CN108595966A - 一种基于数字化预案的应急数据分析方法及系统 - Google Patents
一种基于数字化预案的应急数据分析方法及系统 Download PDFInfo
- Publication number
- CN108595966A CN108595966A CN201810191918.7A CN201810191918A CN108595966A CN 108595966 A CN108595966 A CN 108595966A CN 201810191918 A CN201810191918 A CN 201810191918A CN 108595966 A CN108595966 A CN 108595966A
- Authority
- CN
- China
- Prior art keywords
- data
- emergency data
- emergency
- neural network
- prediction scheme
- 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
Links
Classifications
-
- 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
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
- H04L9/0618—Block ciphers, i.e. encrypting groups of characters of a plain text message using fixed encryption transformation
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)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于数字化预案的应急数据分析方法,包括以下步骤:采集并存储应急数据,并对应急数据进行加密处理;对加密后的应急数据进行数据的预处理,得到预处理过的应急数据;将预处理后的应急数据发送至神经网络进行建模分析,得到应急数据分析结果;输出应急数据分析结果,生成分析报告。一种基于数字化预案的应急数据分析装置,包括采集加密模块,数据处理模块,神经网络模块和数据输出模块。一种基于数字化预案的应急数据分析系统,包括服务器和控制器,将一种基于数字化预案的应急数据分析装置用于实现一种基于数字化预案的应急数据分析方法,实现应急数据的自动化分析,提高了分析效率及准确性。
Description
技术领域
本发明涉及应急数据处理领域,更具体地,涉及一种基于数字化预案的应急数据分析方法及系统。
背景技术
数据分析是指用适当的统计分析方法对收集来的大量数据进行分析,提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是质量管理体系的支持过程。在实用中,数据分析可帮助人们作出判断,以便采取适当行动;数据分析的数学基础在20世纪早期就已确立,但直到计算机的出现才使得实际操作成为可能,并使得数据分析得以推广。数据分析是数学与计算机科学相结合的产物。
在统计学领域,有些人将数据分析划分为描述性统计分析、探索性数据分析以及验证性数据分析;其中,探索性数据分析侧重于在数据之中发现新的特征,而验证性数据分析则侧重于已有假设的证实或证伪;探索性数据分析是指为了形成值得假设的检验而对数据进行分析的一种方法,是对传统统计学假设检验手段的补充。该方法由美国著名统计学家约翰·图基(John Tukey)命名;定性数据分析又称为"定性资料分析"、"定性研究"或者"质性研究资料分析",是指对诸如词语、照片、观察结果之类的非数值型数据(或者说资料)的分析。
目前,对应急数据的分析仍然由数据分析师进行分析,其得到的分析结果精准性低,而且分析效率低。
发明内容
本发明为克服上述现有技术所述的对于应急数据的分析依赖于数据分析师,得到的分析结果准确性低、分析效率低的技术问题,提供一种基于数字化预案的应急数据分析方法。
本发明还提供了一种基于数字化预案的应急数据分析系统。
为解决上述技术问题,本发明的技术方案如下:
一种基于数字化预案的应急数据分析方法,包括以下步骤:
S1:采集并存储应急数据,并对应急数据进行加密处理;
S2:对加密后的应急数据进行数据的分类、归一化预处理,得到预处理过的应急数据;
S3:将预处理后的应急数据发送至神经网络进行建模分析,得到应急数据分析结果;
S4:输出应急数据分析结果,生成分析报告。
其中,所述步骤S1包括以下步骤:
S11:采集应急数据;
S12:对采集到的数据进行存储;
S13:产生一个加密密钥,并将加密密钥按照预定规则生成一组子密钥;
S14:将存储后的应急数据随机打包生成多个明文数据块;
S15:根据每个明文数据块的大小按照预定规则选取对应的一个子密钥对其进行加密运算,从而获得多个密文数据块;
S16:将多个密文数据块按照一定对则重组输出密文数据,即完成对应急数据的加密处理。
其中,所述步骤S2包括以下步骤:
S21:对加密后的应急数据类别进行统一分类处理;
S22:将分类处理后的应急数据进行归一化处理,从而得到处理后的应急数据。
其中,所述步骤S3包括以下步骤:
S31:在采集到的应急数据筛选出样本数据;
S32:初始化神经网络模型参数;
S33:根据模型及样本输入计算神经网络模型的输出;
S34:根据模型参数及样本数据计算模型输出相对于输入的增益,通过极值优化算法指导神经网络模型进行参数的迭代学习,直到得到优化后的神经网络模型;
S35:利用神经网络模型对预处理后的应急数据进行分析,输出分析结果。
上述方案中,在采集应急数据进行存储后,系统将产生一个加密密钥,并将加密密钥按照预定规则生成一组子密钥,将存储后的应急数据随机打包生成多个明文数据块,根据每个明文数据块的大小按照预定规则选取对应的一个子密钥对其进行加密运算,获得多个密文数据块,再将多个密文数据块按照一定对则重组输出密文数据,完成应急数据的加密处理;对加密后的应急数据类别进行统一分类处理后将分类处理后的应急数据进行归一化处理,从而得到处理后的应急数据;接着在采集到的应急数据筛选出样本数据并初始化神经网络模型参数,根据模型及样本输入计算神经网络模型的输出,计算模型输出相对于输入的增益,通过极值优化算法指导神经网络模型进行参数的迭代学习,得到优化后的神经网络模型,通过优化后的神经网络模型对预处理后的应急数据进行分析,得到分析结果;输出应急数据分析结果,生成分析报告。
上述方案中,加密密钥既可以由手工输入也可随机产生,在特定的条下用公钥加密生成;加密密钥 Key 由 Key1,Key2...Keyn 等一组子密钥构成,密码分组按照一定规则自动生成子密钥;加密密钥优选采用 16 字节密码,每字节密码的取值在1-7FH 之间,例如可生成 8 个子密钥,则密钥总量将有 2 的 64 次方种组合。
一种基于数字化预案的应急数据分析装置,包括:
采集加密模块,用于:采集并存储应急数据,并对应急数据进行加密处理;
数据处理模块,用于:对加密后的应急数据进行数据的分类、归一化预处理,得到预处理过的应急数据;
神经网络模块,用于:对预处理后的应急数据进行建模分析,得到应急数据分析结果;
数据输出模块,用于:输出应急数据分析结果,生成分析报告。
其中,所述采集加密模块包括:
采集单元,用于:采集应急数据;
存储单元,用于:对采集到的数据进行存储;
密钥单元,用于:产生一个加密密钥,并将加密密钥按照预定规则生成一组子密钥;
明文数据块生成单元,用于:将存储后的应急数据随机打包生成多个明文数据块;
密文数据块生成单元,用于:根据每个明文数据块的大小按照预定规则选取对应的一个子密钥对其进行加密运算,从而获得多个密文数据块;
密文数据输出单元,用于:将多个密文数据块按照一定对则重组输出密文数据,即完成对应急数据的加密处理。
其中,所述数据处理模块包括:
分类单元,用于:对加密后的应急数据类别进行统一分类处理;
归一处理单元,用于:将分类处理后的应急数据进行归一化处理,从而得到处理后的应急数据。
其中,所述神经网络模块包括:
筛选单元,用于:在采集到的应急数据筛选出样本数据;
初始化单元,用于:初始化神经网络模型参数;
迭代学习计算单元,用于:根据模型及样本输入计算神经网络模型的输出;
迭代学习优化单元,用于:根据模型参数及样本数据计算模型输出相对于输入的增益,通过极值优化算法指导神经网络模型进行参数的迭代学习,直到得到优化后的神经网络模型;
分析单元,用于:利用神经网络模型对预处理后的应急数据进行分析,得到分析结果。
一种基于数字化预案的应急数据分析系统,包括服务器和控制器,将一种基于数字化预案的应急数据分析装置用于实现一种基于数字化预案的应急数据分析方法。
上述方案中,采集加密模块用于采集并存储应急数据,并对应急数据进行加密处理,其中:采集单元在采集应急数据后将应急数据存储到存储单元中,密钥单元负责产生加密密钥,将加密密钥按照预定规则生成一组子密钥;明文数据块生成单元将存储后的应急数据随机打包生成多个明文数据块,密文数据块生成单元根据每个明文数据块的大小按照预定规则选取对应的一个子密钥对其进行加密运算,获得多个密文数据块,再由密文数据输出单元将多个密文数据块按照一定对则重组输出密文数据,完成应急数据的加密处理。
上述方案中,数据处理模块用于对加密后的应急数据进行数据的预处理,得到预处理过的应急数据,其中:分类单元对加密后的应急数据类别进行统一分类处理;归一处理单元将分类处理后的应急数据进行归一化处理,从而得到处理后的应急数据。
上述方案中,神经网络模块用于对预处理后的应急数据进行建模分析,得到应急数据分析结果,其中:由筛选单元在采集到的应急数据筛选出样本数据;初始化单元初始化神经网络模型参数;根据模型及样本输入利用迭代学习计算单元计算神经网络模型的输出;迭代学习优化单元再根据模型参数及样本数据计算模型输出相对于输入的增益,通过极值优化算法指导神经网络模型进行参数的迭代学习,直到得到优化后的神经网络模型;最后由分析单元利用神经网络模型对预处理后的应急数据进行分析,得到分析结果。
上述方案中,由数据输出模块,输出应急数据分析结果,生成分析报告。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供的一种基于数字化预案的应急数据分析方法及系统,在对应急数据采集、存储和处理的过程中,实现了自动化分析,提高了分析效率;利用神经网络的自我学习机制,确保得到的分析结果精确度高。
附图说明
图1为一种基于数字化预案的应急数据分析方法的流程示意图。
图2为一种基于数字化预案的应急数据分析装置示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种基于数字化预案的应急数据分析方法,包括以下步骤:
S1:采集并存储应急数据,并对应急数据进行加密处理;
S2:对加密后的应急数据进行数据的分类、归一化预处理,得到预处理过的应急数据;
S3:将预处理后的应急数据发送至神经网络进行建模分析,得到应急数据分析结果;
S4:输出应急数据分析结果,生成分析报告。
更具体的,所述步骤S1包括以下步骤:
S11:采集应急数据;
S12:对采集到的数据进行存储;
S13:产生一个加密密钥,并将加密密钥按照预定规则生成一组子密钥;
S14:将存储后的应急数据随机打包生成多个明文数据块;
S15:根据每个明文数据块的大小按照预定规则选取对应的一个子密钥对其进行加密运算,从而获得多个密文数据块;
S16:将多个密文数据块按照一定对则重组输出密文数据,即完成对应急数据的加密处理。
更具体的,所述步骤S2包括以下步骤:
S21:对加密后的应急数据类别进行统一分类处理;
S22:将分类处理后的应急数据进行归一化处理,从而得到处理后的应急数据。
更具体的,所述步骤S3包括以下步骤:
S31:在采集到的应急数据筛选出样本数据;
S32:初始化神经网络模型参数;
S33:根据模型及样本输入计算神经网络模型的输出;
S34:根据模型参数及样本数据计算模型输出相对于输入的增益,通过极值优化算法指导神经网络模型进行参数的迭代学习,直到得到优化后的神经网络模型;
S35:利用神经网络模型对预处理后的应急数据进行分析,输出分析结果。
本实施例在具体实施过程中,在采集应急数据进行存储后,系统将产生一个加密密钥,并将加密密钥按照预定规则生成一组子密钥,将存储后的应急数据随机打包生成多个明文数据块,根据每个明文数据块的大小按照预定规则选取对应的一个子密钥对其进行加密运算,获得多个密文数据块,再将多个密文数据块按照一定对则重组输出密文数据,完成应急数据的加密处理;对加密后的应急数据类别进行统一分类处理后将分类处理后的应急数据进行归一化处理,从而得到处理后的应急数据;接着在采集到的应急数据筛选出样本数据并初始化神经网络模型参数,根据模型及样本输入计算神经网络模型的输出,计算模型输出相对于输入的增益,通过极值优化算法指导神经网络模型进行参数的迭代学习,得到优化后的神经网络模型,通过优化后的神经网络模型对预处理后的应急数据进行分析,得到分析结果;输出应急数据分析结果,生成分析报告。
在具体实施过程中,加密密钥既可以由手工输入也可随机产生,在特定的条下用公钥加密生成;加密密钥 Key 由 Key1,Key2...Keyn 等一组子密钥构成,密码分组按照一定规则自动生成子密钥;加密密钥优选采用 16 字节密码,每字节密码的取值在1-7FH 之间,例如可生成 8 个子密钥,则密钥总量将有 2 的 64 次方种组合。
如图2所示,一种基于数字化预案的应急数据分析装置,包括:
采集加密模块1,用于:采集并存储应急数据,并对应急数据进行加密处理;
数据处理模块2,用于:对加密后的应急数据进行数据的分类、归一化预处理,得到预处理过的应急数据;
神经网络模块3,用于:对预处理后的应急数据进行建模分析,得到应急数据分析结果;
数据输出模块4,用于:输出应急数据分析结果,生成分析报告。
更具体的,所述采集加密模块1包括:
采集单元11,用于:采集应急数据;
存储单元12,用于:对采集到的数据进行存储;
密钥单元13,用于:产生一个加密密钥,并将加密密钥按照预定规则生成一组子密钥;
明文数据块生成单元14,用于:将存储后的应急数据随机打包生成多个明文数据块;
密文数据块生成单元15,用于:根据每个明文数据块的大小按照预定规则选取对应的一个子密钥对其进行加密运算,从而获得多个密文数据块;
密文数据输出单元16,用于:将多个密文数据块按照一定对则重组输出密文数据,即完成对应急数据的加密处理。
更具体的,所述数据处理模块2包括:
分类单元21,用于:对加密后的应急数据类别进行统一分类处理;
归一处理单元22,用于:将分类处理后的应急数据进行归一化处理,从而得到处理后的应急数据。
更具体的,所述神经网络模块3包括:
筛选单元31,用于:在采集到的应急数据筛选出样本数据;
初始化单元32,用于:初始化神经网络模型参数;
迭代学习计算单元33,用于:根据模型及样本输入计算神经网络模型的输出;
迭代学习优化单元34,用于:根据模型参数及样本数据计算模型输出相对于输入的增益,通过极值优化算法指导神经网络模型进行参数的迭代学习,直到得到优化后的神经网络模型;
分析单元35,用于:利用神经网络模型对预处理后的应急数据进行分析,得到分析结果。
如图1、图2所述,一种基于数字化预案的应急数据分析系统,包括服务器和控制器,将一种基于数字化预案的应急数据分析装置用于实现一种基于数字化预案的应急数据分析方法。
在具体实施过程中,采集加密模块1用于采集并存储应急数据,并对应急数据进行加密处理,其中:采集单元11在采集应急数据后将应急数据存储到存储单元12中,密钥单元13负责产生加密密钥,将加密密钥按照预定规则生成一组子密钥;明文数据块生成单元14将存储后的应急数据随机打包生成多个明文数据块,密文数据块生成单元15根据每个明文数据块的大小按照预定规则选取对应的一个子密钥对其进行加密运算,获得多个密文数据块,再由密文数据输出单元16将多个密文数据块按照一定对则重组输出密文数据,完成应急数据的加密处理。
在具体实施过程中,数据处理模块2用于对加密后的应急数据进行数据的预处理,得到预处理过的应急数据,其中:分类单元21对加密后的应急数据类别进行统一分类处理;归一处理单元22将分类处理后的应急数据进行归一化处理,从而得到处理后的应急数据。
在具体实施过程中,神经网络模块3用于对预处理后的应急数据进行建模分析,得到应急数据分析结果,其中:由筛选单元31在采集到的应急数据筛选出样本数据;初始化单元32初始化神经网络模型参数;根据模型及样本输入利用迭代学习计算单元33计算神经网络模型的输出;迭代学习优化单元34再根据模型参数及样本数据计算模型输出相对于输入的增益,通过极值优化算法指导神经网络模型进行参数的迭代学习,直到得到优化后的神经网络模型;最后由分析单元35利用神经网络模型对预处理后的应急数据进行分析,得到分析结果。
上述方案中,由数据输出模块4,输出应急数据分析结果,生成分析报告。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种基于数字化预案的应急数据分析方法,其特征在于,包括以下步骤:
S1:采集并存储应急数据,并对应急数据进行加密处理;
S2:对加密后的应急数据进行数据分类、归一化预处理,得到预处理过的应急数据;
S3:将预处理后的应急数据发送至神经网络进行建模分析,得到应急数据分析结果;
S4:输出应急数据分析结果,生成分析报告。
2.根据权利要求1所述的一种基于数字化预案的应急数据分析方法,其特征在于:所述步骤S1包括以下步骤:
S11:采集应急数据;
S12:对采集到的数据进行存储;
S13:产生一个加密密钥,并将加密密钥按照预定规则生成一组子密钥;
S14:将存储后的应急数据随机打包生成多个明文数据块;
S15:根据每个明文数据块的大小按照预定规则选取对应的一个子密钥对其进行加密运算,从而获得多个密文数据块;
S16:将多个密文数据块按照一定对则重组输出密文数据,即完成对应急数据的加密处理。
3.根据权利要求1所述的一种基于数字化预案的应急数据分析方法,其特征在于:所述步骤S2包括以下步骤:
S21:对加密后的应急数据类别进行统一分类处理;
S22:将分类处理后的应急数据进行归一化处理,从而得到处理后的应急数据。
4.根据权利要求1所述的一种基于数字化预案的应急数据分析方法,其特征在于:所述步骤S3包括以下步骤:
S31:在采集到的应急数据筛选出样本数据;
S32:初始化神经网络模型参数;
S33:根据模型及样本输入计算神经网络模型的输出;
S34:根据模型参数及样本数据计算模型输出相对于输入的增益,通过极值优化算法指导神经网络模型进行参数的迭代学习,直到得到优化后的神经网络模型;
S35:利用神经网络模型对预处理后的应急数据进行分析,得到分析结果。
5.一种基于数字化预案的应急数据分析装置,其特征在于,包括:
采集加密模块,用于:采集并存储应急数据,并对应急数据进行加密处理;
数据处理模块,用于:对加密后的应急数据进行数据的分类、归一化预处理,得到预处理过的应急数据;
神经网络模块,用于:对预处理后的应急数据进行建模分析,得到应急数据分析结果;
数据输出模块,用于:输出应急数据分析结果,生成分析报告。
6.根据权利要求5所述的一种基于数字化预案的应急数据分析装置,其特征在于:所述采集加密模块包括:
采集单元,用于:采集应急数据;
存储单元,用于:对采集到的数据进行存储;
密钥单元,用于:产生一个加密密钥,并将加密密钥按照预定规则生成一组子密钥;
明文数据块生成单元,用于:将存储后的应急数据随机打包生成多个明文数据块;
密文数据块生成单元,用于:根据每个明文数据块的大小按照预定规则选取对应的一个子密钥对其进行加密运算,从而获得多个密文数据块;
密文数据输出单元,用于:将多个密文数据块按照一定对则重组输出密文数据,即完成对应急数据的加密处理。
7.根据权利要求5所述的一种基于数字化预案的应急数据分析装置,其特征在于:所述数据处理模块包括:
分类单元,用于:对加密后的应急数据类别进行统一分类处理;
归一处理单元,用于:将分类处理后的应急数据进行归一化处理,从而得到处理后的应急数据。
8.根据权利要求5所述的一种基于数字化预案的应急数据分析装置,其特征在于:所述神经网络模块包括:
筛选单元,用于:在采集到的应急数据筛选出样本数据;
初始化单元,用于:初始化神经网络模型参数;
迭代学习计算单元,用于:根据模型及样本输入计算神经网络模型的输出;
迭代学习优化单元,用于:根据模型参数及样本数据计算模型输出相对于输入的增益,通过极值优化算法指导神经网络模型进行参数的迭代学习,直到得到优化后的神经网络模型;
分析单元,用于:利用神经网络模型对预处理后的应急数据进行分析,得到分析结果。
9.一种基于数字化预案的应急数据分析系统,包括服务器和控制器,其特征在于:包括如权利要求5-8所述的一种基于数字化预案的应急数据分析装置,该装置用于实现如权利要求1-4所述的一种基于数字化预案的应急数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810191918.7A CN108595966B (zh) | 2018-03-08 | 2018-03-08 | 一种基于数字化预案的应急数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810191918.7A CN108595966B (zh) | 2018-03-08 | 2018-03-08 | 一种基于数字化预案的应急数据分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108595966A true CN108595966A (zh) | 2018-09-28 |
CN108595966B CN108595966B (zh) | 2022-03-29 |
Family
ID=63626001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810191918.7A Active CN108595966B (zh) | 2018-03-08 | 2018-03-08 | 一种基于数字化预案的应急数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108595966B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674941A (zh) * | 2019-09-25 | 2020-01-10 | 南开大学 | 基于神经网络的数据加密传输方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782743A (zh) * | 2010-02-11 | 2010-07-21 | 浙江大学 | 神经网络建模方法及系统 |
CN104022872A (zh) * | 2014-04-09 | 2014-09-03 | 广州赛意信息科技有限公司 | 数据加密方法 |
CN107086910A (zh) * | 2017-03-24 | 2017-08-22 | 中国科学院计算技术研究所 | 一种针对神经网络处理的权重加解密方法和系统 |
CN107273974A (zh) * | 2017-05-22 | 2017-10-20 | 浙江鹏信信息科技股份有限公司 | 一种安全应急处置评价体系构建方法及系统 |
CN107291882A (zh) * | 2017-06-19 | 2017-10-24 | 江苏软开信息科技有限公司 | 一种数据自动统计分析方法 |
-
2018
- 2018-03-08 CN CN201810191918.7A patent/CN108595966B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782743A (zh) * | 2010-02-11 | 2010-07-21 | 浙江大学 | 神经网络建模方法及系统 |
CN104022872A (zh) * | 2014-04-09 | 2014-09-03 | 广州赛意信息科技有限公司 | 数据加密方法 |
CN107086910A (zh) * | 2017-03-24 | 2017-08-22 | 中国科学院计算技术研究所 | 一种针对神经网络处理的权重加解密方法和系统 |
CN107273974A (zh) * | 2017-05-22 | 2017-10-20 | 浙江鹏信信息科技股份有限公司 | 一种安全应急处置评价体系构建方法及系统 |
CN107291882A (zh) * | 2017-06-19 | 2017-10-24 | 江苏软开信息科技有限公司 | 一种数据自动统计分析方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674941A (zh) * | 2019-09-25 | 2020-01-10 | 南开大学 | 基于神经网络的数据加密传输方法及系统 |
CN110674941B (zh) * | 2019-09-25 | 2023-04-18 | 南开大学 | 基于神经网络的数据加密传输方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108595966B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10320574B2 (en) | Blockchain for open scientific research | |
WO2020177475A1 (zh) | 一种安全的特征工程方法和装置 | |
CN110190946A (zh) | 一种基于同态加密的隐私保护多机构数据分类方法 | |
Nguyen et al. | Application of the generic feature selection measure in detection of web attacks | |
Chen et al. | A two-stage data preprocessing approach for software fault prediction | |
CN106850793A (zh) | 一种面向Android手机的远程可信取证的方法 | |
Pentyala et al. | Privacy-preserving video classification with convolutional neural networks | |
Chourasiya et al. | Classification of cyber attack using machine learning technique at microsoft azure cloud | |
CN111881193A (zh) | 一种基于机器学习的绩效方案测算系统、设备及介质 | |
Simmons et al. | Designing and implementing cloud-based digital forensics hands-on labs | |
CN108595966A (zh) | 一种基于数字化预案的应急数据分析方法及系统 | |
Vubangsi et al. | Optimizing Moving Target Defense For Cyber Anomaly Detection | |
Zhong et al. | Towards Agile Cyber Analysis: Leveraging Visualization as Functions in Collaborative Visual Analytics | |
Keidel et al. | WoDiCoF-A Testbed for the Evaluation of (Parallel) Covert Channel Detection Algorithms. | |
Dubey et al. | Digital Forensics Techniques and Trends: A Review | |
Zhou et al. | Classification of botnet families based on features self-learning under network traffic censorship | |
Lohana et al. | Efficient privacy-aware federated learning by elimination of downstream redundancy | |
Cermak et al. | Real-time pattern detection in IP flow data using Apache spark | |
Chaudhari | Cyber attack classification in microsoft azure using deep learning algorithm | |
Pohekari et al. | Cyber Attack Detection and Classification Using Mahcine Learning Technique Using Microsoft Azure Cloud | |
Shalaginov | Soft computing and hybrid intelligence for decision support in forensics science | |
Chen et al. | Rasp-boost: Confidential boosting-model learning with perturbed data in the cloud | |
Yang et al. | A Undersampling-DoppelGANger based Data Generation Method for Unbalanced BGP Data | |
CN107103254A (zh) | 加密程序识别方法及装置、电子设备 | |
Casanova et al. | Malicious Network Traffic Detection for DNS over HTTPS using Machine Learning Algorithms |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |