CN108668265B - 基于循环神经网络预测移动用户间相遇概率的方法 - Google Patents

基于循环神经网络预测移动用户间相遇概率的方法 Download PDF

Info

Publication number
CN108668265B
CN108668265B CN201810315317.2A CN201810315317A CN108668265B CN 108668265 B CN108668265 B CN 108668265B CN 201810315317 A CN201810315317 A CN 201810315317A CN 108668265 B CN108668265 B CN 108668265B
Authority
CN
China
Prior art keywords
bluetooth physical
sequence
physical address
encounter
mac
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
CN201810315317.2A
Other languages
English (en)
Other versions
CN108668265A (zh
Inventor
易运晖
刘弦弦
何先灯
孟艳红
赵楠
权东晓
陈南
韩宝彬
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.)
Xian University of Electronic Science and Technology
Original Assignee
Xian University of Electronic Science and Technology
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 Xian University of Electronic Science and Technology filed Critical Xian University of Electronic Science and Technology
Publication of CN108668265A publication Critical patent/CN108668265A/zh
Application granted granted Critical
Publication of CN108668265B publication Critical patent/CN108668265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/16—Discovering, processing access restriction or access information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2101/00—Indexing scheme associated with group H04L61/00
    • H04L2101/60—Types of network addresses
    • H04L2101/618—Details of network addresses
    • H04L2101/622—Layer-2 addresses, e.g. medium access control [MAC] addresses
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computer Security & Cryptography (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于循环神经网络预测移动用户间相遇概率的方法，主要解决现有的预测移动用户间相遇概率准确率低、对移动用户节点的存储能力、计算能力要求较高的缺点。其实现步骤是：(1)移动用户采集历史数据；(2)获得蓝牙物理地址MAC序列；(3)获得用户间相遇时间序列；(4)将蓝牙物理地址MAC序列向量化；(5)训练循环神经网络LSTM；(6)预测用户间相遇概率。本发明通过移动用户采集历史数据，构建循环神经网络，实现移动用户间相遇概率的预测，提高了预测准确度，降低了对用户节点的存储、计算能力的依赖。

Description

基于循环神经网络预测移动用户间相遇概率的方法
技术领域
本发明属于通信技术领域，更进一步涉及移动网络技术领域中的一种基于循环神经网络预测移动用户间相遇概率的方法。本发明通过循环神经网络对移动用户的历史行为数据进行训练，得到移动用户间相遇概率的预测模型，从而利用该预测模型预测出移动用户间的相遇概率。本发明可在移动网络中数据的路由转发过程中，选择耗时最少、效率最高的路径进行数据转发，提高数据传输成功率。
背景技术
移动机会网络是通过利用用户的移动带来的相遇机会以“存储-携带-转发”的形式实现节点之间通信的一种移动网络，因此机会网络应用中最基本的前提就是需要用户之间的相互接触、协作来转发数据，对移动机会网络中节点的相遇行为进行分析,是移动机会网络中数据路由转发的基础。
同济大学在其申请的专利文献“一种机会网络的相遇预测和距离感知的路由转发方法及系统”(申请号：201710164228.8，申请公布号：CN107124750A)中提出了一种机会网络的相遇预测和距离感知的路由转发方法。该方法首先获取机会网络中节点之间交换信息，构成节点网络关联图；然后获取每一节点收集相邻节点的转发条件信息；最后机会网络中的源节点或前转发节点根据转发条件信息对相邻节点进行转发节点判断及目标节点判断。但是，该方法存在的不足之处是，在信息收集模块，该方法包含了距离值收集模块、相遇概率模块、邻接点概率收集模块、转发条件模块和条件信息存储模块，这种数据实时收集与相遇概率计算对用户节点数据存储量和计算能力要求较高。
华南理工大学在其申请的专利文献“一种基于卷积神经网络的移动用户行为预测方法”(申请号：201710243498.8，申请公布号：CN107153887A)中提出了一种预测用户移动行为的方法。该方法首先对移动用户历史数据进行特征处理；然后根据历史记录数选择卷积用户，构建卷积用户的二维历史数据单元，对卷积神经网络行为预测模型进行训练；最后判读目标用户为卷积预测目标用户，构建二维目标用户数据单元输入卷积神经网络行为预测模型，预测得到目标用户各个行为标签的概率。该方法存在的不足之处是，对移动用户历史数据记录，按时间先后顺序进行排列，组成卷积神经网络的输入序列，而卷积神经网络对于输入上下文没有记忆功能，不能对用户历史数据产生很好的记忆功能，因此，对于用户间相遇预测会产生较大的误差，准确率较低。
发明内容
本发明的目的在于针对上述现有技术存在的用户节点存储量大、计算能力要求高、准确率低的缺点，提供一种基于循环神经网络预测移动用户间相遇概率的方法。
实现本发明目的的思路是，该方法是在移动用户采集历史数据的前提下，获得蓝牙物理地址MAC(Media Access Control)序列和用户间相遇时间序列，将蓝牙物理地址MAC序列向量化，训练循环神经网络LSTM(Long Short-Term Memory)，实现用户间相遇概率的预测。
实现本发明目的的具体步骤如下：
(1)移动用户采集历史数据：
利用移动用户的智能终端中的蓝牙，采集15天内移动用户间蓝牙扫描的原始数据集；
(2)获得蓝牙物理地址MAC序列：
(2a)从原始数据集中选取扫描时间戳和用户的蓝牙物理地址MAC两组数据；
(2b)将用户蓝牙物理地址MAC组中蓝牙物理地址MAC相同的归为一类，将归类后的蓝牙物理地址MAC，按照与其对应的扫描时间戳时间的先后排序，得到多个类别的相遇用户的蓝牙物理地址MAC序列；
(3)获得用户间相遇时间序列：
(3a)每隔5分钟的时间内，依次从蓝牙物理地址MAC序列中提取蓝牙物理地址MAC；
(3b)从提取蓝牙物理地址MAC中的每一组子序列中，将第一个蓝牙物理地址MAC所对应的扫描时间戳为相遇开始时间；将最后一个蓝牙物理地址MAC所对应的扫描时间戳为相遇结束时间；将相遇结束时间减去相遇开始时间，作为相遇持续时间；
(3c)将每一组子序列得到的蓝牙物理地址MAC、相遇开始时间、相遇结束时间、相遇持续时间组成一条数据记录；
(3d)选取相遇持续时间大于相遇持续时间的数据记录，相遇持续时间的取值由移动网络中待传输的数据量的大小确定；
(3e)对每一条数据记录中相遇开始时间的数据记录按照先后排序，组成用户间相遇时间序列；
(4)将蓝牙物理地址MAC序列向量化：
(4a)从相遇时间序列数据集中，按照相遇开始时间的先后顺序，依次提取与每个相遇开始时间对应的蓝牙物理地址MAC，将所有的蓝牙物理地址MAC组成蓝牙物理地址MAC序列；
(4b)利用Word2Vec模型中的Skip-gram算法，对蓝牙物理地址MAC序列进行向量化处理，得到蓝牙物理地址MAC序列所对应的向量序列；
(5)训练循环神经网络LSTM：
(5a)将蓝牙物理地址MAC序列所对应的向量序列，依次提取长度相等的向量子序列，其中，向量子序列的长度取值大于等于2，由所有向量子序列组成训练样本集；
(5b)搭建一个循环神经网络LSTM，输入层节点数为x；输出层节点数为y，输出层激活函数采用Softmax激活函数，其中，x与y的取值相等，其大小与输入向量的维数相等；
(5c)将训练样本集中每个向量子序列的最后一个向量作为循环神经网络LSTM的输出，其它向量作为循环神经网络LSTM的输入，进行模型训练，得到移动用户间相遇预测模型；
(6)预测用户间相遇概率：
将历史数据中所获得的用户间相遇蓝牙物理地址MAC序列所对应的向量序列，按照相遇起始时间的先后顺序，依次输入到移动用户间相遇预测模型中，得到下一个用户间相遇概率。
与现有技术相比，本发明具有以下优点：
第一，由于本发明首先利用移动用户的智能终端中的蓝牙，采集移动用户间蓝牙扫描所获取的扫描时间、扫描时间戳、用户蓝牙名称、用户的蓝牙物理地址MAC数据，获得相遇开始时间、相遇结束时间、相遇持续时间，生成用户间相遇时间序列，然后建立用户间的相遇概率预测模型。通过对数据的收集、分析和对用户间相遇概率预测相分离的方法，克服了现有技术中数据的实时收集和实时分析对用户节点所造成的存储空间使用量大和计算能力要求高的缺点。使得本发明能够节省移动用户节点的存储和计算资源。
第二，本发明通过采集移动用户间蓝牙扫描所获取的扫描时间、扫描时间戳、用户蓝牙名称、用户的蓝牙物理地址MAC数据，生成用户间相遇时间序列，利用循环神经网络(LSTM)对用户间相遇时间序列进行训练，预测移动用户相遇概率，克服了现有技术中对用户间相遇概率预测准确率低的缺点。使得本发明能够更加准确的预测用户间相遇的概率。
附图说明
图1为本发明的流程图；
图2为本发明蓝牙物理地址MAC序列向量化流程图。
具体实施方法
下面结合附图对本发明作进一步的描述。
参照图1的流程图，对本发明实现的具体步骤作进一步的描述。
步骤1，移动用户采集历史数据。
利用移动用户的智能终端中的蓝牙，采集15天内移动用户间蓝牙扫描的原始数据集。
参照如下所示移动用户采集的历史数据，原始数据集包括扫描时间、扫描时间戳、扫描到的用户蓝牙名称、扫描到用户的蓝牙物理地址MAC数据。
Figure BDA0001623583270000041
步骤2，获得蓝牙物理地址MAC序列。
从原始数据集中选取扫描时间戳和用户的蓝牙物理地址MAC两组数据。
将用户蓝牙物理地址MAC组中蓝牙物理地址MAC相同的归为一类，将归类后的蓝牙物理地址MAC，按照与其对应的扫描时间戳时间的先后排序，得到多个类别的相遇用户的蓝牙物理地址MAC序列。
步骤3，获得用户间相遇时间序列。
每隔5分钟的时间内，依次从蓝牙物理地址MAC序列中提取蓝牙物理地址MAC。
从提取蓝牙物理地址MAC中的每一组子序列中，将第一个蓝牙物理地址MAC所对应的扫描时间戳为相遇开始时间；将最后一个蓝牙物理地址MAC所对应的扫描时间戳为相遇结束时间；将相遇结束时间减去相遇开始时间，作为相遇持续时间。
将每一组子序列得到的蓝牙物理地址MAC、相遇开始时间、相遇结束时间、相遇持续时间组成一条数据记录。
选取相遇持续时间大于相遇持续时间的数据记录，相遇持续时间的取值由移动网络中待传输的数据量的大小确定。
对每一条数据记录中相遇开始时间的数据记录按照先后排序，组成用户间相遇时间序列。
步骤4，将蓝牙物理地址MAC序列向量化。
从相遇时间序列数据集中，按照相遇开始时间的先后顺序，依次提取与每个相遇开始时间对应的蓝牙物理地址MAC，将所有的蓝牙物理地址MAC组成蓝牙物理地址MAC序列。
利用Word2Vec模型中的Skip-gram算法，对蓝牙物理地址MAC序列进行向量化处理，得到蓝牙物理地址MAC序列所对应的向量序列。
参照图2蓝牙物理地址MAC序列向量化流程图，对Word2Vec模型中的Skip-gram算法的具体步骤描述如下。
第1步，用参数为1的滑动窗口，从蓝牙物理地址MAC序列中，依次提取蓝牙物理地址MAC，组成训练数据集。
第2步，将训练数据集中的每个蓝牙物理地址MAC，随机初始化为维度为n的向量，n表示蓝牙物理地址MAC序列中的蓝牙物理地址MAC的总数。
第3步，搭建一个全连接神经网络模型，该模型的输入为p维的向量，隐藏层节点个数为m个，隐藏层的权重矩阵为p×m的矩阵；输出层节点个数为q个，输出层权重矩阵为m×q的矩阵；其中，p与q的取值相等，其大小与与蓝牙物理地址MAC的总数相等。
第4步，将训练数据集输入到全连接神经网络中进行训练，得到蓝牙物理地址MAC序列所对应的向量序列。
步骤5，训练循环神经网络LSTM。
将蓝牙物理地址MAC序列所对应的向量序列，依次提取长度相等的向量子序列，其中，向量子序列的长度取值大于等于2，由所有向量子序列组成训练样本集。
搭建一个循环神经网络LSTM，输入层节点数为x；输出层节点数为y，输出层激活函数采用Softmax激活函数，其中，x与y的取值相等，其大小与输入向量的维数相等。
将训练样本集中每个向量子序列的最后一个向量作为循环神经网络LSTM的输出，其它向量作为循环神经网络LSTM的输入，进行模型训练，得到移动用户间相遇预测模型。
步骤6，预测用户间相遇概率。
将历史数据中所获得的用户间相遇蓝牙物理地址MAC序列所对应的向量序列，按照相遇起始时间的先后顺序，依次输入到移动用户间相遇预测模型中，得到下一个用户间相遇概率。

Claims (2)

1.一种基于循环神经网络预测移动用户间相遇概率的方法，其特征在于，包括以下步骤：
(1)移动用户采集历史数据：
利用移动用户的智能终端中的蓝牙，采集15天内移动用户间蓝牙扫描的原始数据集；
(2)获得蓝牙物理地址MAC序列：
(2a)从原始数据集中选取扫描时间戳和用户的蓝牙物理地址MAC两组数据；
(2b)将用户蓝牙物理地址MAC组中蓝牙物理地址MAC相同的归为一类，将归类后的蓝牙物理地址MAC，按照与其对应的扫描时间戳时间的先后排序，得到多个类别的相遇用户的蓝牙物理地址MAC序列；
(3)获得用户间相遇时间序列：
(3a)从第一个蓝牙物理地址MAC开始，将时间间隔连续小于或等于5分钟的蓝牙物理地址MAC，归为一个子序列；
(3b)从提取蓝牙物理地址MAC中的每一组子序列中，将第一个蓝牙物理地址MAC所对应的扫描时间戳为相遇开始时间；将最后一个蓝牙物理地址MAC所对应的扫描时间戳为相遇结束时间；将相遇结束时间减去相遇开始时间，作为相遇持续时间；
(3c)将每一组子序列得到的蓝牙物理地址MAC、相遇开始时间、相遇结束时间、相遇持续时间组成一条数据记录；
(3d)选取相遇持续时间大于设定的相遇持续时间阈值的数据记录，所述设定的相遇持续时间阈值的取值由移动网络中待传输的数据量的大小确定；
(3e)对每一条数据记录中相遇开始时间的数据记录按照先后排序，组成用户间相遇时间序列；
(4)将蓝牙物理地址MAC序列向量化：
(4a)从相遇时间序列数据集中，按照相遇开始时间的先后顺序，依次提取与每个相遇开始时间对应的蓝牙物理地址MAC，将所有的蓝牙物理地址MAC组成蓝牙物理地址MAC序列；
(4b)利用Word2Vec模型中的Skip-gram算法，对蓝牙物理地址MAC序列进行向量化处理，得到蓝牙物理地址MAC序列所对应的向量序列；
所述Word2Vec模型中的Skip-gram算法的具体步骤如下：
第一步，用参数为1的滑动窗口，从蓝牙物理地址MAC序列中，依次提取蓝牙物理地址MAC，组成训练数据集；
第二步，将训练数据集中的每个蓝牙物理地址MAC，随机初始化为维度为n的向量，n表示蓝牙物理地址MAC序列中的蓝牙物理地址MAC的总数；
第三步，搭建一个全连接神经网络模型，该模型的输入为p维的向量，隐藏层节点个数为m个，隐藏层的权重矩阵为p×m的矩阵；输出层节点个数为q个，输出层权重矩阵为m×q的矩阵；其中，p与q的取值相等，其大小与与蓝牙物理地址MAC的总数相等；
第四步，将训练数据集输入到全连接神经网络中进行训练，得到蓝牙物理地址MAC序列所对应的向量序列；
(5)训练循环神经网络LSTM：
(5a)将蓝牙物理地址MAC序列所对应的向量序列，依次提取长度相等的向量子序列，其中，向量子序列的长度取值大于等于2，由所有向量子序列组成训练样本集；
(5b)搭建一个循环神经网络LSTM，输入层节点数为x；输出层节点数为y，输出层激活函数采用Softmax激活函数，其中，x与y的取值相等，其大小与输入向量的维数相等；
(5c)将训练样本集中每个向量子序列的最后一个向量作为循环神经网络LSTM的输出，其它向量作为循环神经网络LSTM的输入，进行模型训练，得到移动用户间相遇预测模型；
(6)预测用户间相遇概率：
将历史数据中所获得的用户间相遇蓝牙物理地址MAC序列所对应的向量序列，按照相遇起始时间的先后顺序，依次输入到移动用户间相遇预测模型中，得到下一个用户间相遇概率。
2.根据权利要求1所述的基于循环神经网络预测移动用户间相遇概率的方法，其特征在于，步骤(1)中所述的原始数据集包括扫描时间、扫描时间戳、扫描到的用户蓝牙名称、扫描到用户的蓝牙物理地址MAC数据。
CN201810315317.2A 2017-12-29 2018-04-10 基于循环神经网络预测移动用户间相遇概率的方法 Active CN108668265B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201711470293 2017-12-29
CN201711470293X 2017-12-29

Publications (2)

Publication Number Publication Date
CN108668265A CN108668265A (zh) 2018-10-16
CN108668265B true CN108668265B (zh) 2020-01-07

Family

ID=63783437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810315317.2A Active CN108668265B (zh) 2017-12-29 2018-04-10 基于循环神经网络预测移动用户间相遇概率的方法

Country Status (1)

Country Link
CN (1) CN108668265B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446556B (zh) * 2021-01-27 2021-04-30 电子科技大学 基于表示学习和行为特征的通信网用户呼叫对象预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102548029A (zh) * 2010-12-07 2012-07-04 中机生产力促进中心 一种市政管网无线监测系统
CN106534350A (zh) * 2016-12-09 2017-03-22 中国联合网络通信集团有限公司 一种相遇预测的方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104867015B (zh) * 2015-04-27 2018-09-18 福州大学 一种基于用户移动预测的物品递送者推荐方法
CN106557809A (zh) * 2015-09-30 2017-04-05 富士通株式会社 神经网络系统及对该神经网络系统进行训练的方法
CN105975504A (zh) * 2016-04-28 2016-09-28 中国科学院计算技术研究所 一种基于循环神经网络的社交网络消息爆发检测方法及系统
CN105791120B (zh) * 2016-05-03 2019-05-17 哈尔滨工业大学深圳研究生院 机会网络中一种高效路由算法
CN106096767A (zh) * 2016-06-07 2016-11-09 中国科学院自动化研究所 一种基于lstm的路段行程时间预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102548029A (zh) * 2010-12-07 2012-07-04 中机生产力促进中心 一种市政管网无线监测系统
CN106534350A (zh) * 2016-12-09 2017-03-22 中国联合网络通信集团有限公司 一种相遇预测的方法及装置

Also Published As

Publication number Publication date
CN108668265A (zh) 2018-10-16

Similar Documents

Publication Publication Date Title
CN109948029B (zh) 基于神经网络自适应的深度哈希图像搜索方法
CN110263280B (zh) 一种基于多视图的动态链路预测深度模型及应用
CN103189836B (zh) 用于对图数据流中的对象分类的方法
CN111953669B (zh) 适用于SDN的Tor流量溯源与应用类型识别方法和系统
CN113489619B (zh) 一种基于时间序列分析的网络拓扑推断方法及装置
CN113868474A (zh) 一种基于自注意力机制和动态图的信息级联预测方法
JP2021531523A (ja) 画像処理方法、候補評価方法および関連装置
CN113328755A (zh) 一种面向边缘计算的压缩数据传输方法
CN111343650A (zh) 一种基于跨域数据和对抗损失的城市尺度无线业务流量预测方法
CN110809066A (zh) IPv6地址生成模型创建方法、装置及地址生成方法
CN108668265B (zh) 基于循环神经网络预测移动用户间相遇概率的方法
Dong et al. Mining data correlation from multi-faceted sensor data in the Internet of Things
CN114821218A (zh) 基于改进的通道注意力机制的目标检测模型搜索方法
CN116306780B (zh) 一种动态图链接生成方法
Zhang et al. Multi-weather classification using evolutionary algorithm on efficientnet
Kaushik et al. Traffic prediction in telecom systems using deep learning
CN114979017B (zh) 基于工控系统原始流量的深度学习协议识别方法及系统
CN112071362B (zh) 一种融合全局和局部拓扑结构的蛋白质复合体的检测方法
CN112948763B (zh) 件量预测方法、装置、电子设备及存储介质
CN113572732B (zh) 一种基于vae和聚合hmm的多步攻击建模和预测方法
CN112308165B (zh) 一种基于storm的实时空间最近邻分类预测方法及系统
CN117692026B (zh) 一种电力线通信的链路感知方法及装置
Borrego-Carazo et al. Extending SpArSe: Automatic Gesture Recognition Architectures for Embedded Devices
CN116032543A (zh) 一种抗特征不稳定的Tor App流量分析方法与系统
CN117113077A (zh) 目标序列确定方法、装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant