CN109218134B - 一种基于神经风格迁移的测试用例生成系统 - Google Patents

一种基于神经风格迁移的测试用例生成系统 Download PDF

Info

Publication number
CN109218134B
CN109218134B CN201811133388.7A CN201811133388A CN109218134B CN 109218134 B CN109218134 B CN 109218134B CN 201811133388 A CN201811133388 A CN 201811133388A CN 109218134 B CN109218134 B CN 109218134B
Authority
CN
China
Prior art keywords
style
module
migration
style migration
matrix
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
CN201811133388.7A
Other languages
English (en)
Other versions
CN109218134A (zh
Inventor
史建琦
李志辉
黄滟鸿
蔡方达
王祥丰
金博
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.)
East China Normal University
Original Assignee
East China Normal 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 East China Normal University filed Critical East China Normal University
Priority to CN201811133388.7A priority Critical patent/CN109218134B/zh
Publication of CN109218134A publication Critical patent/CN109218134A/zh
Application granted granted Critical
Publication of CN109218134B publication Critical patent/CN109218134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/18—Protocol analysers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biophysics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于神经风格迁移的网络协议测试用例生成系统，该系统包括：原始数据收集模块、编码模块、神经风格迁移模块和逆向编码模块。其中，原始数据收集模块收集工控网络系统中的流量数据，并将收集到的数据用聚类算法进行分类；编码模块将分类后的数据编码成为图片形式；神经风格迁移模块将编码模块输出的图片和风格图片作为输入，基于神经风格迁移方法进行神经风格转换，在转换过程中通过不断的训练迭代控制风格变换的程度；逆向编码模块将神经风格变换模块输出的二维图片转为一维的序列形式作为测试用例。该测试用例可以直接注入目标网络进行攻击测试。此系统可以智能的学习协议的格式，减少人为的学习过程，提高测试的效率。

Description

一种基于神经风格迁移的测试用例生成系统
技术领域
本发明涉及工控通讯协议和深度学习领域，尤其涉及一种基于神经风格迁移的测试用例生成系统。
背景技术
在传统的模糊测试领域，测试用例的生成有随机生成和基于模型的生成，这两种方法需要提前知道协议的格式或者需要人工逆向工程解析协议的格式，对参与人员的专业知识要求很高，同时这种测试用例生成方法在整个过程中显得效率较低。当待测试的目标协议比较复杂的时候，人工设计的测试用例往往会缺乏多样性，很难达到好的测试深度和覆盖度，从而导致测试的不全面。工控协议作为工控系统的重要部分，对工控系统的安全运行至关重要，是工控安全的基础。若要保证工控协议本身没有漏洞，安全性，需要对协议进行测试验证。因此，有必要寻找一种方法，能够根据原始流量数据的帧格式，自动生成同样格式的工控协议测试用例的系统。
发明内容
为解决以上问题，本发明提出了一种基于神经风格迁移的测试用例生成系统。利用深度卷积神经网络强大的学习能力，构造一个可以智能学习工控协议数据的帧格式，并自动生成同样格式的工控协议测试用例的系统。通过使用深度卷积神经网络对原始流量数据进行不同维度的特征提取，实现自主学习协议数据格式，减轻人工逆向解析协议的负担，实现系统代替人的智能化学习，降低协议测试的成本。同时可以提高测试用例的多样性，达到高的测试覆盖率，测试深度。
具体的，本发明提出一种基于神经风格迁移的测试用例生成系统，包括顺序连接的如下模块：
原始数据收集模块(1)，用于收集待测试工控通讯系统中的原始流量数据；
编码模块(2)，用于对原始数据收集模块(1)收集的原始流量数据分别进行编码，得到对应的矩阵图；
神经风格迁移模块(3)，用于对所述矩阵图进行风格迁移变换，得到迁移图片；
逆向编码模块(4)，用于将所述迁移图片进行反向编码，得到目标流量数据。
优选的，所述原始数据收集模块(1)用于收集工控通讯系统中的原始流量数据，对所述原始流量数据进行分类，得到不同协议类别的原始流量数据集合。
优选的，所述原始数据收集模块(1)具体用于利用K-means聚类算法将收集到的原始流量数据分类，得到不同协议类别的原始流量数据集合。
优选的，所述编码模块(2)具体用于利用独热编码将一维的字符形式的原始流量数据逐条编码为二维的矩阵图，并采用cuda并行计算对编码过程进行加速。
优选的，所述编码模块(2)具体用于将各协议类别中的各原始流量数据进行编码，得到对应的各矩阵图，并将所述各矩阵图归入相应协议类别对应的矩阵图集合中。
优选的，所述神经风格迁移模块(3)包括训练子模块和风格迁移子模块；
所述训练子模块，用于分别提取各矩阵图集合中的部分矩阵图，使用提取的矩阵图对深度卷积神经网络进行训练，得到相应协议类别对应的深度卷积神经网络模型；
所述风格迁移子模块，用于分别使用所述训练子模块得到的各深度卷积神经网络模型对相应协议类别的矩阵图集合中剩余的矩阵图进行风格迁移，得到相应的迁移图片。
优选的，所述训练子模块，具体用于：
将提取的矩阵图和预先收集的多类型的风格图片输入深度卷积神经网络，引入卷积层、池化层、全连接层和残差块，对输入的矩阵图的内容特征和纹理特征进行提取，根据提取的特征进行风格迁移；通过调整深度卷积神经网络的参数，得到多个风格迁移图片的内容损失和风格损失，计算每个风格迁移图片的内容损失和风格损失加权后的综合总损失，根据所述综合总损失确定相应协议类别对应的最优深度卷积神经网络参数和几种最优风格迁移图片，使用所述最优深度卷积神经网络参数生成相应协议类别对应的深度卷积神经网络模型。
优选的，所述训练子模块还用于通过调整每种损失的权重来控制所得迁移图片的风格迁移程度。
优选的，所述风格迁移子模块，具体用于分别将所述的几种最优风格迁移图片与所述各矩阵集合中剩余的矩阵图输入相应协议类别对应的深度卷积神经网络模型，进行图片融合，形成多类型的迁移图片。
本发明的有益效果在于：基于深度卷积神经网络，系统将不断学习通讯系统中产生的大量数据，使生成的数据更具多样性。避免了人工测试用例生成耗时，耗力的缺点，降低了通讯系统的测试的人工成本。同时，基于深度卷积神经网络，本系统能够更灵活自动地学习各种工控通讯数据，随着工控通讯系统采用的协议的变化而调整，增加了测试用例生成的适应性和协议无关性。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选事实方案的目的，而并不认为是对本发明的限制。而且在整个附图中，用同样的参考符号表示相同的部件。在附图中：
图1是本发明的基于神经风格迁移的测试用例生成系统的结构示意图；
图2是本发明的基于神经风格迁移的测试用例生成系统的原理示意图；
图3是本发明的基于神经风格迁移的测试用例生成方法的流程框图；
图4是本发明的基于神经风格迁移的测试用例生成方法中神经风格迁移步骤的细化流程框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明构造一个可广泛适应多种工控通讯协议的测试用例生成系统，通过以通讯系统中的大量流量数据为基础，训练深度卷积神经网络，得到特定的神经网络系统模型，生成格式类似，内容差异的流量数据，实现测试工控通讯系统测试用例智能快速生成,通过字符编码技术和深度学习技术的结合，实现对多种工控系统通讯数据的智能学习生成。
根据本申请的实施方式，提出一种基于神经风格迁移的网络协议测试用例生成系统，如图1所示，包括：原始数据收集模块(1)，用于收集待测试工控通讯系统中的原始流量数据；编码模块(2)，用于对原始数据收集模块(1)收集的原始流量数据分别进行编码，得到对应的矩阵图；神经风格迁移模块(3)，用于对所述矩阵图进行风格迁移变换，得到迁移图片；逆向编码模块(4)，用于将所述迁移图片进行反向编码，得到目标流量数据。
如图2所示，原始数据收集模块(1)具体用于：结合统计学方法技术，对待学习的数据进行收集，并用K-means聚类算法对所述原始流量数据进行分类，尽可能地使具有相同语法结构的数据，即具有相同协议类别的原始流量数据分在同一个集合，得到不同协议类别的原始流量数据集合。
编码模块(2)具体用于：利用独热编码技术，对原始数据收集模块(1)分类后的各协议类别中的各原始流量数据进行编码，得到对应的各矩阵图，并将所述各矩阵图归入相应协议类别对应的矩阵图集合中。此模块采用cuda并行计算，对编码过程进行加速。对于高维度的数据采用主成分分析(PCA)算法进行降维处理，减少后续的计算量，提高计算速度。
神经风格迁移模块(3)，包括训练子模块和风格迁移子模块。训练子模块，用于分别提取各矩阵图集合中的部分矩阵图，使用提取的矩阵图对深度卷积神经网络进行训练，得到相应协议类别对应的深度卷积神经网络模型。风格迁移子模块，用于分别使用所述训练子模块得到的各深度卷积神经网络模型对相应协议类别的矩阵图集合中剩余的矩阵图进行风格迁移，得到相应的迁移图片。
训练子模块具体用于：将提取的矩阵图和预先收集的多类型的风格图片输入深度卷积神经网络，通过引入卷积层，池化层，全连接层对图片的内容特征和纹理特征进高效提取；引入残差块解决训练过程中出现的状态消失问题。引入dropout结构减少训练过程中的过拟合，增加整个神经网络训练的稳定性。根据提取的特征进行风格迁移；通过调整深度卷积神经网络的参数，得到多个风格迁移图片的内容损失和风格损失，计算每个风格迁移图片的内容损失和风格损失加权后的综合总损失，取综合总损失小的作为相应协议类别对应集合的最优深度卷积神经网络参数，使用此参数生成相应协议类别对应的深度卷积神经网络模型。并取综合总损失在一定范围内的风格图片作为与相应协议类别对应的一种或几种最优风格图片。
本申请中，两种损失的权重设有初始值，通过对两种损失的权重进行调整，来控制图片风格的迁移程度，权重每更改一次，深度卷积神经网络模型都需要重新进行训练和确定。此迁移程度将最终反映到测试用例的变异程度，增加了生成用例变异程度的可控性。每训练完一种协议类别对应的深度卷积神经网络后，训练过的协议类别对应的深度卷积神经网络模型和最优的几种风格迁移模块的数据都会自动保存在此系统中，以后再输入相同协议类别的矩阵图时可直接使用。
风格迁移子模块具体用于：分别将所述的几种最优风格迁移图片与所述各矩阵集合中剩余的矩阵图输入相应协议类别对应的深度卷积神经网络模型，进行图片融合，形成多类型的迁移图片，增加测试用例变异的多样性。
此神经风格迁移模块(3)利用共轭梯度法训练分布式神经网络，在每个节点存储一个模型的备份，在各节点上并行处理数据集的不同部分，并在参数更新时同步模型参数到其他节点，最后组合各个节点的输出结果，可满足大规模高并发数据处理的要求。
逆向编码模块(4)具体用于：将神经风格迁移模块(3)生成的风格迁移图片逆向编码为一维流量数据，即目标流量数据。逆向编码过程中采用同编码模块(2)完全逆向的方法，逆向编码得到的目标流量数据具有与原始流量数据相同的形式，即与原始流量数据拥有相同的协议类别，但在内容上具有差异性。此目标流量数据，即测试用例，可直接注入到待测试的系统中去。
根据本申请的实施方式，还提出一种基于神经风格迁移的测试用例生成方法,如图3所示，包括：原始数据收集步骤S110，收集待测试工控通讯系统中的原始流量数据；编码步骤S120，对收集的原始流量数据分别进行编码，得到对应的矩阵图；神经风格迁移步骤S130，对所述矩阵图进行风格迁移变换，得到迁移图片；逆向编码步骤S140，将所述迁移图片进行反向编码，得到目标流量数据。
原始数据收集步骤S110，包括：结合统计学方法技术，对待学习的工控通讯系统中的原始流量数据进行收集，并用K-means聚类算法对所述原始流量数据进行分类，尽可能地使具有相同语法结构的数据，即具有相同协议类别的原始流量数据分在同一个集合，得到不同协议类别的原始流量数据集合。
编码步骤S120，包括：利用独热编码技术，对分类后的各协议类别中的各原始流量数据进行编码，得到对应的各矩阵图，并将所述各矩阵图归入相应协议类别对应的矩阵图集合中。采用cuda并行计算，对编码过程进行加速。对于高维度的数据采用主成分分析(PCA)算法进行降维处理，减少后续的计算量，提高计算速度。
如图4所示，所述神经风格迁移步骤S130，包括两个子步骤：训练步骤S131和风格迁移步骤S132。训练步骤S131，分别提取各矩阵图集合中的部分矩阵图，使用提取的矩阵图对深度卷积神经网络进行训练，得到相应协议类别对应的深度卷积神经网络模型。风格迁移步骤S132，分别使用所述训练步骤得到的各深度卷积神经网络模型对各矩阵集合中剩余的矩阵图进行风格迁移，得到相应的迁移图片。
训练步骤S131的实现过程为：将提取的矩阵图和预先收集的多类型的风格图片输入深度卷积神经网络，通过引入卷积层，池化层，全连接层对图片的内容特征和纹理特征进高效提取；引入残差块解决训练过程中出现的状态消失问题。引入dropout结构减少训练过程中的过拟合，增加整个神经网络训练的稳定性。根据提取的特征进行风格迁移；通过调整深度卷积神经网络的参数，得到多个风格迁移图片的内容损失和风格损失，计算每个风格迁移图片的内容损失和风格损失加权后的综合总损失，取综合总损失小的作为相应协议类别对应集合的最优深度卷积神经网络参数，使用此参数生成相应协议类别对应的深度卷积神经网络模型。并取综合总损失在一定范围内的风格图片作为与相应协议类别对应的一种或几种最优风格图片。
本申请中，两种损失的权重设有初始值，通过对两种损失的权重进行调整，来控制图片风格的迁移程度，权重每更改一次，深度卷积神经网络模型都需要重新进行训练和确定。此迁移程度将最终反映到测试用例的变异程度，增加了生成用例变异程度的可控性。每训练完一种协议类别对应的深度卷积神经网络后，训练过的协议类别对应的深度卷积神经网络模型和最优的几种风格迁移模块的数据都会自动保存，以后再输入相同协议类别的矩阵图时可直接使用。
风格迁移步骤S132的实现过程为：分别将所述的几种最优风格迁移图片与所述各矩阵集合中剩余的矩阵图输入相应协议类别对应的深度卷积神经网络模型，进行图片融合，形成多类型的迁移图片，增加测试用例变异的多样性。
神经风格迁移步骤S130：利用共轭梯度法训练分布式神经网络，在每个节点存储一个模型的备份，在各节点上并行处理数据集的不同部分，并在参数更新时同步模型参数到其他节点，最后组合各个节点的输出结果，可满足大规模高并发数据处理的要求。
逆向编码步骤S140，包括：将生成的风格迁移图片逆向编码为一维流量数据，即目标流量数据。采用同编码步骤完全逆向的方法，逆向编码得到的目标流量数据具有与原始流量数据相同的形式，即与原始流量数据拥有相同的协议类别，但在内容上具有差异性。此目标流量数据，即测试用例，可直接注入到待测试的系统中去。
本发明提出的基于神经风格迁移的测试用例生成系统，将深度学习技术应用到工控通讯系统中的测试用例生成，可在短时间内对特定通讯系统的流量数据进行学习，生成类似格式的数据。同时，结合深度卷积神经网络和字符到数据的编码技术，可以随时训练神经网络，调整参数适应不同的通讯系统，在不具有协议格式知识的情况下对协议结构进行学习生成，具有面向多种工控通讯协议的学习能力。该系统具有很强的适应性，能够减轻人工设计测试用例的负担，实现对整个系统的测试评估，及时发现目标通讯系统的漏洞，确保系统的安全。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (5)

1.一种基于神经风格迁移的测试用例生成系统，其特征在于，包括顺序连接的如下模块：
原始数据收集模块(1)，用于收集待测试工控通讯系统中的原始流量数据，利用K-means聚类算法将收集到的原始流量数据分类，得到不同协议类别的原始流量数据集合；
编码模块(2)，用于利用独热编码对原始数据收集模块(1)收集的各协议类别中的各原始流量数据分别进行编码，得到对应的矩阵图，并将所述各矩阵图归入相应协议类别对应的矩阵图集合中；
神经风格迁移模块(3)，包括训练子模块和风格迁移子模块；所述训练子模块，用于分别提取各矩阵图集合中的部分矩阵图，使用提取的矩阵图对深度卷积神经网络进行训练，得到相应协议类别对应的深度卷积神经网络模型；所述风格迁移子模块，用于分别使用所述训练子模块得到的各深度卷积神经网络模型对相应协议类别的矩阵图集合中剩余的矩阵图进行风格迁移，得到相应的迁移图片；
逆向编码模块(4)，用于将所述迁移图片进行反向编码，得到目标流量数据。
2.如权利要求1所述的基于神经风格迁移的测试用例生成系统，其特征在于，所述编码模块(2)具体用于利用独热编码将一维的字符形式的原始流量数据逐条编码为二维的矩阵图，并采用cuda并行计算对编码过程进行加速。
3.如权利要求1所述的基于神经风格迁移的测试用例生成系统，其特征在于，所述训练子模块，具体用于：
将提取的矩阵图和预先收集的多类型的风格图片输入深度卷积神经网络，引入卷积层、池化层、全连接层和残差块，对输入的矩阵图的内容特征和纹理特征进行提取，根据提取的特征进行风格迁移；通过调整深度卷积神经网络的参数，得到多个风格迁移图片的内容损失和风格损失，计算每个风格迁移图片的内容损失和风格损失加权后的综合总损失，根据所述综合总损失确定相应协议类别对应的最优深度卷积神经网络参数和几种最优风格迁移图片，使用所述最优深度卷积神经网络参数生成相应协议类别对应的深度卷积神经网络模型。
4.如权利要求1所述的基于神经风格迁移的测试用例生成系统，其特征在于，所述训练子模块还用于通过调整每种损失的权重来控制所得迁移图片的风格迁移程度。
5.如权利要求1所述的基于神经风格迁移的测试用例生成系统，其特征在于，所述风格迁移子模块，具体用于分别将所述的几种最优风格迁移图片与所述各矩阵集合中剩余的矩阵图输入相应协议类别对应的深度卷积神经网络模型，进行图片融合，形成多类型的迁移图片。
CN201811133388.7A 2018-09-27 2018-09-27 一种基于神经风格迁移的测试用例生成系统 Active CN109218134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811133388.7A CN109218134B (zh) 2018-09-27 2018-09-27 一种基于神经风格迁移的测试用例生成系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811133388.7A CN109218134B (zh) 2018-09-27 2018-09-27 一种基于神经风格迁移的测试用例生成系统

Publications (2)

Publication Number Publication Date
CN109218134A CN109218134A (zh) 2019-01-15
CN109218134B true CN109218134B (zh) 2020-08-25

Family

ID=64981816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811133388.7A Active CN109218134B (zh) 2018-09-27 2018-09-27 一种基于神经风格迁移的测试用例生成系统

Country Status (1)

Country Link
CN (1) CN109218134B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109062811B (zh) * 2018-09-27 2020-10-02 华东师范大学 一种基于神经风格迁移的测试用例生成方法
CN110532778A (zh) * 2019-07-11 2019-12-03 华东师范大学 基于生成对抗网络的工控协议漏洞挖掘系统
CN110417755A (zh) * 2019-07-11 2019-11-05 华东师范大学 基于生成对抗网络的工控协议漏洞挖掘方法
CN111035387A (zh) * 2019-12-27 2020-04-21 上海交通大学 提升电阻率成像获取图片质量的方法
CN113496460B (zh) * 2020-04-03 2024-03-22 北京大学 一种基于特征调整的神经风格迁移方法及系统
CN112381707B (zh) * 2020-11-02 2023-06-20 腾讯科技（深圳）有限公司 图像生成方法、装置、设备以及存储介质
CN112702235B (zh) * 2020-12-21 2022-08-05 中国人民解放军陆军炮兵防空兵学院 一种对未知协议自动化逆向分析的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2507048A (en) * 2012-10-16 2014-04-23 Bae Systems Plc System testing algorithm and apparatus
CN107241226B (zh) * 2017-06-29 2020-10-16 北京工业大学 基于工控私有协议的模糊测试方法

Also Published As

Publication number Publication date
CN109218134A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN109218134B (zh) 一种基于神经风格迁移的测试用例生成系统
CN109062811B (zh) 一种基于神经风格迁移的测试用例生成方法
CN110458844B (zh) 一种低光照场景的语义分割方法
CN110502988A (zh) 视频中的组群定位与异常行为检测方法
CN107657204A (zh) 深层网络模型的构建方法及人脸表情识别方法和系统
WO2022116616A1 (zh) 一种基于转换模块的行为识别方法
CN117237559B (zh) 面向数字孪生城市的三维模型数据智能分析方法及系统
CN110298397A (zh) 基于压缩卷积神经网络的加热金属图像的多标签分类方法
CN106203628A (zh) 一种增强深度学习算法鲁棒性的优化方法和系统
CN110807369B (zh) 基于深度学习和注意力机制的短视频内容智能分类方法
CN112801185B (zh) 一种基于改进神经网络的网络安全态势理解和评估方法
CN116206327A (zh) 一种基于在线知识蒸馏的图像分类方法
CN116935128A (zh) 一种基于可学习提示的零样本异常图像检测方法
CN117035013A (zh) 一种采用脉冲神经网络预测动态网络链路的方法
CN110728186A (zh) 一种基于多网融合的火灾检测方法
CN116306780B (zh) 一种动态图链接生成方法
CN116541593B (zh) 一种基于超图神经网络的课程推荐方法
CN116975642A (zh) 一种使用动态多图融合进行交通流量预测的方法
CN114155560B (zh) 基于空间降维的高分辨率人体姿态估计模型的轻量化方法
CN114821174B (zh) 一种基于内容感知的输电线路航拍图像数据清洗方法
KR102340387B1 (ko) 뇌 연결성 학습 방법 및 이를 위한 시스템
CN113554010A (zh) 一种电网线路故障识别模型训练方法
CN113328986A (zh) 基于卷积神经网络与lstm结合的网络流量异常检测方法
CN110852937A (zh) 基于内容与样式解耦的形变物品图像生成方法
CN110991366A (zh) 一种基于三维残差网络的航运监控事件识别方法及系统

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