CN108921301A - 一种基于自学习的机器学习模型更新方法及系统 - Google Patents
一种基于自学习的机器学习模型更新方法及系统 Download PDFInfo
- Publication number
- CN108921301A CN108921301A CN201810697200.5A CN201810697200A CN108921301A CN 108921301 A CN108921301 A CN 108921301A CN 201810697200 A CN201810697200 A CN 201810697200A CN 108921301 A CN108921301 A CN 108921301A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- model
- learning model
- preva
- training
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000004048 modification Effects 0.000 claims abstract description 49
- 238000012986 modification Methods 0.000 claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 241000984642 Cura Species 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
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
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
Abstract
本发明提供了一种基于自学习的机器学习模型更新方法,包括:创建原机器学习模型并部署在线上;原机器学习模型检测恶意攻击存储到负样本库;当所述负样本数达到设置阈值,触发机器学习训练任务,创建新机器学习模型;根据设定的模型更新策略进行模型更新。一种基于自学习的机器学习模型更新系统,包括:负样本库单元,将检测到的恶意攻击进行存储;机器学习训练单元,在负样本数达到设置阈值时触发机器学习训练任务,创建新机器学习模型;模型更新单元,根据设定的模型更新策略进行模型更新。减少前期样本收集压力,上线后通过自学习收集样本进行训练;比较原模型和新模型精度决定是否更新模型,无需人工介入;克服对于外部不能推送更新的场景。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种基于自学习的机器学习模型更新方法及系统。
背景技术
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域,它主要使用归纳、综合而不是演绎。
机器学习主要分为三种不同类的学习方法:
监督学习:通过已有的一部分输入数据与输出数据之间的相应关系。生成一个函数,将输入映射到合适的输出,比如分类。
非监督学习:直接对输入数据集进行建模,比如聚类。
半监督学习:综合利用有类标的数据和没有类标的数据,来生成合适的分类函数。
无论何种类型的机器学习方法,其过程都包含模型训练以及预测过程。在预测的时候,都是基于已训练的模型进行预测,预测结果的好坏,主要取决于训练模型的优劣。决定模型的优劣的因素包括多方面的,选择的算法,算法参数的调优,算法的组合以及样本数量和质量。
在安全领域,样本的收集是费时费力,而且价格不菲。前期在模型训练的时候,由于缺少丰富的攻击样本,训练处理的模型很难达到最优的水平,需要在后期进行不断的迭代更新。
具有机器学习模型预测功能的设备产品销售给客户,并且该设备产品部署在客户的内网中,从网络安全的角度考虑,外部是无法给该产品设备进行模型更新的。对应这种场景,迫切需要一种自学习的模型更新机制对现有模型进行更新。
工业界对机器学习模型更新的方法主要有在线更新,进行在线推送版本号大于线上现有版本号的模型,线上程序进行无条件替换新的模型,该方法的主要缺陷是没有考虑到网络无法访问的场景。如果网络无法访问该产品,就无从谈起从外部对模型进行更新。
对于这种场景,现有的设备产品都是对模型不进行更新或者人工进行更新。这种方式的缺陷很明显,如果对模型不更新,前期需要收集的样本训练数必须很完备和全面,而且模型使用的算法必须是最优的,但这完全是不可能的,比如,随着科技的发展,对应的数据会越来越多,技术也会日新月异,所以不进行模型更新,随着时间的推移,该模型慢慢变得不可用。对于进行人工更新模型的方式,不仅需要人力物力,而且达不到实时性,有时可能需要中断业务进行模型更新,对应某些重要的业务不可中断的情况,这是灾难性的。
如今,网络攻击手段越来越多,花样繁多,并越来越先进。传统意义上的网络安全检测方法,如基于特征规则的正则匹配的方法,对于0day漏洞攻击等网络攻击无能为力。这时,就迫切希望将机器学习方法应用在网络安全检测方面。但由于传统的机器学习需要大量的样本进行模型训练,而对于网络安全,收集大量的带有恶意攻击的样本是非常困难的,也是不现实的。由于样本的收集困难,导致机器学习在网络安全中的应用效果不佳,受到了越来越多的挑战。
发明内容
针对上述现有技术中的不足之处,本发明提供了一种基于自学习的机器学习模型更新方法及系统,以解决现有技术中机器学习在网络安全中的应用不佳的问题。
本发明提供了一种基于自学习的机器学习模型更新方法,包括以下步骤:
S1、创建原机器学习模型,并将该原机器学习模型部署在线上;
S2、所述原机器学习模型在线上检测恶意攻击,并将检测到的恶意攻击作为负样本存储到负样本库;
S3、检测所述负样本库内的负样本数量,当所述负样本数量达到设置的阈值,则触发机器学习训练任务,创建新机器学习模型;
S4、根据设定的模型更新策略进行模型更新。
作为本发明的进一步改进,所述创建原机器学习模型包括:收集训练机器学习所需的正样本、负样本,然后进行模型训练和模型测试。
作为本发明的进一步改进,所述触发机器学习训练任务,创建新的机器学习模型包括:数据清洗、特征提取、模型训练、模型测试。
作为本发明的进一步改进,所述根据设定的模型更新策略进行模型更新具体包括:
设定:新机器学习模型准确率与分布区域分别为curP、curA,原机器学习模型准确率与分布区域分别为prevP、prevA,原机器学习模型驻留时间为T,时间参数K1、K2;
如果curP>prevP,则进行模型更新,
否则,计算新机器学习模型分布区域curA=curP,原机器学习模型分布区域prevA计算方式如下,
a、如果T<=K1,prevA=prevP;
b、如果T<K2,prevA=prevP*(1+(K2-T)/(K2-K1));
c、如果T>=k2,prevA=0;
生成随机数R=Random(0.5)*(curA+prevA),若R<curA,则进行模型更新,否则,不更新。
作为本发明的进一步改进,所述步骤S4之后还包括以下步骤:将执行完所述步骤S4之后的机器学习模型作为原机器学习模型,然后返回所述步骤S2继续执行,实现机器学习模型不断更新。
本发明还提供了一种基于自学习的机器学习模型更新系统,包括:
负样本库单元,用于将通过部署在线上的原机器学习模型检测到的恶意攻击作为负样本进行存储;
机器学习训练单元,用于在负样本数达到设置的阈值时,触发机器学习训练任务,创建新机器学习模型;
模型更新单元,用于根据设定的模型更新策略进行模型更新。
进一步的,还包括原机器学习模型创建单元,用于收集训练机器学习所需的正样本、负样本,然后进行模型训练和模型测试,创建原机器学习模型,并将其部署在线上。
进一步的,所述机器学习训练任务,创建新机器学习模型包括:数据清洗、特征提取、模型训练、模型测试。
进一步的,所述根据设定的模型更新策略进行模型更新具体包括:
设定:新机器学习模型准确率与分布区域分别为curP、curA,原机器学习模型准确率与分布区域分别为prevP、prevA,原机器学习模型驻留时间为T,时间参数K1、K2;
如果curP>prevP,则进行模型更新,
否则,计算新机器学习模型分布区域curA=curP,原机器学习模型分布区域prevA计算方式如下,
A、如果T<=K1,prevA=prevP;
B、如果T<K2,prevA=prevP*(1+(K2-T)/(K2-K1));
C、如果T>=k2,prevA=0;
生成随机数R=Random(0.5)*(curA+prevA),若R<curA,则进行模型更新,否则,不更新。
本发明的优点主要有:
1)减少前期机器学习样本收集的压力,并且在产品上线后,通过自学习不断的收集样本进行训练;
2)通过比较线上运行原模型和新训练出来的模型精度,决定是否进行模型更新,无需人工介入;
3)克服了对于外部不能推送更新的场景;
4)模型会随着时间的推移不断达到最优状态,同时模型也不断适用网络环境的变化。
附图说明
图1是本发明基于自学习的机器学习模型更新方法的流程图;
图2是本发明基于自学习的机器学习模型更新系统结构框图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1,如图1所示,本发明公开了一种基于自学习的机器学习模型更新方法,包括以下步骤:
S1、创建原机器学习模型,并将该原机器学习模型部署在线上;
S2、所述原机器学习模型在线上检测恶意攻击,并将检测到的恶意攻击作为负样本存储到负样本库;
S3、检测所述负样本库内的负样本数量,当所述负样本数量达到设置的阈值,则触发机器学习训练任务,创建新机器学习模型;
S4、根据设定的模型更新策略进行模型更新。
其中,所述创建原机器学习模型包括:收集训练机器学习所需的正样本、负样本,然后进行模型训练和模型测试。采用的机器学习方法为有监督的机器学习方法,且为二分类的机器学习模型,用已经标记的训练样本来训练模型,然后使用模型对未知(没有标签的)测试数据进行预测分类。正样本和负样本分别为训练集中检测为正常的数据样本和检测为异常恶意攻击数据样本。模型训练阶段将正样本和负样本按比例(如7:3)构成的训练集对机器学习算法进行训练,得到机器学习模型,该阶段是告诉模型什么样的数据是正常数据,什么样的数据是异常数据。模型测试阶段将训练得到的机器学习模型作为检测模型,对新来的未知数据(即不知是正常数据还是恶意攻击数据)进行预测,预测该数据的类别,即正常或异常。
所述触发机器学习训练任务,创建新的机器学习模型包括:数据清洗、特征提取、模型训练、模型测试。
所述根据设定的模型更新策略进行模型更新具体包括:
设定:新机器学习模型准确率与分布区域分别为curP、curA,原机器学习模型准确率与分布区域分别为prevP、prevA,原机器学习模型驻留时间为T,时间参数K1、K2;准确率是针对某些具体数据构建的机器学习模型的优劣的一个评价指标,分布区域是一个为了实现本发明提出的自学习更新模型而提出的辅助变量,通过计算该变量来综合模型在线驻留时间与模型准确率来制定模型更新策略,实现机器学习模型的自学习更新。
如果curP>prevP,则进行模型更新,
否则,计算新机器学习模型分布区域curA=curP,原机器学习模型分布区域prevA计算方式如下,
a、如果T<=K1,prevA=prevP;
b、如果T<K2,prevA=prevP*(1+(K2-T)/(K2-K1));
c、如果T>=k2,prevA=0;
生成随机数R=Random(0.5)*(curA+prevA),该函数表示取一个0~0.5之间的随机数与(curA+prevA)的乘积,若R<curA,则进行模型更新,否则,不更新。
所述步骤S4之后还包括以下步骤:将执行完所述步骤S4之后的机器学习模型作为原机器学习模型,然后返回所述步骤S2继续执行,实现机器学习模型不断更新。
实施例2,如图2所示,本发明还提供了一种基于自学习的机器学习模型更新系统,包括:
负样本库单元,用于将通过部署在线上的原机器学习模型检测到的恶意攻击作为负样本进行存储;
机器学习训练单元,用于在负样本数达到设置的阈值时,触发机器学习训练任务,创建新机器学习模型;
模型更新单元,用于根据设定的模型更新策略进行模型更新。
进一步的,还包括原机器学习模型创建单元,用于收集训练机器学习所需的正样本、负样本,然后进行模型训练和模型测试,创建原机器学习模型,并将其部署在线上。
进一步的,所述机器学习训练任务,创建新机器学习模型包括:数据清洗、特征提取、模型训练、模型测试。
进一步的,所述根据设定的模型更新策略进行模型更新具体包括:
设定:新机器学习模型准确率与分布区域分别为curP、curA,原机器学习模型准确率与分布区域分别为prevP、prevA,原机器学习模型驻留时间为T,时间参数K1、K2;
如果curP>prevP,则进行模型更新,
否则,计算新机器学习模型分布区域curA=curP,原机器学习模型分布区域prevA计算方式如下,
A、如果T<=K1,prevA=prevP;
B、如果T<K2,prevA=prevP*(1+(K2-T)/(K2-K1));
C、如果T>=k2,prevA=0;
生成随机数R=Random(0.5)*(curA+prevA),若R<curA,则进行模型更新,否则,不更新。
本发明的优点主要有:
1)减少前期机器学习样本收集的压力,并且在产品上线后,通过自学习不断的收集样本进行训练;
2)通过比较线上运行原模型和新训练出来的模型精度,决定是否进行模型更新,无需人工介入;
3)克服了对于外部不能推送更新的场景;
4)模型会随着时间的推移不断达到最优状态,同时模型也不断适用网络环境的变化。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于自学习的机器学习模型更新方法,其特征在于,包括以下步骤:
S1、创建原机器学习模型,并将该原机器学习模型部署在线上;
S2、所述原机器学习模型在线上检测恶意攻击,并将检测到的恶意攻击作为负样本存储到负样本库;
S3、检测所述负样本库内的负样本数量,当所述负样本数量达到设置的阈值,则触发机器学习训练任务,创建新机器学习模型;
S4、根据设定的模型更新策略进行模型更新。
2.根据权利要求1所述的基于自学习的机器学习模型更新方法,其特征在于,所述创建原机器学习模型包括:收集训练机器学习所需的正样本、负样本,然后进行模型训练和模型测试。
3.根据权利要求1所述的基于自学习的机器学习模型更新方法,其特征在于,所述触发机器学习训练任务,创建新的机器学习模型包括:数据清洗、特征提取、模型训练、模型测试。
4.根据权利要求1所述的基于自学习的机器学习模型更新方法,其特征在于,所述步骤S4具体包括:
设定:新机器学习模型准确率与分布区域分别为curP、curA,原机器学习模型准确率与分布区域分别为prevP、prevA,原机器学习模型驻留时间为T,时间参数K1、K2;
如果curP>prevP,则进行模型更新,
否则,计算新机器学习模型分布区域curA=curP,原机器学习模型分布区域prevA计算方式如下,
a、如果T<=K1,prevA=prevP;
b、如果T<K2,prevA=prevP*(1+(K2-T)/(K2-K1));
c、如果T>=k2,prevA=0;
生成随机数R=Random(0.5)*(curA+prevA),若R<curA,则进行模型更新,否则,不更新。
5.根据权利要求1至4任一项所述的基于自学习的机器学习模型更新方法,其特征在于,所述步骤S4之后还包括以下步骤:将执行完所述步骤S4之后的机器学习模型作为原机器学习模型,然后返回所述步骤S2继续执行,实现机器学习模型不断更新。
6.一种基于自学习的机器学习模型更新系统,其特征在于,包括:
负样本库单元,用于将通过部署在线上的原机器学习模型检测到的恶意攻击作为负样本进行存储;
机器学习训练单元,用于在负样本数达到设置的阈值时,触发机器学习训练任务,创建新机器学习模型;
模型更新单元,用于根据设定的模型更新策略进行模型更新。
7.根据权利要求6所述的基于自学习的机器学习模型更新系统,其特征在于,还包括原机器学习模型创建单元,用于收集训练机器学习所需的正样本、负样本,然后进行模型训练和模型测试,创建原机器学习模型,并将其部署在线上。
8.根据权利要求6所述的基于自学习的机器学习模型更新系统,其特征在于,所述机器学习训练任务,创建新机器学习模型包括:数据清洗、特征提取、模型训练、模型测试。
9.根据权利要求6所述的基于自学习的机器学习模型更新系统,其特征在于,所述根据设定的模型更新策略进行模型更新具体包括:
设定:新机器学习模型准确率与分布区域分别为curP、curA,原机器学习模型准确率与分布区域分别为prevP、prevA,原机器学习模型驻留时间为T,时间参数K1、K2;
如果curP>prevP,则进行模型更新,
否则,计算新机器学习模型分布区域curA=curP,原机器学习模型分布区域prevA计算方式如下,
A、如果T<=K1,prevA=prevP;
B、如果T<K2,prevA=prevP*(1+(K2-T)/(K2-K1));
C、如果T>=k2,prevA=0;
生成随机数R=Random(0.5)*(curA+prevA),若R<curA,则进行模型更新,否则,不更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810697200.5A CN108921301B (zh) | 2018-06-29 | 2018-06-29 | 一种基于自学习的机器学习模型更新方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810697200.5A CN108921301B (zh) | 2018-06-29 | 2018-06-29 | 一种基于自学习的机器学习模型更新方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921301A true CN108921301A (zh) | 2018-11-30 |
CN108921301B CN108921301B (zh) | 2020-06-02 |
Family
ID=64422076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810697200.5A Active CN108921301B (zh) | 2018-06-29 | 2018-06-29 | 一种基于自学习的机器学习模型更新方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921301B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685160A (zh) * | 2019-01-18 | 2019-04-26 | 创新奇智(合肥)科技有限公司 | 一种在线模型自动训练及部署方法及系统 |
CN110399268A (zh) * | 2019-07-26 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 一种异常数据检测的方法、装置及设备 |
CN110414689A (zh) * | 2019-08-06 | 2019-11-05 | 中国工商银行股份有限公司 | 一种机器学习模型线上更新方法及装置 |
CN111262838A (zh) * | 2020-01-09 | 2020-06-09 | 南方电网科学研究院有限责任公司 | 一种网络安全智能分析方法、系统及设备 |
CN111966382A (zh) * | 2020-08-28 | 2020-11-20 | 上海寻梦信息技术有限公司 | 机器学习模型的在线部署方法、装置及相关设备 |
CN112149836A (zh) * | 2019-06-28 | 2020-12-29 | 杭州海康威视数字技术股份有限公司 | 一种机器学习程序更新方法、装置及设备 |
WO2021053509A1 (en) * | 2019-09-20 | 2021-03-25 | International Business Machines Corporation | Updating detection models and maintaining data privacy |
CN112668409A (zh) * | 2020-12-14 | 2021-04-16 | 合肥富煌君达高科信息技术有限公司 | 一种视觉测量系统及其应用于药品种类识别的方法 |
US11080352B2 (en) | 2019-09-20 | 2021-08-03 | International Business Machines Corporation | Systems and methods for maintaining data privacy in a shared detection model system |
US11157776B2 (en) | 2019-09-20 | 2021-10-26 | International Business Machines Corporation | Systems and methods for maintaining data privacy in a shared detection model system |
US11188320B2 (en) | 2019-09-20 | 2021-11-30 | International Business Machines Corporation | Systems and methods for updating detection models and maintaining data privacy |
US11216268B2 (en) | 2019-09-20 | 2022-01-04 | International Business Machines Corporation | Systems and methods for updating detection models and maintaining data privacy |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106790256A (zh) * | 2017-01-24 | 2017-05-31 | 浙江中都信息技术有限公司 | 用于危险主机检测的主动机器学习系统 |
CN104915537B (zh) * | 2015-04-08 | 2018-01-12 | 郑州航空工业管理学院 | 基于神经网络的行为预测方法 |
-
2018
- 2018-06-29 CN CN201810697200.5A patent/CN108921301B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915537B (zh) * | 2015-04-08 | 2018-01-12 | 郑州航空工业管理学院 | 基于神经网络的行为预测方法 |
CN106790256A (zh) * | 2017-01-24 | 2017-05-31 | 浙江中都信息技术有限公司 | 用于危险主机检测的主动机器学习系统 |
Non-Patent Citations (2)
Title |
---|
张夏: ""基于机器学习算法的网络入侵检测"", 《现代电子技术》 * |
苏志达 等: ""基于深度学习的安卓恶意应用检测"", 《计算机应用》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685160A (zh) * | 2019-01-18 | 2019-04-26 | 创新奇智(合肥)科技有限公司 | 一种在线模型自动训练及部署方法及系统 |
CN109685160B (zh) * | 2019-01-18 | 2020-11-27 | 创新奇智(合肥)科技有限公司 | 一种在线模型自动训练及部署方法及系统 |
CN112149836A (zh) * | 2019-06-28 | 2020-12-29 | 杭州海康威视数字技术股份有限公司 | 一种机器学习程序更新方法、装置及设备 |
CN110399268A (zh) * | 2019-07-26 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 一种异常数据检测的方法、装置及设备 |
CN110399268B (zh) * | 2019-07-26 | 2023-09-26 | 创新先进技术有限公司 | 一种异常数据检测的方法、装置及设备 |
CN110414689A (zh) * | 2019-08-06 | 2019-11-05 | 中国工商银行股份有限公司 | 一种机器学习模型线上更新方法及装置 |
US11080352B2 (en) | 2019-09-20 | 2021-08-03 | International Business Machines Corporation | Systems and methods for maintaining data privacy in a shared detection model system |
WO2021053509A1 (en) * | 2019-09-20 | 2021-03-25 | International Business Machines Corporation | Updating detection models and maintaining data privacy |
US11157776B2 (en) | 2019-09-20 | 2021-10-26 | International Business Machines Corporation | Systems and methods for maintaining data privacy in a shared detection model system |
US11188320B2 (en) | 2019-09-20 | 2021-11-30 | International Business Machines Corporation | Systems and methods for updating detection models and maintaining data privacy |
US11216268B2 (en) | 2019-09-20 | 2022-01-04 | International Business Machines Corporation | Systems and methods for updating detection models and maintaining data privacy |
GB2603686A (en) * | 2019-09-20 | 2022-08-10 | Ibm | Updating detection models and maintaining data privacy |
CN111262838A (zh) * | 2020-01-09 | 2020-06-09 | 南方电网科学研究院有限责任公司 | 一种网络安全智能分析方法、系统及设备 |
CN111966382A (zh) * | 2020-08-28 | 2020-11-20 | 上海寻梦信息技术有限公司 | 机器学习模型的在线部署方法、装置及相关设备 |
CN112668409A (zh) * | 2020-12-14 | 2021-04-16 | 合肥富煌君达高科信息技术有限公司 | 一种视觉测量系统及其应用于药品种类识别的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108921301B (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921301A (zh) | 一种基于自学习的机器学习模型更新方法及系统 | |
WO2021184630A1 (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
CN111475804B (zh) | 一种告警预测方法及系统 | |
CN112114579B (zh) | 一种基于攻击图的工业控制系统安全度量方法 | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
CN112181758B (zh) | 一种基于网络拓扑及实时告警的故障根因定位方法 | |
CN109522192A (zh) | 一种基于知识图谱和复杂网络组合的预测方法 | |
CN111310139B (zh) | 行为数据识别方法、装置及存储介质 | |
CN112966714B (zh) | 一种边缘时序数据异常检测和网络可编程控制方法 | |
CN114465874B (zh) | 故障预测方法、装置、电子设备与存储介质 | |
CN109670306A (zh) | 基于人工智能的电力恶意代码检测方法、服务器及系统 | |
WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
CN108470022A (zh) | 一种基于运维管理的智能工单质检方法 | |
Zhang et al. | Fast fine-grained air quality index level prediction using random forest algorithm on cluster computing of spark | |
CN107111609A (zh) | 用于神经语言行为识别系统的词法分析器 | |
CN115278741A (zh) | 一种基于多模态数据依赖关系的故障诊断方法和装置 | |
CN111343143B (zh) | 数据识别方法、装置及存储介质 | |
CN113225346A (zh) | 一种基于机器学习的网络运维态势评估方法 | |
Liu et al. | Functions-based CFG embedding for malware homology analysis | |
CN117151649B (zh) | 基于大数据分析的施工方法管控系统及方法 | |
Cohen et al. | Shapley-based explainable ai for clustering applications in fault diagnosis and prognosis | |
CN113779261A (zh) | 知识图谱的质量评价方法、装置、计算机设备及存储介质 | |
CN112182441A (zh) | 违规数据的检测方法及装置 | |
Matsui et al. | Modeling bout–pause response patterns in variable-ratio and variable-interval schedules using hierarchical Bayesian methodology | |
Anggraeni et al. | A Sparse Representation of Social Media, Internet Query, and Surveillance Data to Forecast Dengue Case Number using Hybrid Decomposition-Bidirectional LSTM. |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Room 01, floor 1, building 104, No. 3 minzhuang Road, Haidian District, Beijing 100195 Patentee after: Changyang Technology (Beijing) Co.,Ltd. Address before: Room 507, 5th floor, No. 18 Danling Street, Haidian District, Beijing, 100080 Patentee before: CHANGYANG TECH (BEIJING) Co.,Ltd. |