CN107426207B - 一种基于SA-iForest的网络入侵异常检测方法 - Google Patents

一种基于SA-iForest的网络入侵异常检测方法 Download PDF

Info

Publication number
CN107426207B
CN107426207B CN201710603864.6A CN201710603864A CN107426207B CN 107426207 B CN107426207 B CN 107426207B CN 201710603864 A CN201710603864 A CN 201710603864A CN 107426207 B CN107426207 B CN 107426207B
Authority
CN
China
Prior art keywords
itree
value
data
tree
attribute
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.)
Active
Application number
CN201710603864.6A
Other languages
English (en)
Other versions
CN107426207A (zh
Inventor
徐东
王岩俊
孟宇龙
张子迎
姬少培
张朦朦
李贤�
张玲玲
王磊
吕骏
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201710603864.6A priority Critical patent/CN107426207B/zh
Publication of CN107426207A publication Critical patent/CN107426207A/zh
Application granted granted Critical
Publication of CN107426207B publication Critical patent/CN107426207B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1425—Traffic logging, e.g. anomaly detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1416—Event detection, e.g. attack signature detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于SA‑iForest的网络入侵异常检测方法，属于网络安全领域。首先通过对训练集随机选择属性训练出多棵iTree，通过交叉验证计算出它们的异常检测精度，同时采用Q‑统计量计算出iTree之间的差异性，然后把精确度和差异性作为iTree挑选标准，根据iTree的差异性和精确度，利用模拟退火算法从初始森林中选出比较优秀的iTree来构建集成iForest，然后对测试集进行测试统计出其异常分值，完成对网络入侵异常检测。该方法不仅减小了iTree的集成规模而且利用模拟退火优化算法的快速收敛性来提高网络入侵异常检测效率，同时还提高了算法的泛化能力和预测性能。

Description

一种基于SA-iForest的网络入侵异常检测方法
技术领域
本发明涉及网络安全领域，尤其是一种基于SA-iForest的网络入侵异常检测方法。
背景技术
随着网络技术的飞速发展和网络规模的不断扩大，网络安全问题日趋严重。入侵检测作为维护网络安全的一项重要技术，俨然已成为信息安全领域一个重要的研究内容，获得了众多专家学者的广泛关注。入侵检测技术主要是通过分析相关的网络数据来判断系统中是否存在违背系统安全或安全策略的行为。
Isolation Forest算法的设计利用了异常数据的两个特征：极少且与众不同。即异常数据对象个数占数据集总体规模的比重较小，其次异常数据的属性值与正常的属性值相比存在明显差异。当在仅包含数值类型的训练集中，对数据对象进行递归地划分，直至每个数据对象都由一棵称为iTree的二叉树与其他对象区别开来。显然异常对象距离树的根节点较近，即路径长度较短，反映了仅需少量条件就可将异常对象与其他对象区别。
与其他异常检测算法相比，Isolation Forest没有利用距离或密度来检测异常，这消除了基于距离和密度方法的计算量。利用异常数据少且与众不同的特点，使得它们与正常数据快速分离，具有较低的线性时间复杂度。虽然Isolation Forest算法在异常检测方面取得较好的效果，但仍存在一些不足之处：
(1)Isolation Forest算法对数据集进行异常检测的精确度与iTree的数目相关，而构建大规模iTree需要耗费大量内存，同时导致更大的计算。
(2)由于iTree数量过多，iTree之间的差异将越来越不明显，其异常检测的精确度参差不齐，存在一些性能较差的iTree，造成了空间浪费。
(3)Isolation Forest算法基于单个计算节点设计，其处理的数据规模受内存最大容量限制，处理海量数据较为困难。
发明内容
本发明要解决的技术问题是：提出一种基于SA-iForest的网络入侵异常检测方法，克服了传统的网络入侵检测方法检测精度低、泛化能力差等缺点。利用模拟退火的思想选择精度高和有差异性的iTree来优化iForest，使得该算法泛化能力提高，进一步提高了预测性能，同时去掉冗余iTree以减少iForest的存储空间、降低预测计算量、加快预测速度。
本发明的目的是这样实现的：
一种基于SA-iForest的网络入侵异常检测方法，其特征在于，包括如下步骤：
步骤一构建第一颗iTree。网络入侵数据训练集DTrain＝{d1,d2,…,di,…,dn}，其中di网表示为第i条网络入侵数据。络入侵数据属性集A＝{A1,A2,…,Ai,…,Am}，其中Ai表示为第i个属性。从属性集A中随机地选择k(k≤m)个属性构成子属性集a＝{A1,A2,…,Ak}，在a中随机选择一个属性Aj，然后对每个网络入侵数据，按照属性Aj的分裂值p进行划分。如果数据di的Aj属性的属性值di(Aj)<p，则放在左子树，反之则放在右子树。按此方式迭代地构造左、右子树，直至满足下列条件之一：
(1)DTrain中只剩下一条数据或多条相同的数据；
(2)树达到最大高度。
步骤二重复步骤一再构建L-1棵树组成初始森林T＝{T1,T2,…,TL}，其中T表示L个iTree的集合，Ti表示第i棵iTree。
步骤三用训练集DTrain对初始森林T进行训练，根据Q-统计量法计算iTree之间的差异值，用交叉验证法计算每棵iTree的精度值ACC。
ACC＝{X1,X2,…,XL}
其中，Q表示L个iTree的差异矩阵；Qij表示为初始森林中树Ti与树Tj之间的差异值；Xj表示树Tj的精确值。
如果任意两个iTree独立，那么这两个iTree的Q统计量的值为0。Q统计量的值在[-1,1]之间变化。Q统计量的值越大，表示两个iTree的差异度越小。极端情况，如果两个iTree的Q统计量的值为1，那么两个iTree差异度为0。
步骤四初始化。取初始温度t0足够大，令温度t＝t0,任取初始解T1。
步骤五对当前温度t，重复步骤43-步骤46。
步骤六对当前解T1随机扰动产生一个新解T2。
步骤七计算T2的增量df＝F(T2)-F(T1)，其中F(T1)为树T1的适应度值。
步骤八若df<0，则接受T2作为新的当前解，即T1＝T2；否则按Metropolis规则，计算T2的接受概率p，即随机产生(0,1)区间上均匀分布的随机数rand，若p＞rand，也接受T2作为新的当前解，即T1＝T2,否则保留当前解T1。
其中，κ为玻耳兹曼常数，exp表示自然指数。
步骤九如果满足设定的终止条件，则输出当前解T1为最优解，终止条件通常取为在连续若干个Metropolis链中新解T2都没有被接受时终止或者是设定结束温度；否则按衰减函数衰减温度t后返回步骤42。所述衰减函数为：
其中，ts为第θ步时的温度值，t0为初始温度。
步骤十重复步骤43-步骤46，从初始森林T中选出l(l≤L)个具有较优适应值的iTree组合成iForest。每棵iTree的适应度函数关系如下式：
其中，F(Tj)表示为树Tj的适应度值。W1，W2分别表示精确度和差异性对应的权重。
步骤十一对待检测数据进行预测，计算待测数据d在每一棵iTree的路径长度h(d)。
由于iTree与二叉查找树的结构等价，所以包含数据d的叶节点的路径长度等于二叉查找树中失败查询的路径长度。二叉查找树中失败查询的路径长度：
C(n)＝2H(n-1)-(2(n-1)/n)
其中，H(i)＝Ln(i)+γ,γ为欧拉常数。n为叶子节点数。C(n)为给定n时h(d)的平均值，使用它来标准化h(d)。待检测数据d的异常分数S(d,n)如公式所示：
其中，E(h(d))为iTree集合中h(d)的平均值。
当E(h(d))→C(n)时，S(d,n)→0.5，即当所有数据均返回的S(d,n)≈0.5时，那么全部样本中没有明显的异常值；当E(h(d))→0时，S(d,n)→1，即当数据返回的S(d,n)非常接近于1时，那么它们是异常值；当E(h(d))→n-1时，S(d,n)→0，即当对象返回的S(d,n)远远小于0.5时，那么它们有很大的可能被评价为正常值。此时完成对网络入侵异常检测。
本发明首先通过对训练集随机选择属性训练出多棵iTree，通过交叉验证计算出它们的异常检测精度，同时采用Q-统计量计算出iTree之间的差异性，然后把精确度和差异性作为iTree挑选标准，选出比较优秀的iTree来构建集成iForest，然后对测试集进行测试统计出其异常分值。该方法不仅减小了iTree的集成规模而且利用模拟退火优化算法的快速收敛性来提高网络入侵异常检测效率，同时还提高了算法的泛化能力和预测性能。
附图说明
图1为本发明的一种SA-iForest算法流程图。
具体实施方式
本发明旨在提出一种基于SA-iForest的网络入侵异常检测方法，克服了传统的网络入侵检测方法检测精度低、泛化能力差等缺点。
如图1所示，本发明中的一种基于SA-iForest的网络入侵异常检测方法包括如下步骤：
步骤1：构建第一课iTree。网络入侵数据训练集DTrain＝{d1,d2,…,di,…,dn}，其中di表示为第i条网络入侵数据。网络入侵数据属性集A＝{A1,A2,…,Ai,…,Am}，其中Ai表示为第i个属性。从属性集A中随机地选择k(k≤m)个属性构成子属性集a＝{A1,A2,…,Ak}，在a中随机选择一个属性Aj，然后对每个网络入侵数据，按照属性Aj的分裂值p进行划分。如果数据di的Aj属性的属性值di(Aj)<p，则放在左子树，反之则放在右子树。按此方式迭代地构造左、右子树，直至满足下列条件之一：
(1)DTrain中只剩下一条数据或多条相同的数据；
(2)树达到最大高度。
步骤2：重复步骤1再构建L-1棵树组成初始森林T＝{T1,T2,…,TL}，其中T表示L个iTree的集合，Ti表示第i棵iTree。
步骤3：用训练集DTrain对初始森林T进行训练，根据Q-统计量法计算iTree之间的差异值，用交叉验证法计算每棵iTree的精度值ACC。
ACC＝{X1,X2,…,XL}
其中，Q表示L个iTree的差异矩阵；Qij表示为初始森林中树Ti与树Tj之间的差异值；Xj表示树Tj的精确值。
如果任意两个iTree独立，那么这两个iTree的Q统计量的值为0。Q统计量的值在[-1,1]之间变化。Q统计量的值越大，表示两个iTree的差异度越小。极端情况，如果两个iTree的Q统计量的值为1，那么两个iTree差异度为0。
步骤4：根据iTree的差异性和精确度利用模拟退火算法从初始森林T中选出l棵适应度值较优的iTree组合成iForest。每棵iTree的适应度函数关系如下式：
其中，F(Tj)表示为树Tj的适应度值。W1，W2分别表示精确度和差异性对应的权重。
步骤4包括以下步骤：
步骤41：初始化。取初始温度t0足够大，令温度t＝t0,任取初始解T1。
步骤42：对当前温度t，重复步骤43-步骤46。
步骤43：对当前解T1随机扰动产生一个新解T2。
步骤44：计算T2的增量df＝F(T2)-F(T1)，其中F(T1)为树T1的适应度值。
步骤45：若df<0，则接受T2作为新的当前解，即T1＝T2；否则按Metropolis规则，计算T2的接受概率p，即随机产生(0,1)区间上均匀分布的随机数rand，若p＞rand，也接受T2作为新的当前解，即T1＝T2,否则保留当前解T1。
其中，κ为玻耳兹曼常数，exp表示自然指数。
步骤46：如果满足设定的终止条件，则输出当前解T1为最优解，终止条件通常取为在连续若干个Metropolis链中新解T2都没有被接受时终止或者是设定结束温度；否则按衰减函数衰减温度t后返回步骤42。所述衰减函数为：
其中，ts为第θ步时的温度值，t0为初始温度。
步骤47：重复步骤43-步骤46，从初始森林T中选出l(l≤L)个具有较优适应值的iTree组合成iForest。
步骤5：对待检测数据进行预测，计算待测数据d在每一棵iTree的路径长度h(d)。
由于iTree与二叉查找树的结构等价，所以包含数据d的叶节点的路径长度等于二叉查找树中失败查询的路径长度。二叉查找树中失败查询的路径长度：
C(n)＝2H(n-1)-(2(n-1)/n)
其中，H(i)＝Ln(i)+γ,γ为欧拉常数。n为叶子节点数。C(n)为给定n时h(d)的平均值，使用它来标准化h(d)。待检测数据d的异常分数S(d,n)如公式所示：
其中，E(h(d))为iTree集合中h(d)的平均值。
当E(h(d))→C(n)时，S(d,n)→0.5，即当所有数据均返回的S(d,n)≈0.5时，那么全部样本中没有明显的异常值；当E(h(d))→0时，S(d,n)→1，即当数据返回的S(d,n)非常接近于1时，那么它们是异常值；当E(h(d))→n-1时，S(d,n)→0，即当对象返回的S(d,n)远远小于0.5时，那么它们有很大的可能被评价为正常值。此时完成对网络入侵异常检测。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于SA-iForest的网络入侵异常检测方法，其特征在于，包括如下步骤：
步骤一构建第一颗iTree；网络入侵数据训练集DTrain＝{d1，d2，…，di，…，dn}，其中di网表示为第i条网络入侵数据；网络入侵数据属性集A＝{A1，A2，…，Ai，…，Am}，其中Ai表示为第i个属性；从属性集A中随机地选择k(k≤m)个属性构成子属性集a＝{A1，A2，…，Ak}，在a中随机选择一个属性Aj，然后对每个网络入侵数据，按照属性Aj的分裂值p进行划分；如果数据di的Aj属性的属性值di(Aj)＜p，则放在左子树，反之则放在右子树；按此方式迭代地构造左、右子树，直至满足下列条件之一：
(1)DTrain中只剩下一条数据或多条相同的数据；
(2)树达到最大高度；
步骤二重复步骤一再构建L-1棵树组成初始森林T＝{T1，T2，…，TL}，其中T表示L个iTree的集合，Ti表示第i棵iTree；
步骤三用训练集DTrain对初始森林T进行训练，根据Q-统计量法计算iTree之间的差异值，用交叉验证法计算每棵iTree的精度值ACC；
ACC＝{X1，X2，…Xj…，XL}
其中，Q表示L个iTree的差异矩阵；Qij表示为初始森林中树Ti与树Tj之间的差异值；Xj表示树Tj的精确值；
如果任意两个iTree独立，那么这两个iTree的Q统计量的值为0；Q统计量的值在[-1，1]之间变化；Q统计量的值越大，表示两个iTree的差异度越小；极端情况，如果两个iTree的Q统计量的值为1，那么两个iTree差异度为0；
步骤四初始化；取初始温度t0足够大，令温度t＝t0，任取初始解T1；
步骤五对当前温度t，重复步骤六-步骤九；
步骤六对当前解T1随机扰动产生一个新解T2；
步骤七计算T2的增量df＝F(T2)-F(T1)，其中F(T1)为树T1的适应度值；
步骤八若df＜0，则接受T2作为新的当前解，即T1＝T2；否则按Metropolis规则，计算T2的接受概率p，即随机产生(0，1)区间上均匀分布的随机数rand，若p＞rand，也接受T2作为新的当前解，即T1＝T2，否则保留当前解T1；
其中，κ为玻耳兹曼常数，exp表示自然指数；
步骤九如果满足设定的终止条件，则输出当前解T1为最优解，终止条件通常取为在连续若干个Metropolis链中新解T2都没有被接受时终止或者是设定结束温度；否则按衰减函数衰减温度t后返回步骤五；所述衰减函数为：
其中，ts为第θ步时的温度值，t0为初始温度；
步骤十，重复步骤六-步骤九，从初始森林T中选出l个具有较优适应值的iTree组合成iForest，l≤L；每棵iTree的适应度函数关系如下式：
其中，F(Tj)表示为树Tj的适应度值；W1，W2分别表示精确度和差异性对应的权重；
步骤十一对待检测数据进行预测，计算待测数据d在每一棵iTree的路径长度h(d)；
由于iTree与二叉查找树的结构等价，所以包含数据d的叶节点的路径长度等于二叉查找树中失败查询的路径长度；二叉查找树中失败查询的路径长度：
C(n)＝2H(n-1)-(2(n-1)/n)
其中，H(i)＝Ln(i)+γ，γ为欧拉常数；n为叶子节点数；C(n)为给定n时h(d)的平均值，使用它来标准化h(d)；待检测数据d的异常分数S(d，n)如公式所示：
其中，E(h(d))为iTree集合中h(d)的平均值；
当E(h(d))→C(n)时，S(d，n)→0.5，即当所有数据均返回的S(d，n)≈0.5时，那么全部样本中没有明显的异常值；当E(h(d))→0时，S(d，n)→1，即当数据返回的S(d，n)非常接近于1时，那么它们是异常值；当E(h(d))→n-1时，S(d，n)→0，即当对象返回的S(d，n)远远小于0.5时，那么它们有很大的可能被评价为正常值；此时完成对网络入侵异常检测。
CN201710603864.6A 2017-07-21 2017-07-21 一种基于SA-iForest的网络入侵异常检测方法 Active CN107426207B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710603864.6A CN107426207B (zh) 2017-07-21 2017-07-21 一种基于SA-iForest的网络入侵异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710603864.6A CN107426207B (zh) 2017-07-21 2017-07-21 一种基于SA-iForest的网络入侵异常检测方法

Publications (2)

Publication Number Publication Date
CN107426207A CN107426207A (zh) 2017-12-01
CN107426207B true CN107426207B (zh) 2019-09-27

Family

ID=60430926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710603864.6A Active CN107426207B (zh) 2017-07-21 2017-07-21 一种基于SA-iForest的网络入侵异常检测方法

Country Status (1)

Country Link
CN (1) CN107426207B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109922444B (zh) * 2017-12-13 2020-11-03 中国移动通信集团公司 一种垃圾短信识别方法及装置
CN108366048B (zh) * 2018-01-10 2021-01-12 南京邮电大学 一种基于无监督学习的网络入侵检测方法
CN110505179B (zh) * 2018-05-17 2021-02-09 中国科学院声学研究所 一种网络异常流量的检测方法及系统
CN108777873B (zh) * 2018-06-04 2021-03-02 江南大学 基于加权混合孤立森林的无线传感网络异常数据检测方法
CN108900476B (zh) * 2018-06-07 2021-05-11 桂林电子科技大学 基于Spark与隔离森林的并行网络流量异常检测方法
CN108877949B (zh) * 2018-06-11 2021-04-27 吉林大学 基于孤立森林算法和投票机制的唐氏综合症筛查方法
CN109508733A (zh) * 2018-10-23 2019-03-22 北京邮电大学 一种基于分布概率相似度度量的异常检测方法
CN110602105B (zh) * 2019-09-17 2021-11-02 国家电网有限公司 一种基于k-means的大规模并行化网络入侵检测方法
CN111008662B (zh) * 2019-12-04 2023-01-10 贵州电网有限责任公司 一种输电线路在线监测数据异常分析方法
CN111160647B (zh) * 2019-12-30 2023-08-22 第四范式（北京）技术有限公司 一种洗钱行为预测方法及装置
CN112199670B (zh) * 2020-09-30 2023-04-07 西安理工大学 一种基于深度学习改进iforest对行为异常检测的日志监控方法
CN114943861A (zh) * 2022-05-07 2022-08-26 江苏易透健康科技有限公司 一种基于模拟退火的扩展孤立森林的异常检测方法及系统
CN117930669B (zh) * 2024-03-20 2024-05-28 山西顺达胜业通信工程有限公司 基于物联网的智能家居远程控制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106685686A (zh) * 2016-09-12 2017-05-17 电子科技大学 基于模拟退火的网络拓扑估计方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106685686A (zh) * 2016-09-12 2017-05-17 电子科技大学 基于模拟退火的网络拓扑估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Automated Individual Tree Isolation on High-Resolution Imagery: Possible Methods for Breaking Isolations Involving Multiple Trees;Donald G. Leckie等;《IEEE》;20160731;全文 *
基于Isolation Forest的并行化异常探测设计;侯泳旭等;《计算机工程与科学》;20170228;全文 *

Also Published As

Publication number Publication date
CN107426207A (zh) 2017-12-01

Similar Documents

Publication Publication Date Title
CN107426207B (zh) 一种基于SA-iForest的网络入侵异常检测方法
CN110070117B (zh) 一种数据处理方法及装置
Jin et al. Distance-constraint reachability computation in uncertain graphs
CN100456281C (zh) 数据划分设备和数据划分方法
CN105719191B (zh) 多尺度空间下不确定行为语义的社交群体发现方法
Drechsler et al. Rapid viability analysis for metapopulations in dynamic habitat networks
US9111227B2 (en) Monitoring data analyzing apparatus, monitoring data analyzing method, and monitoring data analyzing program
CN107357902A (zh) 一种基于关联规则的数据表分类系统与方法
JP6783002B2 (ja) 企業の債務不履行予測システム及びその動作方法
CN105843733B (zh) 一种大数据平台的性能检测方法及装置
JP7119820B2 (ja) 予測プログラム、予測方法および学習装置
CN105933316A (zh) 网络安全级别的确定方法和装置
CN106528608A (zh) 一种云架构下的电网gis数据冷热存储方法和系统
CN106339322A (zh) 一种基于hmm‑aco的软件行为预测的方法
KR20090131014A (ko) 특허 정보를 이용한 기술과 서비스의 평가 및 서비스중심의 기술 로드맵 작성 방법
CN114116829A (zh) 异常数据分析方法、异常数据分析系统和存储介质
Spencer et al. Incorporating functional genomic information in genetic association studies using an empirical Bayes approach
Li et al. Finding Missing Links in Complex Networks: A Multiple‐Attribute Decision‐Making Method
Perez-Valiente et al. Identification of reservoir analogues in the presence of uncertainty
CN102902875A (zh) 一种基于网络的失效相关系统可靠度评估方法
Devlin et al. Evolution of cooperation through the heterogeneity of random networks
CN115730248A (zh) 一种机器账号检测方法、系统、设备及存储介质
Bond et al. An unsupervised machine learning approach for ground‐motion spectra clustering and selection
CN114647679A (zh) 一种基于数值特征聚类的水文时间序列模体挖掘方法
Clémençon et al. Bagging ranking trees

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant