en) * | 2010-12-20 | 2012-06-21 | Kabushiki Kaisha Square Enix (Also Trading As Square Enix Co., Ltd.) | Artificial intelligence for games |
CN103179199A (zh) * | 2013-03-06 | 2013-06-26 | 湖北工业大学 | 一种对等网络应用流量优化方法 |
CN103760907A (zh) * | 2013-12-30 | 2014-04-30 | 哈尔滨工程大学 | 一种基于布谷鸟搜索算法的水下潜器三维路径规划方法 |
CN103780501A (zh) * | 2014-01-03 | 2014-05-07 | 濮阳职业技术学院 | 一种不可分小波支持向量机的对等网络流量识别方法 |
Non-Patent Citations (4)
Title |
---|
RODRIGUES, D.; PEREIRA, L.A.M.; ALMEIDA, T.N.S.; PAPA, J.P: "BCS: A Binary Cuckoo Search Algorithm for Feature Selection", 《CIRCUITS AND SYSTEMS (ISCAS)》 * |
叶志伟,郑肇葆,万幼川,虞欣: "基于蚁群优化的特征选择新方法", 《武汉大学学报 信息科学版》 * |
杜利敏,阮奇,冯登科: "基于共轭梯度的布谷鸟搜索算法", 《计算机与应用化学》 * |
赖锦辉,梁松: "一种新的基于GCS-SVM的网络流量预测模型", 《计算机工程与应用》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808164A (zh) * | 2017-10-17 | 2018-03-16 | 湖北工业大学 | 一种基于烟花算法的纹理图像特征选择方法 |
CN107992945A (zh) * | 2017-12-14 | 2018-05-04 | 浙江工业大学 | 基于深度学习和进化计算的特征基因选择方法 |
CN107992945B (zh) * | 2017-12-14 | 2020-03-24 | 浙江工业大学 | 基于深度学习和进化计算的特征基因选择方法 |
CN108600959A (zh) * | 2018-01-03 | 2018-09-28 | 中山大学 | 一种基于改进布谷鸟搜索算法的wsn节点定位方法 |
CN108896330A (zh) * | 2018-04-26 | 2018-11-27 | 红河学院 | 一种水电机组的故障诊断方法 |
CN108896330B (zh) * | 2018-04-26 | 2020-01-31 | 红河学院 | 一种水电机组的故障诊断方法 |
CN109919294A (zh) * | 2019-02-28 | 2019-06-21 | 湖北工业大学 | 一种萤火虫算法与杜鹃搜索算法并行融合的图像增强方法 |
CN111144308A (zh) * | 2019-12-25 | 2020-05-12 | 中国冶金地质总局矿产资源研究院 | 一种高岭土矿物信息提取模型及其建立方法和应用 |
CN111950615A (zh) * | 2020-07-31 | 2020-11-17 | 武汉烽火技术服务有限公司 | 一种基于树种优化算法的网络故障特征选择方法 |
CN111950615B (zh) * | 2020-07-31 | 2023-12-05 | 武汉烽火技术服务有限公司 | 一种基于树种优化算法的网络故障特征选择方法 |
CN113094390A (zh) * | 2021-04-05 | 2021-07-09 | 合肥学院 | 一种基于离散化布谷鸟搜索算法的伪标记数据生成方法 |
CN113094390B (zh) * | 2021-04-05 | 2022-04-19 | 合肥学院 | 一种基于离散化布谷鸟搜索算法的伪标记数据生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104092618A (zh) | 一种基于杜鹃搜索算法的对等网络流量特征选择方法 | |
Tuor et al. | Overcoming noisy and irrelevant data in federated learning | |
CN108768986A (zh) | 一种加密流量分类方法及服务器、计算机可读存储介质 | |
CN111523831B (zh) | 风险团伙的识别方法、装置、存储介质和计算机设备 | |
CN108875955A (zh) | 基于参数服务器的梯度提升决策树的实现方法及相关设备 | |
CN109934615B (zh) | 基于深度稀疏网络的产品营销方法 | |
CN113392919A (zh) | 基于客户端选择的联邦注意力dbn协同检测系统 | |
Jothi et al. | An efficient SQL injection detection system using deep learning | |
Xiao et al. | Network security situation prediction method based on MEA-BP | |
CN113706151A (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN110222795A (zh) | 基于卷积神经网络的p2p流量的识别方法及相关装置 | |
CN116542322A (zh) | 一种联邦学习方法 | |
CN114511330B (zh) | 一种基于改进的cnn-rf的以太坊庞氏骗局检测方法及系统 | |
CN115456093A (zh) | 一种基于注意力图神经网络的高性能图聚类方法 | |
CN111475158A (zh) | 子领域划分方法、装置、电子设备和计算机可读存储介质 | |
CN110245155A (zh) | 数据处理方法、装置、计算机可读存储介质及终端设备 | |
CN111984842B (zh) | 银行客户数据处理方法及装置 | |
CN111209105A (zh) | 扩容处理方法、装置、设备及可读存储介质 | |
CN115115369A (zh) | 数据处理方法、装置、设备及存储介质 | |
Ying et al. | FrauDetector+ An Incremental Graph-Mining Approach for Efficient Fraudulent Phone Call Detection | |
CN109977977A (zh) | 一种识别潜在用户的方法及对应装置 | |
CN112348041B (zh) | 日志分类、日志分类训练方法及装置、设备、存储介质 | |
Huang et al. | Internet traffic classification based on min-max ensemble feature selection | |
CN117172093A (zh) | 基于机器学习的Linux系统内核配置的策略优化方法及装置 | |
CN113742495B (zh) | 基于预测模型的评级特征权重确定方法及装置、电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141008 |
|
RJ01 | Rejection of invention patent application after publication |