CN109033288A - 一种基于bp神经网络的智能终端安全等级分类方法 - Google Patents
一种基于bp神经网络的智能终端安全等级分类方法 Download PDFInfo
- Publication number
- CN109033288A CN109033288A CN201810769088.1A CN201810769088A CN109033288A CN 109033288 A CN109033288 A CN 109033288A CN 201810769088 A CN201810769088 A CN 201810769088A CN 109033288 A CN109033288 A CN 109033288A
- Authority
- CN
- China
- Prior art keywords
- intelligent terminal
- security level
- test
- neural network
- terminal
- 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.)
- Pending
Links
Classifications
-
- 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
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/24—Arrangements for testing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明公开了一种基于BP神经网络的智能终端安全等级分类方法,包括以下步骤:S1.对任一智能终端的N个测试单项进行测试,得到该智能终端的测试结果向量;S2.对测试结果向量进行预处理,得到测试总分;给定门限值,将智能终端划分为S个安全等级,根据测试总分确定终端所属的安全等级;S4.对于不同的智能终端,重复步骤S1~S3进行处理;S5生成样本集;S6.构建S‑1层BP神经网络,利用生成的样本集对BP神经网络进行训练;S7.当新的智能终端接入时,利用成熟的BP神经网络对其测试结果进行处理,得到安全等级。本发明根据智能终端各单项安全性能的测试得到测试结果,并采用BP神经网络算法进行智能终端的安全等级划分,有利于实现在不同安全级别需求下的安全使用。
Description
技术领域
本发明涉及智能终端安全分级,特别是涉及一种基于BP神经网络的智能终端安全等级分类方法。
背景技术
随着物联网的快速发展和4G/5G无线网络的普及,万物互联的时代已经到来,智能终端是万物互联的节点,得到广泛的应用,然而,智能终端越来越多的涉及商业秘密和个人隐私等敏感信息。智能终端也面临各种安全威胁,如恶意订购、自动拨打声讯台、自动联网等,造成用户的话费损失;木马软件可以控制用户的移动终端,盗取账户、监听通话、发送本地信息等。在这种背景下,对于智能终端的安全测评显得尤为重要。移动智能终端安全测评是非常必要的,在移动智能终端安全测评中,根据各测试单项的测试结果科学计算,进行终端安全等级的划分,是涉及不同用户对移动智能终端安全需求不同的重要依据,实现不同安全级别需求的安全使用,移动智能终端安全测评成为最有效方式之一。
万物联网应用需求的发展催生了边缘式大数据处理模式,即边缘计算模型,其能在网络边缘设备上增加执行任务计算和数据分析的处理能力,将原有的云计算模型的部分或全部计算任务迁移到网络边缘设备上,降低云计算中心的计算负载,减缓网络带宽的压力,提高万物互联时代数据的处理效率。边缘计算利用靠近数据源的边缘地带来完成的运算程序。
BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,是目前应用最广泛的神经网络。它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。
基于边缘计算能力的支撑,在BP神经网络下实现智能终端准确的安全分级,对于实现用户在不同安全级别需求的安全使用具有重大意义。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于BP神经网络的智能终端安全等级分类方法,根据智能终端各单项安全性能的测试得到测试结果,并采用BP神经网络算法进行智能终端的安全等级划分,提高了安全等级划分的准确性,有利于实现在不同安全级别需求下的安全使用。
本发明的目的是通过以下技术方案来实现的:一种基于BP神经网络的智能终端安全等级分类方法,包括以下步骤:
S1.对任一智能终端的N个测试单项进行测试,得到该智能终端的测试结果向量M=[m1,m2,L,mN]T;其中,mj表示智能终端第j个测试单项的测试结果,j=1,2,...,N;
S2.对智能终端的测试结果向量M进行预处理,得到智能终端的测试总分X;
S3.给定S-1个为正数的门限值,将智能终端划分为S个安全等级,根据智能终端的测试总分X确定终端所属的安全等级x;
S4.对于不同的智能终端,重复步骤S1~S3进行处理,得到每一个智能终端对应的测试结果向量X1,X2,L,XK,以及每一个智能终端的安全等级x1,x2,L,xK;其中Xi表示第i个智能终端的测试总分,xi表示第i个智能终端的安全等级,i=1,2,...,K;
S5.根据每台智能终端的测试总分和安全等级生成样本集。
S6.构建S-1层BP神经网络,利用生成的样本集对BP神经网络进行训练,得到成熟的BP神经网络;
S7.当新的智能终端接入时,利用成熟的BP神经网络对其测试结果进行处理,得到该智能终端的安全等级。
其中,所述的测试单项包括但不限于短信功能、通话功能、第三方软件、内核漏洞、审计功能、存储和删除文件警告。
具体地,所述步骤S2包括:
S201.给定各个测试单项的权重分布向量W=[w1,w2,L,wN],wj表示第j个测试单项的权重,wj=1/N,j=1,2,...,N;
S202.将测试结果向量M=[m1,m2,L,mN]T与权重分布向量W相乘,得到智能终端的测试总分X:
X=M*W。
具体地,所述步骤S3包括:
S301.给定S-1个门限值η1,η2,Λ,ηS-1,将智能终端划分为S个安全等级,η1,η2,Λ,ηS-1均为正数;
S302.根据智能终端的测试总分X确定终端所属的安全等级x:
当满足0<X<η1时,则定义终端安全等级x=1;
当满足η1<X<η2时,则定义终端安全等级x=2;
依此类推,当满足ηS-2<X<ηS-1时,则定义终端安全等级x=S-1;
当满足X>ηS-1时,则定义安全等级x=S,安全等级越高表示终端越安全。
具体地,所述步骤S5包括:
S501.根据每台终端的测试总分和安全等级构建样本集T:
T={(X1,x1),(X2,x2),L,(XK,xK)}
S502.初始化参数m=1;
S503.将训练集T分成两类,其中xi=m的为一类,xi=m+1~S级为另一类,即得到训练集:T(m)={(X1,x1 (m)),(X2,x2 (m)),L,(XK,xK (m))};其中:
其中,所述步骤S7包括:
S701.对新接入智能终端的N个测试单项进行测试,得到测试结果向量M′:
M′=[m1′,m2′,L,m′N]T;
其中,mj′表示新接入智能终端第j个测试单项的测试结果,j=1,2,...,N;
S702.将测试结果向量M′与权重分布向量W相乘,得到新接入智能终端的测试总分X′:
X′=M′*W;
S703.将测试总分X′送入成熟的BP神经网络,得到新接入智能终端的安全等级。
优选地,所述的安全等级的个数为4,需设定3个门限值η1,η2,η3,并构建3层BP神经网络利用训练集中的数据进行训练。
本发明的有益效果是:(1)本发明根据移动智能终端各单项安全性能的测试,采用BP神经网络算法实现对智能终端安全等级的客观准确划分,实现不同用户对智能终端不同安全需求的使用要求;(2)本发明利用BP神经网络构建分类模型,特别适合于求解内部机制复杂的问题,能够获得较为准确的安全等级分类结果;(3)本发明对不同的智能终端设备进行安全测试,并以每台终端测试总得分为反馈,以实现分类器的训练和安全等级的划分,提高了安全等级划分结果的可信度;(4)本发明基于BP神经网络安全等级分类模式,泛化能力、自学习和自适应能力强,适用于多种不同的智能终端设备。
附图说明
图1为本发明的方法流程图;
图2为实施例中BP神经网络实现安全等级分类的流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于BP神经网络的智能终端安全等级分类方法,包括以下步骤:
S1.对任一智能终端的N个测试单项进行测试,得到该智能终端的测试结果向量M=[m1,m2,L,mN]T;其中,mj表示智能终端第j个测试单项的测试结果,j=1,2,...,N;
S2.对智能终端的测试结果向量M进行预处理,得到智能终端的测试总分X;
S3.给定S-1个为正数的门限值,将智能终端划分为S个安全等级,根据智能终端的测试总分X确定终端所属的安全等级x;
S4.对于不同的智能终端,重复步骤S1~S3进行处理,得到每一个智能终端对应的测试结果向量X1,X2,L,XK,以及每一个智能终端的安全等级x1,x2,L,xK;其中Xi表示第i个智能终端的测试总分,xi表示第i个智能终端的安全等级,i=1,2,...,K;
S5.根据每台智能终端的测试总分和安全等级生成样本集。
S6.构建S-1层BP神经网络,利用生成的样本集对BP神经网络进行训练,得到成熟的BP神经网络;
S7.当新的智能终端接入时,利用成熟的BP神经网络对其测试结果进行处理,得到该智能终端的安全等级。
其中,所述的测试单项包括但不限于短信功能、通话功能、第三方软件、内核漏洞、审计功能、存储和删除文件警告。
具体地,所述步骤S2包括:
S201.给定各个测试单项的权重分布向量W=[w1,w2,L,wN],wj表示第j个测试单项的权重,wj=1/N,j=1,2,...,N;
S202.将测试结果向量M=[m1,m2,L,mN]T与权重分布向量W相乘,得到智能终端的测试总分X:
X=M*W。
具体地,所述步骤S3包括:
S301.给定3个门限值η1,η2,η3,将智能终端划分为4个安全等级,三个门限值均为正数;
S302.根据智能终端的测试总分X确定终端所属的安全等级x:
当满足0<X<η1时,则定义终端安全等级x=1;
当满足η1<X<η2时,则定义终端安全等级x=2;
当满足η2<X<η3时,则定义终端安全等级x=3;
当满足X>η3时,则定义安全等级x=4。
设三个门限值分别为η1=0.25,η2=0.5,η3=0.75,根据这三个门限和总得分可将智能终端分成四个安全等级,如下表所示:
其中1,2,3,4分表示一级,二级,三级,四级。级别越高表示安全性能越强。
具体地,所述步骤S5包括:
S501.根据每台终端的测试总分和安全等级构建样本集T:
T={(X1,x1),(X2,x2),L,(XK,xK)}
Xi表示第i个智能终端的测试总分,xi表示第i个智能终端的安全等级;
S502.初始化参数m=1;
S503.将训练集T分成两类,其中xi=1的为一类,xi=2~4级为另一类,即得到训练集:T(m)={(X1,x1 (m)),(X2,x2 (m)),L,(XK,xK (m))};其中:
在本实施例中以4级安全分类为例,故要采用分层的模式来分类;所述步骤S6中,采用三层BP神经网络模型,具体包括:
S601.BP神经网络的过程主要分为两个阶段,第一阶段是信号的前向传播,从输入层经过隐含层,最后到达输出层;第二阶段是误差的反向传播,从输出层到隐含层,最后到输入层,依次调节隐含层到输出层的权重和偏置,输入层到隐含层的权重和偏置;
S602.网络初始化,假设输入层的节点个数为n,隐含层的节点个数为l,输出层的节点个数为m。输入层到隐含层的权重wij,隐含层到输出层的权重为ωjk,输入层到隐含层的偏置为aj,隐含层到输出层的偏置为bk。学习速率为η,激励函数为g(x)。其中激励函数为g(x)取Sigmoid函数形式为:
S603.隐含层的输出Hj为
S604.输出层的输出OK为
S605.误差的计算,取误差公式为:
其中Yk为期望输出。我们记Yk-Ok=ek,则E可以表示为:
以上公式中,i=1Λn,j=1Λl,k=1Λm。
S606.权值更新公式:
ω=ω+ηH jek
S607.偏置的更新公式:
bk=bk+ηek
隐含层到输出层的偏置更新:
则偏置更新公式为:
bk=bk+ηek
输入层到隐含层的偏置更新:
则偏置更新公式为:
S608.对于每个样本,我们判断其误差如果小于我们设定的阈值或者已经达到迭代次数。我们就结束训练,否则继续回到S602继续进行训练。
如图2所示,在本申请的实施例中,将BP神经网络训练好后,利用BP神经网络判断测试结果的过程如下:
A.将测试结果输入到训练好的分类器,判定其所属安全等级。
输出层函数
输出层选择的激励函数也为Sigmoid函数。形式为:
输出层的最终结果:
将安全级别为一级的终端分别出来,当σ(1)(Xi)=1时为终端安全级别为1级,当σ(1)(Xi)=0时终端安全级别为2,3,4级。
B.将2,3,4级在分成两类,其中2级为一类,3,4级为一类,得到新的训练集其中K1为2,3,4级终端的台数。
C.重复步骤A,通过输出函数可将安全级别为2的终端判别出来,当σ(2)(Xi)=1时为2级,当σ(2)(Xi)=0时安全级别为3,4级。
D.将3,4级在分成两类3级为一类,4级为一类,得到新的训练集其中K2为3,4级终端的台数。
E.重复步骤A,通过输出函数可将安全级别为3的终端判别出来,当σ(3)(Xi)=1时为3级,当σ(3)(Xi)=0时安全级别为4级。
因此,通过σ(1)(X),σ(2)(X),σ(3)(X)三个函数将智能终端的安全级别分成四个等级。
其中,所述步骤S7包括:
S701.对新接入智能终端的N个测试单项进行测试,得到测试结果向量M′:
M′=[m1′,m2′,L,m′N]T;
其中,mj′表示新接入智能终端第j个测试单项的测试结果,j=1,2,...,N;
S702.将测试结果向量M′与权重分布向量W相乘,得到新接入智能终端的测试总分X′:
X′=M′*W;
S703.将测试总分X′送入成熟的BP神经网络,得到新接入智能终端的安全等级。
在本申请的实施例中,步骤S6除采用BP神经网络算法构建S-1层神经网络外,还可以采用卷积神经网络算法、前馈神经网络算法和径向基神经网络算法构建相应神经网络,并利用训练集对神经网络训练,得到相应的成熟模型。
在本申请的实施例中,步骤S3除采用门限划分外,还可以通过区间划分,覆盖区域划分实现安全等级的分类。
以上所述是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应该看作是对其他实施例的排除,而可用于其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种基于BP神经网络的智能终端安全等级分类方法,其特征在于:包括以下步骤:
S1.对任一智能终端的N个测试单项进行测试,得到该智能终端的测试结果向量M=[m1,m2,L,mN]T;其中,mj表示智能终端第j个测试单项的测试结果,j=1,2,...,N;
S2.对智能终端的测试结果向量M进行预处理,得到智能终端的测试总分X;
S3.给定S-1个为正数的门限值,将智能终端划分为S个安全等级,根据智能终端的测试总分X确定终端所属的安全等级x;
S4.对于不同的智能终端,重复步骤S1~S3进行处理,得到每一个智能终端对应的测试结果向量X1,X2,L,XK,以及每一个智能终端的安全等级x1,x2,L,xK;其中Xi表示第i个智能终端的测试总分,xi表示第i个智能终端的安全等级,i=1,2,...,K;
S5.根据每台智能终端的测试总分和安全等级生成样本集;
S6.构建S-1层BP神经网络,利用生成的样本集对BP神经网络进行训练,得到成熟的BP神经网络;
S7.当新的智能终端接入时,利用成熟的BP神经网络对其测试结果进行处理,得到该智能终端的安全等级。
2.根据权利要求1所述的一种基于BP神经网络的智能终端安全等级分类方法,其特征在于:所述的测试单项包括但不限于短信功能、通话功能、第三方软件、内核漏洞、审计功能、存储和删除文件警告。
3.根据权利要求1所述的一种基于BP神经网络的智能终端安全等级分类方法,其特征在于:所述步骤S2包括:
S201.给定各个测试单项的权重分布向量W=[w1,w2,L,wN],wj表示第j个测试单项的权重,wj=1/N,j=1,2,...,N;
S202.将测试结果向量M=[m1,m2,L,mN]T与权重分布向量W相乘,得到智能终端的测试总分X:
X=M*W。
4.根据权利要求1所述的一种基于BP神经网络的智能终端安全等级分类方法,其特征在于:所述步骤S3包括:
S301.给定S-1个门限值η1,η2,Λ,ηS-1,将智能终端划分为S个安全等级,η1,η2,Λ,ηS-1均为正数;
S302.根据智能终端的测试总分X确定终端所属的安全等级x:
当满足0<X<η1时,则定义终端安全等级x=1;
当满足η1<X<η2时,则定义终端安全等级x=2;
依此类推,当满足ηS-2<X<ηS-1时,则定义终端安全等级x=S-1;
当满足X>ηS-1时,则定义安全等级x=S,安全等级越高表示终端越安全。
5.根据权利要求1所述的一种基于BP神经网络的智能终端安全等级分类方法,其特征在于:所述步骤S5包括:
S501.根据每台终端的测试总分和安全等级构建样本集T:
T={(X1,x1),(X2,x2),L,(XK,xK)}
S502.初始化参数m=1;
S503.将训练集T分成两类,其中xi=m的为一类,xi=m+1~S级为另一类,即得到训练集:T(m)={(X1,x1 (m)),(X2,x2 (m)),L,(XK,xK (m))};其中:
6.根据权利要求1所述的一种基于BP神经网络的智能终端安全等级分类方法,其特征在于:所述步骤S7包括:
S701.对新接入智能终端的N个测试单项进行测试,得到测试结果向量M′:
M′=[m′1,m′2,L,m′N]T;
其中,m′j表示新接入智能终端第j个测试单项的测试结果,j=1,2,...,N;
S702.将测试结果向量M′与权重分布向量W相乘,得到新接入智能终端的测试总分X′:
X′=M′*W;
S703.将测试总分X′送入成熟的BP神经网络,得到新接入智能终端的安全等级。
7.根据权利要求4所述的一种基于BP神经网络的智能终端安全等级分类方法,其特征在于:所述的安全等级的个数为4,需设定3个门限值η1,η2,η3,并构建3层BP神经网络利用训练集中的数据进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810769088.1A CN109033288A (zh) | 2018-07-13 | 2018-07-13 | 一种基于bp神经网络的智能终端安全等级分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810769088.1A CN109033288A (zh) | 2018-07-13 | 2018-07-13 | 一种基于bp神经网络的智能终端安全等级分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109033288A true CN109033288A (zh) | 2018-12-18 |
Family
ID=64642121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810769088.1A Pending CN109033288A (zh) | 2018-07-13 | 2018-07-13 | 一种基于bp神经网络的智能终端安全等级分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033288A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919193A (zh) * | 2019-01-31 | 2019-06-21 | 中国科学院上海光学精密机械研究所 | 一种大数据的智能分级方法、系统及终端 |
CN111027623A (zh) * | 2019-12-10 | 2020-04-17 | 深圳供电局有限公司 | 数据增强的智能终端安全等级分类方法及系统 |
TWI717221B (zh) * | 2019-08-09 | 2021-01-21 | 開曼群島商創新先進技術有限公司 | 模型參數確定方法、裝置和電子設備 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106501721A (zh) * | 2016-06-03 | 2017-03-15 | 湘潭大学 | 一种基于生物进化的锂电池soc估算方法 |
CN106650828A (zh) * | 2017-01-03 | 2017-05-10 | 电子科技大学 | 基于支持向量机的智能终端安全等级分类方法 |
CN106740457A (zh) * | 2016-12-07 | 2017-05-31 | 镇江市高等专科学校 | 基于bp神经网络模型的车辆换道决策方法 |
-
2018
- 2018-07-13 CN CN201810769088.1A patent/CN109033288A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106501721A (zh) * | 2016-06-03 | 2017-03-15 | 湘潭大学 | 一种基于生物进化的锂电池soc估算方法 |
CN106740457A (zh) * | 2016-12-07 | 2017-05-31 | 镇江市高等专科学校 | 基于bp神经网络模型的车辆换道决策方法 |
CN106650828A (zh) * | 2017-01-03 | 2017-05-10 | 电子科技大学 | 基于支持向量机的智能终端安全等级分类方法 |
Non-Patent Citations (2)
Title |
---|
SETHCHAI: "BP神经网络简单流程", 《CSDN博客》 * |
孙娓娓: "BP神经网络的算法改进及应用研究", 《重庆大学学位论文》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919193A (zh) * | 2019-01-31 | 2019-06-21 | 中国科学院上海光学精密机械研究所 | 一种大数据的智能分级方法、系统及终端 |
CN109919193B (zh) * | 2019-01-31 | 2023-05-12 | 中国科学院上海光学精密机械研究所 | 一种大数据的智能分级方法、系统及终端 |
TWI717221B (zh) * | 2019-08-09 | 2021-01-21 | 開曼群島商創新先進技術有限公司 | 模型參數確定方法、裝置和電子設備 |
CN111027623A (zh) * | 2019-12-10 | 2020-04-17 | 深圳供电局有限公司 | 数据增强的智能终端安全等级分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Particle classification optimization-based BP network for telecommunication customer churn prediction | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
CN109033288A (zh) | 一种基于bp神经网络的智能终端安全等级分类方法 | |
Kim et al. | Exploiting deep convolutional neural networks for a neural-based learning classifier system | |
CN114330510A (zh) | 模型训练方法、装置、电子设备和存储介质 | |
CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
CN113239638A (zh) | 一种基于蜻蜓算法优化多核支持向量机的逾期风险预测方法 | |
Chandra et al. | Adapting modularity during learning in cooperative co-evolutionary recurrent neural networks | |
Duan et al. | AFSNN: A classification algorithm using axiomatic fuzzy sets and neural networks | |
Li et al. | An early warning model for customer churn prediction in telecommunication sector based on improved bat algorithm to optimize ELM | |
CN112446556B (zh) | 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 | |
Taheri et al. | Spam filtering in SMS using recurrent neural networks | |
CN108846476A (zh) | 一种基于卷积神经网络的智能终端安全等级分类方法 | |
Malmir et al. | Optimization of data mining with evolutionary algorithms for cloud computing application | |
CN115001978B (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 | |
CN107977726B (zh) | 用户关系预测模型的建立及用户动态关系的预测方法 | |
CN111984842B (zh) | 银行客户数据处理方法及装置 | |
Gao et al. | Improved whale optimization algorithm via cellular automata | |
Nepomuceno | A novel method for structure selection of the Recurrent Random Neural Network using multiobjective optimisation | |
Arif et al. | Machine Learning and Deep Learning Based Network Slicing Models for 5G Network | |
CN115147225B (zh) | 一种数据转移信息识别方法、装置、设备及存储介质 | |
Chiu et al. | Impact of variability in data on accuracy and diversity of neural network based ensemble classifiers | |
CN116070714B (zh) | 基于联邦学习和神经架构搜索的云边协同训练方法及系统 | |
Rani et al. | Semi-supervised learning approach to improve machine learning algorithms for churn analysis in telecommunication | |
CN107609983A (zh) | 一种拓扑结构与节点属性综合分析的社区发现方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |