CN107220557A - 一种用户越权访问敏感数据行为的检测方法及系统 - Google Patents

一种用户越权访问敏感数据行为的检测方法及系统 Download PDF

Info

Publication number
CN107220557A
CN107220557A CN201710299784.6A CN201710299784A CN107220557A CN 107220557 A CN107220557 A CN 107220557A CN 201710299784 A CN201710299784 A CN 201710299784A CN 107220557 A CN107220557 A CN 107220557A
Authority
CN
China
Prior art keywords
user
data
behavior
unauthorized access
sensitive data
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.)
Granted
Application number
CN201710299784.6A
Other languages
English (en)
Other versions
CN107220557B (zh
Inventor
艾解清
魏理豪
王建永
何旻诺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Information Center of Guangdong Power Grid Co Ltd
Original Assignee
Information Center of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Information Center of Guangdong Power Grid Co Ltd filed Critical Information Center of Guangdong Power Grid Co Ltd
Priority to CN201710299784.6A priority Critical patent/CN107220557B/zh
Publication of CN107220557A publication Critical patent/CN107220557A/zh
Application granted granted Critical
Publication of CN107220557B publication Critical patent/CN107220557B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/2141—Access rights, e.g. capability lists, access control lists, access tables, access matrices

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Storage Device Security (AREA)

Abstract

本发明公开的一种用户越权访问敏感数据行为的检测方法及系统，包括：从交换机实时采集流量数据；将流量数据还原为SQL数据；将一段时间积累的各用户的用户行为作为朴素贝叶斯算法的训练数据集，计算各用户名及用户行为符合对应角色类型的基准概率；计算新增用户名及用户行为符合对应角色类型的行为概率；判断当前角色类型的用户行为的行为概率与基准概率的偏离是否较大，是则说明该用户在越权访问数据。本发明通过流量还原成用户的SQL操作，将一段时间积累的操作内容作为训练数据，在训练数据中定义每个用户的角色，建立每个角色的行为习惯；当用户访问的行为与该用户的角色不匹配时，实现判断该用户是否在越权访问敏感数据。

Description

一种用户越权访问敏感数据行为的检测方法及系统
技术领域
本发明涉及计算机数据安全技术领域，具体涉及一种用户越权访问敏感数据行为的检测方法及系统。
背景技术
随着电网企业信息化建设的快速发展，电网根据业务要求，部署和实施了多套应用系统，同时也需要大量的运维人员来保障数据的准确性。应用系统已经为每个用户的角色进行了设定，限制其使用的范围和接触的数据，但是，在后台数据库的维护过程中，由于存在交叉访问各个数据表的业务需求，对于后台数据库用户的角色不能细分，这就造无法预防用户利用职务之便、处于私利而访问敏感数据的行为。因此需要通过对用户行为历史数据的学习，来分析每个用户所属的角色，避免越权访问敏感数据的行为。
发明内容
本发明的目的在于针对上述现有技术中存在的问题，提出一种用户越权访问敏感数据行为的检测方法及系统，将一段时间积累的操作内容作为训练数据。在训练数据中定义每个用户的角色，建立每个角色的行为习惯。当用户访问的行为与该用户的角色不匹配时，说明该用户在越权访问敏感数据。
为达到上述发明的目的，本发明通过以下技术方案实现：
一种用户越权访问敏感数据行为的检测方法，包括如下步骤：
步骤1，从交换机实时采集流量数据；
步骤2，将流量数据还原为SQL数据，其包括有用户名、角色类型和用户行为，将用户行为作为训练的信息指标；
步骤3，将一段时间积累的各用户的用户行为作为朴素贝叶斯算法的训练数据集，计算各用户名及用户行为符合对应角色类型的基准概率；
步骤4，采用朴素贝叶斯算法计算新增用户名及用户行为符合对应角色类型的行为概率；
步骤5，判断当前角色类型的用户行为的行为概率与基准概率的偏离是否较大，是则说明该用户在越权访问数据。
进一步，所述步骤2还包括步骤21，对还原后的SQL数据进行标准化。
进一步，本发明方法还包括步骤22，对标准化的SQL数据进行补充，对每个用户名进行角色标记，形成完整训练数据。
进一步，所述用户行为是用户访问某数据表名的行为，所述数据表名为按数据类型分类的数据表。
进一步，所述训练数据集为对每个用户的用户行为进行角色划分，并关于数据表名的表向量。
进一步，所述当用户访问了某数据表，则该表向量为1，其他未访问的表向量为0。
进一步，步骤4所述的行为概率具体为每类角色访问某数据表名的概率。
进一步，本发明还包括步骤6，判断用户是否访问敏感数据表，是则判定用户越权访问了敏感数据表，并发出告警。
本发明还公开一种用户越权访问敏感数据行为的检测系统，包括：
数据采集模块，用于从交换机实时采集流量数据；
数据转换模块，用以将流量数据还原为SQL数据，其包括有用户名、角色类型和用户行为，将用户行为作为训练的信息指标；
分类器构建模块，将一段时间积累的各用户的用户行为作为朴素贝叶斯算法的训练数据集，通过贝叶斯工具包构建朴素贝叶斯分类器，计算各用户的用户行为对应角色类型的基准概率；
角色类别识别模块，朴素贝叶斯分类器判断新增用户的用户行为是对应角色的行为概率，对行为概率与该用户的基准概率进行比较，发生较大偏离时，判断该用户越权使用了其他角色进行了对敏感数据的操作。
进一步，本发明的系统还包括构建特征指标模块，用以完善训练数据，选取用户的特征指标；所述贝叶斯工具包为Spark Mllib。
采用本发明的用户越权访问敏感数据行为的检测方法及系统，将一段时间积累的操作内容作为训练数据，在训练数据中定义每个用户的角色，建立每个角色的行为习惯。当用户访问的行为与该用户的角色不匹配时，说明该用户在越权访问敏感数据，从而实现避免用户越权访问敏感数据的行为。
附图说明
图1为本发明的一种用户越权访问敏感数据行为的检测方法的步骤图。
图2为本发明实施例的用户越权访问敏感数据行为的检测流程图。
图3为提取特征指标，完善后的训练数据。
图4为特征数据进行向量化的结果。
图5为需要检测的一条新用户向量化后的数据。
图6为本发明的一种用户越权访问敏感数据行为的检测系统的结构框图。
具体实施方式
下面结合附图和实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。
朴素贝叶斯分类是一种十分简单的分类算法，其思想基础是：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别；可以采用该方法判断用户的操作行为是否符合规定。
参看图1本发明方法的步骤图和图2的检测流程图，本发明实施例的一种用户越权访问敏感数据行为的检测方法，包括如下步骤：
步骤1，从交换机实时采集流量数据；
步骤2，将流量数据还原为SQL数据，其包括有用户名、角色类型和用户行为，将用户行为作为训练的信息指标；
步骤3，将一段时间积累的各用户的用户行为作为朴素贝叶斯算法的训练数据集，计算各用户名及用户行为符合对应角色类型的基准概率；
步骤4，采用朴素贝叶斯算法计算新增用户名及用户行为符合对应角色类型的行为概率；
步骤5，判断当前角色类型的用户行为的行为概率与基准概率的偏离是否较大，是则说明该用户在越权访问数据。
作为一个实施例，所述步骤2还包括步骤21，对还原后的SQL数据进行标准化，在数据分析之前，通常需要先将数据标准化，利用标准化后的数据进行数据分析，在本发明实施例中，是将流量数据转换为标准SQL语句的数据格式。
参看图3，本发明方法还包括步骤22，对标准化的SQL数据进行补充，对每个用户名进行角色标记，形成完整训练数据。将完善后的训练数据用于朴素贝叶斯的历史数据学习。
进一步，所述用户行为是用户访问某数据表名的行为，所述数据表名为按数据类型分类的数据表。
参看图3至图4，角色类型包括有数据库维护、客户信息维护等，数据表名包括有dba系统表、user系统表、all系统表、合同信息表、客户信息表、结算户信息表、客户证件信息表、用电户信息表、客户证件关联信息表和用电设备信息表等。进一步，所述当用户访问了某数据表，则该表向量为1，其他未访问的表向量为0。
进一步，参看图5的向量化数据，所述训练数据集为对每个用户的用户行为进行角色划分，并关于数据表名的表向量。
在上述基础上，步骤3所述的基准概率可列举如下：P(user系统表|数据库维护)＝5/10，P(all系统表|数据库维护)＝6/10，P(客户信息表|数据库维护)＝1/10，P(数据库维护)＝10/20等。
作为具体实施例，步骤4所述的行为概率具体为每类角色访问某数据表名的概率。参看图4和图5，用户角色的行为概率如下：
P数据库维护＝P(user系统表|数据库维护)*P(all系统表|数据库维护)*P(客户信息表|数据库维护)*P(数据库维护)＝5/10*6/10*1/10*10/20＝0.01500；
P客户信息维护＝P(user系统表|客户信息维护)*P(all系统表|客户信息维护)*P(客户|客户信息维护)*P(客户信息维护)＝1/10*1/10*3/10*10/20＝0.0015。
由此判断新增用户dba_user3是数据库维护角色。根据数据库维护人员访问客户信息建立的基准概率值，当dba_user3的客户信息维护角色概率0.0015达到基准值的区间范围内，则判断用户越权访问；再将表名跟敏感表名的字典进行比较，如果是敏感表则产生告警。
进一步，本发明还包括步骤6，判断用户是否访问敏感数据表，是则判定用户越权访问了敏感数据表，并发出告警。
参看图6，本发明还公开一种用户越权访问敏感数据行为的检测系统，包括：
数据采集模块，用于从交换机实时采集流量数据；
数据转换模块，用以将流量数据还原为SQL数据，其包括有用户名、角色类型和用户行为，将用户行为作为训练的信息指标；
分类器构建模块，将一段时间积累的各用户的用户行为作为朴素贝叶斯算法的训练数据集，通过贝叶斯工具包构建朴素贝叶斯分类器，计算各用户的用户行为对应角色类型的基准概率；
角色类别识别模块，朴素贝叶斯分类器判断新增用户的用户行为是对应角色的行为概率，对行为概率与该用户的基准概率进行比较，发生较大偏离时，判断该用户越权使用了其他角色进行了对敏感数据的操作。
进一步，本发明的系统还包括构建特征指标模块，用以完善训练数据，选取用户的特征指标；所述贝叶斯工具包为Spark Mllib。
上述实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或者等同替换；而一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种用户越权访问敏感数据行为的检测方法，其特征在于，包括如下步骤：
步骤1，从交换机实时采集流量数据；
步骤2，将流量数据还原为SQL数据，其包括有用户名、角色类型和用户行为，将用户行为作为训练的信息指标；
步骤3，将一段时间积累的各用户的用户行为作为朴素贝叶斯算法的训练数据集，计算各用户名及用户行为符合对应角色类型的基准概率；
步骤4，采用朴素贝叶斯算法计算新增用户名及用户行为符合对应角色类型的行为概率；
步骤5，判断当前角色类型的用户行为的行为概率与基准概率的偏离是否较大，是则说明该用户在越权访问数据。
2.根据权利要求1所述的用户越权访问敏感数据行为的检测方法，其特征在于，所述步骤2还包括步骤21，对还原后的SQL数据进行标准化。
3.根据权利要求2所述的用户越权访问敏感数据行为的检测方法，其特征在于，还包括步骤22，对标准化的SQL数据进行补充，对每个用户名进行角色标记，形成完整训练数据。
4.根据权利要求3所述的用户越权访问敏感数据行为的检测方法，其特征在于，所述用户行为是用户访问某数据表名的行为，所述数据表名为按数据类型分类的数据表。
5.根据权利要求4所述的用户越权访问敏感数据行为的检测方法，其特征在于，所述训练数据集为对每个用户的用户行为进行角色划分，并关于数据表名的表向量。
6.根据权利要求5所述的用户越权访问敏感数据行为的检测方法，其特征在于，所述当用户访问了某数据表，则该表向量为1，其他未访问的表向量为0。
7.根据权利要求6所述的用户越权访问敏感数据行为的检测方法，其特征在于，步骤4所述的行为概率具体为每类角色访问某数据表名的概率。
8.根据权利要求7所述的用户越权访问敏感数据行为的检测方法，其特征在于，还包括步骤6，判断用户是否访问敏感数据表，是则判定用户越权访问了敏感数据表，并发出告警。
9.一种用户越权访问敏感数据行为的检测系统，用以上述权利要求1至8任意一项所述的用户越权访问敏感数据行为的检测方法，其特征在于，包括：
数据采集模块，用于从交换机实时采集流量数据；
数据转换模块，用以将流量数据还原为SQL数据，其包括有用户名、角色类型和用户行为，将用户行为作为训练的信息指标；
分类器构建模块，将一段时间积累的各用户的用户行为作为朴素贝叶斯算法的训练数据集，通过贝叶斯工具包构建朴素贝叶斯分类器，计算各用户的用户行为对应角色类型的基准概率；
角色类别识别模块，朴素贝叶斯分类器判断新增用户的用户行为是对应角色的行为概率，对行为概率与该用户的基准概率进行比较，发生较大偏离时，判断该用户越权使用了其他角色进行了对敏感数据的操作。
10.根据权利要求9所述的用户越权访问敏感数据行为的检测系统，其特征在于，还包括构建特征指标模块，用以完善训练数据，选取用户的特征指标；所述贝叶斯工具包为Spark Mllib。
CN201710299784.6A 2017-05-02 2017-05-02 一种用户越权访问敏感数据行为的检测方法及系统 Active CN107220557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710299784.6A CN107220557B (zh) 2017-05-02 2017-05-02 一种用户越权访问敏感数据行为的检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710299784.6A CN107220557B (zh) 2017-05-02 2017-05-02 一种用户越权访问敏感数据行为的检测方法及系统

Publications (2)

Publication Number Publication Date
CN107220557A true CN107220557A (zh) 2017-09-29
CN107220557B CN107220557B (zh) 2020-05-15

Family

ID=59943752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710299784.6A Active CN107220557B (zh) 2017-05-02 2017-05-02 一种用户越权访问敏感数据行为的检测方法及系统

Country Status (1)

Country Link
CN (1) CN107220557B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108133150A (zh) * 2018-02-05 2018-06-08 北京公共交通控股（集团）有限公司 基于合同数据的安全管理系统、存储介质及电子终端
CN109067794A (zh) * 2018-09-26 2018-12-21 新华三信息安全技术有限公司 一种网络行为的检测方法和装置
CN110598418A (zh) * 2019-09-10 2019-12-20 深圳开源互联网安全技术有限公司 基于iast测试工具动态检测垂直越权的方法及系统
CN111343173A (zh) * 2020-02-21 2020-06-26 腾讯云计算（北京）有限责任公司 数据访问的异常监测方法及装置
WO2021258992A1 (zh) * 2020-06-24 2021-12-30 平安科技（深圳）有限公司 基于大数据的用户行为监测方法、装置、设备及介质
CN115348117A (zh) * 2022-10-20 2022-11-15 闪捷信息科技有限公司 用户水平越权行为判定方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104424433A (zh) * 2013-08-22 2015-03-18 腾讯科技（深圳）有限公司 一种应用程序的反作弊方法和相关系统
CN105590055A (zh) * 2014-10-23 2016-05-18 阿里巴巴集团控股有限公司 用于在网络交互系统中识别用户可信行为的方法及装置
US9424745B1 (en) * 2013-11-11 2016-08-23 Emc Corporation Predicting traffic patterns
CN106168976A (zh) * 2016-07-14 2016-11-30 武汉斗鱼网络科技有限公司 一种基于朴素贝叶斯算法的特定用户挖掘方法及系统
CN106230772A (zh) * 2016-07-07 2016-12-14 国网青海省电力公司 工业互联网异常行为挖掘方案
CN106230849A (zh) * 2016-08-22 2016-12-14 中国科学院信息工程研究所 一种基于用户行为的智能设备机器学习安全监测系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104424433A (zh) * 2013-08-22 2015-03-18 腾讯科技（深圳）有限公司 一种应用程序的反作弊方法和相关系统
US9424745B1 (en) * 2013-11-11 2016-08-23 Emc Corporation Predicting traffic patterns
CN105590055A (zh) * 2014-10-23 2016-05-18 阿里巴巴集团控股有限公司 用于在网络交互系统中识别用户可信行为的方法及装置
CN106230772A (zh) * 2016-07-07 2016-12-14 国网青海省电力公司 工业互联网异常行为挖掘方案
CN106168976A (zh) * 2016-07-14 2016-11-30 武汉斗鱼网络科技有限公司 一种基于朴素贝叶斯算法的特定用户挖掘方法及系统
CN106230849A (zh) * 2016-08-22 2016-12-14 中国科学院信息工程研究所 一种基于用户行为的智能设备机器学习安全监测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张怡婷等: "基于朴素贝叶斯的Android软件恶意行为智能识别", 《东南大学学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108133150A (zh) * 2018-02-05 2018-06-08 北京公共交通控股（集团）有限公司 基于合同数据的安全管理系统、存储介质及电子终端
CN108133150B (zh) * 2018-02-05 2024-01-16 北京公共交通控股（集团）有限公司 基于合同数据的安全管理系统、存储介质及电子终端
CN109067794A (zh) * 2018-09-26 2018-12-21 新华三信息安全技术有限公司 一种网络行为的检测方法和装置
CN109067794B (zh) * 2018-09-26 2021-12-31 新华三信息安全技术有限公司 一种网络行为的检测方法和装置
CN110598418A (zh) * 2019-09-10 2019-12-20 深圳开源互联网安全技术有限公司 基于iast测试工具动态检测垂直越权的方法及系统
CN110598418B (zh) * 2019-09-10 2020-10-16 深圳开源互联网安全技术有限公司 基于iast测试工具动态检测垂直越权的方法及系统
CN111343173A (zh) * 2020-02-21 2020-06-26 腾讯云计算（北京）有限责任公司 数据访问的异常监测方法及装置
CN111343173B (zh) * 2020-02-21 2022-08-26 腾讯云计算（北京）有限责任公司 数据访问的异常监测方法及装置
WO2021258992A1 (zh) * 2020-06-24 2021-12-30 平安科技（深圳）有限公司 基于大数据的用户行为监测方法、装置、设备及介质
CN115348117A (zh) * 2022-10-20 2022-11-15 闪捷信息科技有限公司 用户水平越权行为判定方法和装置

Also Published As

Publication number Publication date
CN107220557B (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN107220557A (zh) 一种用户越权访问敏感数据行为的检测方法及系统
Fu et al. Service usage classification with encrypted internet traffic in mobile messaging apps
CN107070943B (zh) 基于流量特征图和感知哈希的工业互联网入侵检测方法
CN111339297B (zh) 网络资产异常检测方法、系统、介质和设备
CN105426762A (zh) 一种android应用程序恶意性的静态检测方法
CN109858930B (zh) 基于关联图谱表征学习的线上交易欺诈检测方法
CN107222472A (zh) 一种Hadoop集群下的用户行为异常检测方法
Rossi et al. Smart grids data analysis: a systematic mapping study
CN110852856A (zh) 一种基于动态网络表征的发票虚开识别方法
CN106021545A (zh) 用于车辆远程诊断与备件检索的方法
CN115021997B (zh) 一种基于机器学习的网络入侵检测系统
CN115222303B (zh) 基于大数据的行业风险数据分析方法、系统及存储介质
CN109257383A (zh) 一种bgp异常检测方法及系统
CN107465691A (zh) 基于路由器日志分析的网络攻击检测系统及检测方法
CN109413047A (zh) 行为模拟的判定方法、系统、服务器及存储介质
Harbola et al. Improved intrusion detection in DDoS applying feature selection using rank & score of attributes in KDD-99 data set
CN110019763B (zh) 文本过滤方法、系统、设备及计算机可读存储介质
CN111612054B (zh) 一种基于非负矩阵分解和密度聚类的用户窃电行为识别方法
CN111611774A (zh) 一种运维操作指令安全分析方法、系统及存储介质
Li The intrusion data mining method for distributed network based on fuzzy kernel clustering algorithm
CN111179101A (zh) 一种基于共享网络的互联网保险营销数据处理系统
CN116150632A (zh) 智能家居中基于局部敏感哈希的物联网设备识别方法
Li et al. A comprehensive learning-based model for power load forecasting in smart grid
CN115147242A (zh) 一种基于数据挖掘的电网数据管理系统
CN114238062A (zh) 板卡烧录装置性能分析方法、装置、设备及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Ai Jieqing

Inventor after: Wei Lihao

Inventor after: Wang Jianyong

Inventor after: He Minnuo

Inventor after: Liang Chengdong

Inventor after: Chen Liang

Inventor before: Ai Jieqing

Inventor before: Wei Lihao

Inventor before: Wang Jianyong

Inventor before: He Minnuo

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant