CN109344848A - 基于Adaboost的移动智能终端安全等级分类方法 - Google Patents
基于Adaboost的移动智能终端安全等级分类方法 Download PDFInfo
- Publication number
- CN109344848A CN109344848A CN201810768085.6A CN201810768085A CN109344848A CN 109344848 A CN109344848 A CN 109344848A CN 201810768085 A CN201810768085 A CN 201810768085A CN 109344848 A CN109344848 A CN 109344848A
- Authority
- CN
- China
- Prior art keywords
- security level
- intelligent terminal
- mobile intelligent
- test
- test result
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于Adaboost的移动智能终端安全等级分类方法,包括以下步骤:S1.在边缘计算平台对N+P台接入的移动智能终端进行测试;S2.对每个测试结果进行预处理,得到测试结果向量与所属安全等级;S3.整合预处理结果,得到数据集T,并将数据集T划分为训练集和测试集;S4.根据安全等级的级数K,采用K‑1层Adaboost算法模型,对训练集进行训练,生成强分类器并通过测试集验证准确率;S5.对新接入的移动智能终端进行测试,将测试结果通过强分类器,得到移动智能终端的安全等级。本发明根据移动智能终端各单项安全性能的测试结果,在边缘计算平台采用Adaboost算法实现对移动智能终端安全等级的准确划分,有利于实现不同安全级别需求的安全使用。
Description
技术领域
本发明涉及移动智能终端的安全等级分类,特别是涉及基于Adaboost的移动智能终端安全等级分类方法。
背景技术
随着移动通信技术的飞速发展和4G/5G无线网络的普及,移动智能终端在人们生活中的作用越来越重要,成为获取资讯的主要工具。随着第三方应用程序的功能越来越强大,尤其是移动智能终端与互联网的结合越来越紧密,移动网购平台、手机银行、聊天软件等多种与我们财产隐私关系密切的第三方软件越来越多,这也使得我们在不经意间就把财产信息、个人隐私、商业机密文件等存储在移动智能终端中,产生隐私数据泄露的隐患。同时随着物联网时代的来临及边缘计算的飞速发展,智能终端更多的在网络边缘侧的边缘计算平台上进行数据计算与交互。在这种背景下,在边缘计算平台上进行对移动智能终端的安全测评是非常有必要的。
移动智能终端安全测评成为保证终端安全使用的最有效手段之一,在移动智能终端安全测评中根据各项的测试结果科学进行终端安全等级的定级,是涉及不同团体、个人对移动智能终端安全需求的重要判据,准确的评价可以实现不同安全级别需求的安全使用。
Adaboost是一种迭代算法,其核心思想是针对同一个训练集训练不同的弱分类器,然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布的权值来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的新的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器融合起来,作为最后的决策(强)分类器。与其他分类算法相比,Adaboost分类算法具有泛化错误率低、无需参数调整、结构简单、推广能力强等优点,其中有一个比较重要的是可以灵活使用不同的算法作为弱分类器。
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Adaboost的移动智能终端安全等级分类方法,根据移动智能终端各单项安全性能的测试结果,在边缘计算平台采用Adaboost 算法实现了对移动智能终端安全等级的客观准确划分,有利于实现不同安全级别需求的安全使用。
本发明的目的是通过以下技术方案来实现的:基于Adaboost的移动智能终端安全等级分类方法,包括以下步骤:
S1.在边缘计算平台对N+P台接入的移动智能终端进行测试,得到测试结果M1,M2,…,MN,…,MN+P,Mi表示第i台接入的移动智能终端测试结果,i=1,2,...,N+P,每个Mi包含S个测试单项的测试结果,Mi=[m1,m2,…,mS]T,其中mj为第j个测试单项的测试结果,j=1,2,...,S;
S2.将移动智能终端安全等级划分为K级,对每个测试结果Mi进行预处理,得到Mi对应的测试结果向量Xi与所属安全等级yi:
S3.整合每次测试结果Mi对应的向量Xi和所属安全等级yi,得到数据集T:
T={(X1,y1),(X2,y2),…,(XN+P,yN+P)};
yi∈{1,2,...,K},i=1,2,…,N+P;
将数据集T中的其中前N组数据划分为训练集TN,后P组数据划分为测试集TP;
S4.根据安全等级的级数K,采用K-1层Adaboost算法模型,对数据训练集TN进行训练,生成强分类器并通过测试集TP验证准确率;
S5.对新接入的移动智能终端进行测试,将测试结果通过强分类器,得到移动智能终端的安全等级。
进一步地,所述步骤S2包括:
S201.将移动智能终端安全等级划分为K级,其中K=4;
S202.对Mi中的每个测试单项的测试结果mj进行数字化,得到测试结果向量Xi:
Xi=[m′1,m′2,…,m′S]T;
式中m′j为mj对应的测试单项数字化信息,j=1,2,...,S;
S203.将Mi对应的各个测试单项按照其所属的环节进行分类,根据每类环节包含的测试单项数字化信息,判断该环节是否受到保护;根据Mi中受到保护的环节个数,确定Mi所属的安全等级。
进一步地,所述步骤S202中,当测试单项的测试结果mj为安全时,其对应的数字化信息m′j=1;当测试单项的测试结果mj为危险时,其对应的数字化信息m′j=0。
进一步地,所述步骤S203包括:
将Mi对应的各个测试单项划分为收集、加工、转移和删除四个环节;
在Mi对应的每一个环节中,统计测试单项的总数目L和该环节中数字化信息m′j=1的测试单项数目L′,比较L′/L是否大于预设阈值,若是,则判定该环节受到保护,若否,则判定Mi该环节未受到保护;
统计Mi中受到保护的环节个数,据此确定Mi所属的安全等级:当受到保护的环节个数为0或1时,Mi所属的安全等级为1;当受到保护的环节个数大于1时,Mi所属的安全等级与受到保护的环节个数相等。
进一步地,所述步骤S4包括:
S401.初始化m=1;将训练集TN分成两类,其中yi=m的为一类,yi=m+1~K级为另一类:
得到的训练集中:
S402.初始化训练数据集TN (m)中数据的权值分布,使每一个训练样本最开始权值均为 wi=1/N,得到训练数据集的初始权值分布
S403.迭代获取强分类器:
A、初始化t=1;
B、使用具有权值分布Dt的训练数据集学习,得到第t个基本分类器Ht(x):X→{-1,+1};
C、计算当前基本分类器Ht(x)在训练数据集TN (m)上的分类误差率:
D、计算该基本分类器在最终分类器中所占的权重系数得到第t个弱分类器ft(x)=αtHt(x);
E、按弱分类器权重αt组合各个弱分类器即判断sign(f(x))是否使数据集分类误差率达到0,若是,得到最终的强分类器为:进入步骤S404;若否,进入步骤F;
F、更新训练数据集TN (m)的权值分布其中Zt为归一化常数同时更新参数t←t+1,即更新后的t为更新前的t加1,随后返回步骤B继续迭代;
S404.将TN (m)中所有数据通过强分类器,剔除所有Hfinal(Xi)>0的数据,将剩余数据总数设为新的N,将m进行+1操作,并返回步骤S401,按照步骤S401~S404重复进行强分类器生成,得到第2~K-1层强分类器,并结束循环;
S405.利用测试数据集对得到的K-1层强分类器进行测试并验证测试准确率,得到检测率达到要求的K-1层强分类器。
进一步地,所述的基本分类器选取原则为在当前训练数据集上使得分类误差率最小。
进一步地,所述步骤S5中,利用得到的K-1层强分类器,按照从1到K-1层递进的方式对安全等级进行分类。
本发明的有益效果是:本发明根据移动智能终端各单项安全性能的测试,采用Adaboost 算法实现对移动智能终端安全等级的客观准确划分,有利于实现不同安全级别需求的安全使用;并且,这种安全等级分类模式,可适用于多种不同的移动智能终端设备,可移植性强,应用广泛。
附图说明
图1为本发明的方法流程图;
图2实施例中的K-1层Adaboost分类器的数据处理流程图。
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,基于Adaboost的移动智能终端安全等级分类方法,包括以下步骤:
S1.在边缘计算平台对N+P台接入的移动智能终端进行测试,得到测试结果 M1,M2,…,MN,…,MN+P,Mi表示第i台接入的移动智能终端测试结果,i=1,2,...,N+P,每个Mi包含S个测试单项的测试结果,Mi=[m1,m2,…,mS]T,其中mj为第j个测试单项的测试结果,j=1,2,...,S;
具体地,一台移动智能终端的安全性能由S个测试单项决定,例如,短信安全、通话安全、第三方软件安全、内核数据加工、审计安全、存储安全、删除文件警告等;每个测试单项给出的测试结果为“安全”或者“危险”;
S2.将移动智能终端安全等级划分为K级,对每个测试结果Mi进行预处理,得到Mi对应的测试结果向量Xi与所属安全等级yi:
具体地,所述步骤S2包括:
S201.将移动智能终端安全等级划分为K级;
S202.对Mi中的每个测试单项的测试结果mj进行数字化,得到测试结果向量Xi:
Xi=[m′1,m′2,…,m′S]T;
式中m′j为mj对应的测试单项数字化信息,j=1,2,...,S;
在本申请的实施例中,将每个测试单项的测试结果数字化的方式如下,也就是说,当测试单项的测试结果mj为安全时,其对应的数字化信息m′j=1;当测试单项的测试结果mj为危险时,其对应的数字化信息m′j=0。
S203.将Mi对应的各个测试单项按照其所属的环节进行分类,根据每类环节包含的测试单项数字化信息,判断该环节是否受到保护;根据Mi中受到保护的环节个数,确定Mi所属的安全等级。
在本申请的实施例中,首先将Mi对应的各个测试单项划分为收集、加工、转移和删除四个环节;上述的测试单项中,短信安全、通话安全、第三方软件安全、内核数据加工、审计安全、存储安全、删除文件警告的数据安全性均贯穿于四个环节之中;所有的测试单项最终的指向均为测试以上4个环节中的一个的安全性,因此将终端安全等级划分为4级,即K=4;
在Mi对应的每一个环节中,统计测试单项的总数目L和该环节中数字化信息m′j=1的测试单项数目L′,比较L′/L是否大于预设阈值,若是,则判定该环节受到保护,若否,则判定Mi该环节未受到保护;
统计Mi中受到保护的环节个数,据此确定Mi所属的安全等级:当受到保护的环节个数为0或1时,Mi所属的安全等级为1;当受到保护的环节个数大于1时,Mi所属的安全等级与受到保护的环节个数相等,安全等级的确定如下表所示:
受保护的环节个数 | 0或1 | 2 | 3 | 4 |
安全程度 | 很差 | 差 | 一般 | 安全 |
安全级别y | 1 | 2 | 3 | 4 |
S3.整合每次测试结果Mi对应的向量Xi和所属安全等级yi,得到数据集T:
T={(X1,y1),(X2,y2),…,(XN+P,yN+P)};
yi∈{1,2,...,K},i=1,2,…,N+P;
将数据集T中的其中前N组数据划分为训练集TN,后P组数据划分为测试集TP;
S4.根据安全等级的级数K,采用K-1层(3层)Adaboost算法模型,对数据训练集TN进行训练,生成强分类器并通过测试集TP验证准确率;
具体地,所述步骤S4包括:
S401.初始化m=1;将训练集TN分成两类,其中yi=m的为一类,yi=m+1~4级为另一类:
得到的训练集中:
S402.初始化训练数据集TN (m)中数据的权值分布,使每一个训练样本最开始权值均为wi=1/N,得到训练数据集的初始权值分布
S403.迭代获取强分类器:
A、初始化t=1;
B、使用具有权值分布Dt的训练数据集学习,得到第t个基本分类器Ht(x):X→{-1,+1};
C、计算当前基本分类器Ht(x)在训练数据集TN (m)上的分类误差率:
D、计算该基本分类器在最终分类器中所占的权重系数得到第t个弱分类器ft(x)=αtHt(x);
E、按弱分类器权重αt组合各个弱分类器即判断sign(f(x))是否使数据集分类误差率达到0,若是,得到最终的强分类器为:进入步骤S404;若否,进入步骤F;
F、更新训练数据集TN (m)的权值分布其中Zt为归一化常数同时更新参数t←t+1,即更新后的t为更新前的t加1,随后返回步骤B继续迭代;
S404.将TN (m)中所有数据通过强分类器,剔除所有Hfinal(Xi)>0的数据,将剩余数据总数设为新的N,将m进行+1操作,并返回步骤S401,按照步骤S401~S404重复进行强分类器生成,得到第2~K-1层强分类器,并结束循环;
S405.利用测试数据集对得到的K-1层强分类器进行测试并验证测试准确率,强分类器中数据处理流程如图2所示:
首先,对于测试集TP中的任一Xi,先将其带入第一层强分类器,判断Hfinal(Xi)>0是否成立,若是,则K-1层强分类器对Xi对应的智能终端判定结果为:安全等级为1,若否,将Xi带入第二层强分类器,判断Hfinal(Xi)>0是否成立,若是,则K-1层强分类器对Xi对应的智能终端判定结果为安全等级为2,若否,将Xi带入第三层强分类器,判断Hfinal(Xi)>0是否成立,若是,则K-1层强分类器对Xi对应的智能终端判定结果为:安全等级为3,若否,则判定安全等级为4;重复上述过程,得到K-1层强分类器对测试集中所有Xi的判定结果,并统计判断正确的数据量L1;
根据测试数据集TP的数据总量P和分类器判断正确的数据量L1,计算测试准确率δ=L1/P,若准确率δ达不到规定要求,重新从S1开始收集数据,直至得到检测率达到要求的K-1层强分类器。
S5.对新接入的移动智能终端进行测试,将测试结果通过强分类器,得到移动智能终端的安全等级。
具体地,在本申请的实施例中,对于新接入的移动智能终端C,首先对其进行测试,得到包含S个测试单项的测试结果MC=[m1,m2,…,mS]T,然后对测试结果按照步骤S202进行数字化,得到测试结果向量XC,将测试结果向量XC送入K-1层强分类器中,判定的安全等级:具体地,将XC其带入第一层强分类器,判断Hfinal(XC)>0是否成立,若是,则新接入的移动智能终端C安全等级为1,若否,将XC带入第二层强分类器,判断Hfinal(XC)>0是否成立,若是,则新接入的移动智能终端C安全等级为2,若否,将XC带入第三层强分类器,判断Hfinal(XC)>0是否成立,若是,则新接入的移动智能终端C安全等级为3,若否,则新接入的移动智能终端C安全等级为4。
综上,本发明根据移动智能终端各单项安全性能的测试,采用Adaboost算法实现对移动智能终端安全等级的客观准确划分,有利于实现不同安全级别需求的安全使用;并且,这种安全等级分类模式,可适用于多种不同的移动智能终端设备,可移植性强,应用广泛。
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.基于Adaboost的移动智能终端安全等级分类方法,其特征在于:包括以下步骤:
S1.在边缘计算平台对N+P台接入的移动智能终端进行测试,得到测试结果M1,M2,…,MN,…,MN+P,Mi表示第i台接入的移动智能终端测试结果,i=1,2,...,N+P,每个Mi包含S个测试单项的测试结果,Mi=[m1,m2,…,mS]T,其中mj为第j个测试单项的测试结果,j=1,2,...,S;
S2.将移动智能终端安全等级划分为K级,对每个测试结果Mi进行预处理,得到Mi对应的测试结果向量Xi与所属安全等级yi:
S3.整合每次测试结果Mi对应的向量Xi和所属安全等级yi,得到数据集T:
T={(X1,y1),(X2,y2),…,(XN+P,yN+P)};
yi∈{1,2,...,K},i=1,2,…,N+P;
将数据集T中的其中前N组数据划分为训练集TN,后P组数据划分为测试集TP;
S4.根据安全等级的级数K,采用K-1层Adaboost算法模型,对数据训练集TN进行训练,生成强分类器并通过测试集TP验证准确率;
S5.对新接入的移动智能终端进行测试,将测试结果通过强分类器,得到移动智能终端的安全等级。
2.根据权利要求1所述的基于Adaboost的移动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.将移动智能终端安全等级划分为K级,其中K=4;
S202.对Mi中的每个测试单项的测试结果mj进行数字化,得到测试结果向量Xi:
Xi=[m′1,m′2,…,m′S]T;
式中m′j为mj对应的测试单项数字化信息,j=1,2,...,S;
S203.将Mi对应的各个测试单项按照其所属的环节进行分类,根据每类环节包含的测试单项数字化信息,判断该环节是否受到保护;根据Mi中受到保护的环节个数,确定Mi所属的安全等级。
3.根据权利要求2所述的基于Adaboost的移动智能终端安全等级分类方法,其特征在于:所述步骤S202中,当测试单项的测试结果mj为安全时,其对应的数字化信息m′j=1;当测试单项的测试结果mj为危险时,其对应的数字化信息m′j=0。
4.根据权利要求2所述的基于Adaboost的移动智能终端安全等级分类方法,其特征在于:所述步骤S203包括:
将Mi对应的各个测试单项划分为收集、加工、转移和删除四个环节;
在Mi对应的每一个环节中,统计测试单项的总数目L和该环节中数字化信息m′j=1的测试单项数目L′,比较L′/L是否大于预设阈值,若是,则判定该环节受到保护,若否,则判定Mi该环节未受到保护;
统计Mi中受到保护的环节个数,据此确定Mi所属的安全等级:当受到保护的环节个数为0或1时,Mi所属的安全等级为1;当受到保护的环节个数大于1时,Mi所属的安全等级与受到保护的环节个数相等。
5.根据权利要求1所述的基于Adaboost的移动智能终端安全等级分类方法,其特征在于:所述步骤S4包括:
S401.初始化m=1;将训练集TN分成两类,其中yi=m的为一类,yi=m+1~K级为另一类:
得到的训练集中:
S402.初始化训练数据集中数据的权值分布,使每一个训练样本最开始权值均为wi=1/N,得到训练数据集的初始权值分布
S403.迭代获取强分类器:
A、初始化t=1;
B、使用具有权值分布Dt的训练数据集学习,得到第t个基本分类器Ht(x):X→{-1,+1};
C、计算当前基本分类器Ht(x)在训练数据集TN (m)上的分类误差率:
D、计算该基本分类器在最终分类器中所占的权重系数得到第t个弱分类器ft(x)=αtHt(x);
E、按弱分类器权重αt组合各个弱分类器即判断sign(f(x))是否使数据集分类误差率达到0,若是,得到最终的强分类器为:进入步骤S404;若否,进入步骤F;
F、更新训练数据集TN (m)的权值分布其中Zt为归一化常数同时更新参数t←t+1,即更新后的t为更新前的t加1,随后返回步骤B继续迭代;
S404.将TN (m)中所有数据通过强分类器,剔除所有Hfinal(Xi)>0的数据,将剩余数据总数设为新的N,将m进行+1操作,并返回步骤S401,按照步骤S401~S404重复进行强分类器生成,得到第2~K-1层强分类器,并结束循环;
S405.利用测试数据集对得到的K-1层强分类器进行测试并验证测试准确率,得到检测率达到要求的K-1层强分类器。
6.根据权利要求1所述的基于Adaboost的移动智能终端安全等级分类方法,其特征在于:所述的基本分类器选取原则为在当前训练数据集上使得分类误差率最小。
7.根据权利要求1所述的基于Adaboost的移动智能终端安全等级分类方法,其特征在于:所述步骤S5中,利用得到的K-1层强分类器,按照从1到K-1层递进的方式对安全等级进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810768085.6A CN109344848A (zh) | 2018-07-13 | 2018-07-13 | 基于Adaboost的移动智能终端安全等级分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810768085.6A CN109344848A (zh) | 2018-07-13 | 2018-07-13 | 基于Adaboost的移动智能终端安全等级分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109344848A true CN109344848A (zh) | 2019-02-15 |
Family
ID=65291334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810768085.6A Pending CN109344848A (zh) | 2018-07-13 | 2018-07-13 | 基于Adaboost的移动智能终端安全等级分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109344848A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135167A (zh) * | 2019-05-14 | 2019-08-16 | 电子科技大学 | 一种随机森林的边缘计算终端安全等级评估方法 |
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 |
CN112887371A (zh) * | 2021-01-12 | 2021-06-01 | 深圳市中博科创信息技术有限公司 | 边缘计算方法、装置、计算机设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927631A (zh) * | 2014-04-30 | 2014-07-16 | 南方电网科学研究院有限责任公司 | 一种基于电力系统质量体系、风险评估与安全测评的安全综合管理平台 |
CN104683304A (zh) * | 2013-11-29 | 2015-06-03 | 中国移动通信集团公司 | 一种保密通信业务的处理方法、设备和系统 |
CN104849582A (zh) * | 2015-04-14 | 2015-08-19 | 中广核核电运营有限公司 | 过流保护及电压监测装置拷机测试系统及方法 |
CN106022374A (zh) * | 2016-05-18 | 2016-10-12 | 中国农业银行股份有限公司 | 一种对历史流程数据进行分类的方法及装置 |
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 |
CN107025547A (zh) * | 2016-09-19 | 2017-08-08 | 阿里巴巴集团控股有限公司 | 支付通道检测方法、装置及终端 |
CN107918837A (zh) * | 2017-12-30 | 2018-04-17 | 天津科技大学 | 一种果蔬类食品安全风险预测方法 |
-
2018
- 2018-07-13 CN CN201810768085.6A patent/CN109344848A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104683304A (zh) * | 2013-11-29 | 2015-06-03 | 中国移动通信集团公司 | 一种保密通信业务的处理方法、设备和系统 |
CN103927631A (zh) * | 2014-04-30 | 2014-07-16 | 南方电网科学研究院有限责任公司 | 一种基于电力系统质量体系、风险评估与安全测评的安全综合管理平台 |
CN104849582A (zh) * | 2015-04-14 | 2015-08-19 | 中广核核电运营有限公司 | 过流保护及电压监测装置拷机测试系统及方法 |
CN106022374A (zh) * | 2016-05-18 | 2016-10-12 | 中国农业银行股份有限公司 | 一种对历史流程数据进行分类的方法及装置 |
CN107025547A (zh) * | 2016-09-19 | 2017-08-08 | 阿里巴巴集团控股有限公司 | 支付通道检测方法、装置及终端 |
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 |
CN107918837A (zh) * | 2017-12-30 | 2018-04-17 | 天津科技大学 | 一种果蔬类食品安全风险预测方法 |
Non-Patent Citations (3)
Title |
---|
M.R. LYU ET AL: "Firewall security: policies, testing and performance evaluation:Security Level and test and number", 《PROCEEDINGS 24TH ANNUAL INTERNATIONAL COMPUTER SOFTWARE AND APPLICATIONS CONFERENCE. COMPSAC2000》 * |
文红等: "一种基于 Adaboost 的物理层信道认证模型", 《通信技术》 * |
范玉玲等: "基于在线评测数据的题目等级分类模型研究", 《计算机与现代化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135167A (zh) * | 2019-05-14 | 2019-08-16 | 电子科技大学 | 一种随机森林的边缘计算终端安全等级评估方法 |
CN110135167B (zh) * | 2019-05-14 | 2020-11-20 | 电子科技大学 | 一种随机森林的边缘计算终端安全等级评估方法 |
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 |
CN112887371A (zh) * | 2021-01-12 | 2021-06-01 | 深圳市中博科创信息技术有限公司 | 边缘计算方法、装置、计算机设备及存储介质 |
CN112887371B (zh) * | 2021-01-12 | 2022-05-13 | 深圳市中博科创信息技术有限公司 | 边缘计算方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108540451A (zh) | 一种用机器学习技术对网络攻击行为进行分类检测的方法 | |
CN107784312B (zh) | 机器学习模型训练方法及装置 | |
CN109344848A (zh) | 基于Adaboost的移动智能终端安全等级分类方法 | |
CN106326913A (zh) | 一种洗钱账户的确定方法及装置 | |
CN110533116A (zh) | 基于欧式距离的自适应集成的不平衡数据分类方法 | |
CN104539484A (zh) | 一种动态评估网络连接可信度的方法及系统 | |
CN109766956B (zh) | 基于快递大数据的异常检测方法 | |
CN102572744B (zh) | 识别特征库获取方法、装置及短消息识别方法、装置 | |
CN106250442A (zh) | 一种网络安全数据的特征选择方法及系统 | |
CN107679734A (zh) | 一种用于无标签数据分类预测的方法和系统 | |
CN111581445B (zh) | 基于图基元的图嵌入学习方法 | |
CN106650828B (zh) | 基于支持向量机的智能终端安全等级分类方法 | |
Hamid et al. | Profiling phishing email based on clustering approach | |
CN105825232A (zh) | 对电动汽车用户进行分类的方法及装置 | |
LaRock et al. | Hypa: Efficient detection of path anomalies in time series data on networks | |
CN107145778A (zh) | 一种入侵检测方法及装置 | |
CN107483451A (zh) | 基于串并行结构网络安全数据处理方法及系统、社交网络 | |
CN112561685A (zh) | 客户的分类方法和装置 | |
CN113591924A (zh) | 一种网络诈骗号码检测方法、系统、存储介质及终端设备 | |
CN108491719A (zh) | 一种改进朴素贝叶斯算法的安卓恶意程序检测方法 | |
Gong et al. | Intrusion detection system combining misuse detection and anomaly detection using genetic network programming | |
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 | |
US6950812B2 (en) | Determining accuracy of a classifier | |
CN105721467A (zh) | 社交网络Sybil群体检测方法 | |
CN109033288A (zh) | 一种基于bp神经网络的智能终端安全等级分类方法 |
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: 20190215 |