CN110083747A - 一种无人飞机的识别方法和无人飞机侦测设备 - Google Patents
一种无人飞机的识别方法和无人飞机侦测设备 Download PDFInfo
- Publication number
- CN110083747A CN110083747A CN201910340855.1A CN201910340855A CN110083747A CN 110083747 A CN110083747 A CN 110083747A CN 201910340855 A CN201910340855 A CN 201910340855A CN 110083747 A CN110083747 A CN 110083747A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- unmanned
- new
- industrial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 49
- 230000005540 biological transmission Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 abstract 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明适用于无人飞机领域,提供了一种无人飞机的识别方法和无人飞机侦测设备。所述方法包括:预先读取无人飞机频谱特征数据库中的数据,对无人飞机的频谱特征规律进行自主学习,获取判断为新的无人飞机的判断条件数据;将接收到的无人飞机频谱特征数据与无人飞机频谱特征数据库中的各个型号的无人飞机频谱特征进行匹配;如果没有匹配出无人飞机的型号,则根据所述判断为新的无人飞机的判断条件数据来识别是否为新的无人飞机。采用本发明,对于数据库中没有的无人飞机都可以识别,解决了无人飞机侦测漏报的重大问题,对于安全防护意义重大,特别是恶意者采用拼装的无人飞机进行恐怖袭击,现有的无人飞机侦测技术无能为力,采用本发明则能识别出无人飞机。
Description
技术领域
本发明属于无人飞机领域,尤其涉及一种无人飞机的识别方法和无人飞机侦测设备。
背景技术
现有技术对无人飞机的识别是通过将现有的无人飞机频谱特征预先录制好,存储于存储设备的无人飞机频谱特征数据库中,在无人飞机侦测过程中,将侦测接收机接收到的无人飞机频谱特征数据与无人飞机频谱特征数据库中的各个型号的无人飞机频谱特征进行比对运算,从而发现为无人飞机。然而,对于新的无人飞机型号,即数据库中没有的无人飞机频谱特征,则无法自主识别是否为无人飞机。
发明内容
本发明的目的在于提供一种无人飞机的识别方法、计算机可读存储介质和无人飞机侦测设备,旨在解决现有技术对于数据库中没有的无人飞机频谱特征,无法自主识别是否为无人飞机的问题。
第一方面,本发明提供了一种无人飞机的识别方法,所述方法包括:
S101、预先读取无人飞机频谱特征数据库中的数据,对无人飞机的频谱特征规律进行自主学习,获取判断为新的无人飞机的判断条件数据;
S102、开始对无人飞机进行侦测;
S103、将接收到的无人飞机频谱特征数据与无人飞机频谱特征数据库中的各个型号的无人飞机频谱特征进行匹配;
S104、如果没有匹配出无人飞机的型号,则根据所述判断为新的无人飞机的判断条件数据来识别是否为新的无人飞机。
第二方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述的无人飞机的识别方法的步骤。
第三方面,本发明提供了一种无人飞机侦测设备,包括:
一个或多个处理器;
存储器;以及
一个或多个计算机程序,所述处理器和所述存储器通过总线连接,其中所述一个或多个计算机程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述处理器执行所述计算机程序时实现如上述的无人飞机的识别方法的步骤。
在本发明中,由于预先读取无人飞机频谱特征数据库中的数据,对无人飞机的频谱特征规律进行自主学习,获取判断为新的无人飞机的判断条件数据,如果在无人飞机频谱特征数据库中没有匹配出无人飞机的型号,则根据所述判断为新的无人飞机的判断条件数据来识别是否为新的无人飞机。因此对于数据库中没有的无人飞机都可以识别,解决了无人飞机侦测漏报的重大问题,对于安全防护意义重大,特别是恶意者采用拼装的无人飞机进行恐怖袭击,现有的无人飞机侦测技术无能为力,采用本发明则能识别出无人飞机。
附图说明
图1是本发明实施例一提供的无人飞机的识别方法的流程图。
图2是本发明实施例三提供的无人飞机侦测设备的具体结构框图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一:
请参阅图1,本发明实施例一提供的无人飞机的识别方法包括以下步骤:需注意的是,若有实质上相同的结果,本发明的无人飞机的识别方法并不以图1所示的流程顺序为限。
S101、预先读取无人飞机频谱特征数据库中的数据,对无人飞机的频谱特征规律进行自主学习,获取判断为新的无人飞机的判断条件数据。
在本发明实施例一中,S101具体可以为:
预先读取无人飞机频谱特征数据库中的数据,分别对消费级无人飞机(例如大疆4无人飞机等)和工业级无人飞机(例如公安部门使用的较大型无人飞机等)的频谱特征规律进行自主学习,分别获取判断为新的消费级无人飞机和工业级无人飞机的判断条件数据。
S102、开始对无人飞机进行侦测。
S103、将接收到的无人飞机频谱特征数据与无人飞机频谱特征数据库中的各个型号的无人飞机频谱特征进行匹配。
S104、如果没有匹配出无人飞机的型号,则根据所述判断为新的无人飞机的判断条件数据来识别是否为新的无人飞机。
在本发明实施例一中,S104具体可以为:
如果没有匹配出无人飞机的型号,则根据所述判断为新的消费级无人飞机和工业级无人飞机的判断条件数据来识别是否为新的消费级无人飞机或工业级无人飞机。
在本发明实施例一中,S104还可以包括以下步骤:
如果识别出是新的无人飞机,则报警处置;如果匹配出无人飞机的型号,也进行报警处置;或者,
如果识别出是新的消费级无人飞机或工业级无人飞机,则报警处置;如果匹配出无人飞机的型号,也进行报警处置。
所述如果识别出是新的无人飞机,则报警处置之后,所述方法还可以包括以下步骤:
提示用户录入无人飞机的型号;
根据用户的选择录入新的型号或者取消;
如果是录入新的型号,则将新的无人飞机的型号和对应的无人飞机频谱特征数据存入无人飞机频谱特征数据库。
所述如果识别出是新的消费级无人飞机或工业级无人飞机,则报警处置之后,所述方法还可以包括以下步骤:
提示用户录入无人飞机的型号;
根据用户的选择录入新的型号或者取消;
如果是录入新的型号,对于消费级无人飞机,将新的无人飞机的型号、带宽数据、信号持续时间、信号间隔时间、信号持续时间和信号间隔时间排列、频段数据等存入无人飞机频谱特征数据库,从而完成新型号的消费级无人飞机的频谱特征录制,在下一次侦测时就能识别出该型号了,如此循环往复,无人飞机的频谱特征数据库中的数据将不断增多,识别能力不断提高;对于工业级无人飞机,将新的无人飞机的型号、跳频点的最大带宽和最小带宽、跳频点的最大持续时间和最小持续时间、跳频时间最大变动范围、频段数据等存入无人飞机频谱特征数据库,从而完成新型号的工业级无人飞机的频谱特征录制,在下一次侦测时就能识别出该型号了,如此循环往复,无人飞机的频谱特征数据库中的数据将不断增多,识别能力不断提高。
在本发明实施例一中,对于消费级无人飞机,S101具体可以包括以下步骤:
从无人飞机图传信号特征数据库中读取各种型号的信号带宽的最大值和最小值,总结出无人飞机图传信号的最大带宽和最小带宽,或者按照经验设定无人飞机图传信号的最大带宽和最小带宽,将无人飞机图传信号的最大带宽和最小带宽作为判断为新的消费级无人飞机的第一个判断条件;
从无人飞机图传信号特征数据库中读取各种型号的图传信号的持续时间和间隔时间,总结出各种型号的持续时间和间隔时间是否基本相同,或者有几种持续时间和间隔时间排列,或者按照经验设定图传信号的持续时间、间隔时间或者持续时间和间隔时间排列,将图传信号的持续时间、间隔时间或者持续时间和间隔时间排列作为判断为新的消费级无人飞机的第二个判断条件;
从无人飞机图传信号特征数据库中读取各种型号的无人飞机的频段范围,或者按照经验设定常见的无人飞机的频段范围,将无人飞机的频段范围作为判断为新的消费级无人飞机的第三个判断条件,以使判断更为准确。
在本发明实施例一中,对于工业级无人飞机,S101具体可以包括以下步骤:
从无人飞机跳频信号特征数据库中读取各种型号的跳频数据,获得各种型号的跳频点的最大带宽和最小带宽,总结出工业级无人飞机跳频点的最大带宽和最小带宽,或者按照经验设定工业级无人飞机跳频点的最大带宽和最小带宽,将跳频点的最大带宽和最小带宽作为判断为新的工业级无人飞机的第一个判断条件;
从无人飞机跳频信号特征数据库中读取各种型号的跳频点的最大持续时间和最小持续时间,总结出工业级无人飞机跳频点的最大持续时间和最小持续时间,或者按照经验设定工业级无人飞机跳频点的最大持续时间和最小持续时间,将跳频点的最大持续时间和最小持续时间作为判断为新的工业级无人飞机的第二个判断条件;
从无人飞机跳频信号特征数据库中读取各种型号的跳频点的跳频时间的范围,总结出工业级无人飞机的跳频时间最大变动范围,或者按照经验设定工业级无人飞机的跳频时间最大变动范围,将跳频时间最大变动范围作为判断为新的工业级无人飞机的第三个判断条件;
从无人飞机跳频信号特征数据库中读取各种型号的工业级无人飞机的频段范围,或者按照经验设定常见的工业级无人飞机的频段范围,将工业级无人飞机的频段范围作为判断为新的工业级无人飞机的第四个判断条件,以使判断更为准确。
在本发明实施例一中,在S104中,所述根据所述判断为新的消费级无人飞机和工业级无人飞机的判断条件数据来识别是否为新的消费级无人飞机或工业级无人飞机具体可以包括以下步骤:
逐一对比判断为新的消费级无人飞机的第一个判断条件、第二个判断条件和第三个判断条件,如果均满足,则判断为新的无人飞机图传信号,按照经验判断为新的消费级无人飞机。
逐一对比判断为新的工业级无人飞机的第一个判断条件、第二个判断条件、第三个判断条件和第四个判断条件,如果均满足,则判断为新的工业级无人飞机,按照经验判断为新的工业级无人飞机。
实施例二:
本发明实施例二提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如本发明实施例一提供的无人飞机的识别方法的步骤。
实施例三:
图2示出了本发明实施例三提供的无人飞机侦测设备的具体结构框图,一种无人飞机侦测设备100包括:一个或多个处理器101、存储器102、以及一个或多个计算机程序,其中所述处理器101和所述存储器102通过总线连接,所述一个或多个计算机程序被存储在所述存储器102中,并且被配置成由所述一个或多个处理器101执行,所述处理器101执行所述计算机程序时实现如本发明实施例一提供的无人飞机的识别方法的步骤。
在本发明中,由于预先读取无人飞机频谱特征数据库中的数据,对无人飞机的频谱特征规律进行自主学习,获取判断为新的无人飞机的判断条件数据,如果在无人飞机频谱特征数据库中没有匹配出无人飞机的型号,则根据所述判断为新的无人飞机的判断条件数据来识别是否为新的无人飞机。因此对于数据库中没有的无人飞机都可以识别,解决了无人飞机侦测漏报的重大问题,对于安全防护意义重大,特别是恶意者采用拼装的无人飞机进行恐怖袭击,现有的无人飞机侦测技术无能为力,采用本发明则能识别出无人飞机。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,RandomAccess Memory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种无人飞机的识别方法,其特征在于,所述方法包括:
S101、预先读取无人飞机频谱特征数据库中的数据,对无人飞机的频谱特征规律进行自主学习,获取判断为新的无人飞机的判断条件数据;
S102、开始对无人飞机进行侦测;
S103、将接收到的无人飞机频谱特征数据与无人飞机频谱特征数据库中的各个型号的无人飞机频谱特征进行匹配;
S104、如果没有匹配出无人飞机的型号,则根据所述判断为新的无人飞机的判断条件数据来识别是否为新的无人飞机。
2.如权利要求1所述的方法,其特征在于,S104还包括:
如果识别出是新的无人飞机,则报警处置;如果匹配出无人飞机的型号,也进行报警处置;
所述如果识别出是新的无人飞机,则报警处置之后,所述方法还包括:
提示用户录入无人飞机的型号;
根据用户的选择录入新的型号或者取消;
如果是录入新的型号,则将新的无人飞机的型号和对应的无人飞机频谱特征数据存入无人飞机频谱特征数据库。
3.如权利要求1所述的方法,其特征在于,S101具体为:
预先读取无人飞机频谱特征数据库中的数据,分别对消费级无人飞机和工业级无人飞机的频谱特征规律进行自主学习,分别获取判断为新的消费级无人飞机和工业级无人飞机的判断条件数据。
4.如权利要求3所述的方法,其特征在于,S104具体为:
如果没有匹配出无人飞机的型号,则根据所述判断为新的消费级无人飞机和工业级无人飞机的判断条件数据来识别是否为新的消费级无人飞机或工业级无人飞机。
5.如权利要求4所述的方法,其特征在于,S104还包括:
如果识别出是新的消费级无人飞机或工业级无人飞机,则报警处置;如果匹配出无人飞机的型号,也进行报警处置。
6.如权利要求5所述的方法,其特征在于,所述如果识别出是新的消费级无人飞机或工业级无人飞机,则报警处置之后,所述方法还包括:
提示用户录入无人飞机的型号;
根据用户的选择录入新的型号或者取消;
如果是录入新的型号,对于消费级无人飞机,将新的无人飞机的型号和带宽数据、信号持续时间、信号间隔时间、信号持续时间和信号间隔时间排列、频段数据中的一种或任意组合存入无人飞机频谱特征数据库,从而完成新型号的消费级无人飞机的频谱特征录制;对于工业级无人飞机,将新的无人飞机的型号和跳频点的最大带宽和最小带宽、跳频点的最大持续时间和最小持续时间、跳频时间最大变动范围、频段数据中的一种或任意组合存入无人飞机频谱特征数据库,从而完成新型号的工业级无人飞机的频谱特征录制。
7.如权利要求3所述的方法,其特征在于,对于消费级无人飞机,S101具体包括:
从无人飞机图传信号特征数据库中读取各种型号的信号带宽的最大值和最小值,总结出无人飞机图传信号的最大带宽和最小带宽,或者按照经验设定无人飞机图传信号的最大带宽和最小带宽,将无人飞机图传信号的最大带宽和最小带宽作为判断为新的消费级无人飞机的第一个判断条件;
从无人飞机图传信号特征数据库中读取各种型号的图传信号的持续时间和间隔时间,总结出各种型号的持续时间和间隔时间是否基本相同,或者有几种持续时间和间隔时间排列,或者按照经验设定图传信号的持续时间、间隔时间或者持续时间和间隔时间排列,将图传信号的持续时间、间隔时间或者持续时间和间隔时间排列作为判断为新的消费级无人飞机的第二个判断条件;
从无人飞机图传信号特征数据库中读取各种型号的无人飞机的频段范围,或者按照经验设定常见的无人飞机的频段范围,将无人飞机的频段范围作为判断为新的消费级无人飞机的第三个判断条件;
对于工业级无人飞机,S101具体包括:
从无人飞机跳频信号特征数据库中读取各种型号的跳频数据,获得各种型号的跳频点的最大带宽和最小带宽,总结出工业级无人飞机跳频点的最大带宽和最小带宽,或者按照经验设定工业级无人飞机跳频点的最大带宽和最小带宽,将跳频点的最大带宽和最小带宽作为判断为新的工业级无人飞机的第一个判断条件;
从无人飞机跳频信号特征数据库中读取各种型号的跳频点的最大持续时间和最小持续时间,总结出工业级无人飞机跳频点的最大持续时间和最小持续时间,或者按照经验设定工业级无人飞机跳频点的最大持续时间和最小持续时间,将跳频点的最大持续时间和最小持续时间作为判断为新的工业级无人飞机的第二个判断条件;
从无人飞机跳频信号特征数据库中读取各种型号的跳频点的跳频时间的范围,总结出工业级无人飞机的跳频时间最大变动范围,或者按照经验设定工业级无人飞机的跳频时间最大变动范围,将跳频时间最大变动范围作为判断为新的工业级无人飞机的第三个判断条件;
从无人飞机跳频信号特征数据库中读取各种型号的工业级无人飞机的频段范围,或者按照经验设定常见的工业级无人飞机的频段范围,将工业级无人飞机的频段范围作为判断为新的工业级无人飞机的第四个判断条件。
8.如权利要求7所述的方法,其特征在于,在S104中,所述根据所述判断为新的消费级无人飞机和工业级无人飞机的判断条件数据来识别是否为新的消费级无人飞机或工业级无人飞机具体包括:
逐一对比判断为新的消费级无人飞机的第一个判断条件、第二个判断条件和第三个判断条件,如果均满足,则判断为新的无人飞机图传信号,按照经验判断为新的消费级无人飞机;
逐一对比判断为新的工业级无人飞机的第一个判断条件、第二个判断条件、第三个判断条件和第四个判断条件,如果均满足,则判断为新的工业级无人飞机,按照经验判断为新的工业级无人飞机。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的无人飞机的识别方法的步骤。
10.一种无人飞机侦测设备,包括:
一个或多个处理器;
存储器;以及
一个或多个计算机程序,所述处理器和所述存储器通过总线连接,其中所述一个或多个计算机程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的无人飞机的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910340855.1A CN110083747B (zh) | 2019-04-25 | 2019-04-25 | 一种无人飞机的识别方法和无人飞机侦测设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910340855.1A CN110083747B (zh) | 2019-04-25 | 2019-04-25 | 一种无人飞机的识别方法和无人飞机侦测设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110083747A true CN110083747A (zh) | 2019-08-02 |
CN110083747B CN110083747B (zh) | 2021-11-30 |
Family
ID=67416947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910340855.1A Active CN110083747B (zh) | 2019-04-25 | 2019-04-25 | 一种无人飞机的识别方法和无人飞机侦测设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110083747B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986523A (zh) * | 2020-08-14 | 2020-11-24 | 北京北斗天巡科技有限公司 | 一种城市低慢小无人机目标监测装置及监测方法 |
GB2602795A (en) * | 2021-01-07 | 2022-07-20 | Drone Defence Services Ltd | A method of detecting UAV's |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106936517A (zh) * | 2015-12-28 | 2017-07-07 | 镇江高科信息科技有限公司 | 一种异常无线电信号的自动识别系统及其方法 |
CN107659587A (zh) * | 2017-11-09 | 2018-02-02 | 佛山市海科云筹信息技术有限公司 | 飞行器监管方法、装置、存储介质及服务器 |
CN107659586A (zh) * | 2017-11-09 | 2018-02-02 | 佛山市海科云筹信息技术有限公司 | 飞行器监管方法、装置、存储介质及服务器 |
CN109120354A (zh) * | 2018-08-29 | 2019-01-01 | 无锡若飞科技有限公司 | 无人机监管方法和系统和计算机存储介质 |
US20210035454A1 (en) * | 2017-08-15 | 2021-02-04 | Flarm Technology Ag | Remote aircraft identification for uav |
-
2019
- 2019-04-25 CN CN201910340855.1A patent/CN110083747B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106936517A (zh) * | 2015-12-28 | 2017-07-07 | 镇江高科信息科技有限公司 | 一种异常无线电信号的自动识别系统及其方法 |
US20210035454A1 (en) * | 2017-08-15 | 2021-02-04 | Flarm Technology Ag | Remote aircraft identification for uav |
CN107659587A (zh) * | 2017-11-09 | 2018-02-02 | 佛山市海科云筹信息技术有限公司 | 飞行器监管方法、装置、存储介质及服务器 |
CN107659586A (zh) * | 2017-11-09 | 2018-02-02 | 佛山市海科云筹信息技术有限公司 | 飞行器监管方法、装置、存储介质及服务器 |
CN109120354A (zh) * | 2018-08-29 | 2019-01-01 | 无锡若飞科技有限公司 | 无人机监管方法和系统和计算机存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986523A (zh) * | 2020-08-14 | 2020-11-24 | 北京北斗天巡科技有限公司 | 一种城市低慢小无人机目标监测装置及监测方法 |
GB2602795A (en) * | 2021-01-07 | 2022-07-20 | Drone Defence Services Ltd | A method of detecting UAV's |
GB2602795B (en) * | 2021-01-07 | 2023-07-26 | Drone Defence Services Ltd | A method of detecting UAVs |
Also Published As
Publication number | Publication date |
---|---|
CN110083747B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tartakovsky et al. | Sequential analysis: Hypothesis testing and changepoint detection | |
CN110083747B (zh) | 一种无人飞机的识别方法和无人飞机侦测设备 | |
US20170149800A1 (en) | System and method for information security management based on application level log analysis | |
CN115718874A (zh) | 异常检测 | |
CN111241544A (zh) | 一种恶意程序识别方法、装置、电子设备及存储介质 | |
CN111653067A (zh) | 智能家居设备及基于音频的报警方法 | |
CN113114489B (zh) | 一种网络安全态势评估方法、装置、设备及存储介质 | |
CN110674498A (zh) | 一种基于多维度文件活动的内部威胁检测方法及系统 | |
CN117544386A (zh) | 基于深度学习的安全事件处理的方法和系统 | |
CN111476965B (zh) | 火灾检测模型的构建方法、火灾检测方法及相关设备 | |
CN113542252A (zh) | Web攻击的检测方法、检测模型和检测装置 | |
US11256806B2 (en) | System and method for cyber attack detection based on rapid unsupervised recognition of recurring signal patterns | |
CN116846645A (zh) | 基于自监督协作对比学习的网络入侵检测方法及应用 | |
AU2021102449A4 (en) | Machine learning in safety critical cyber security system | |
US20230246935A1 (en) | Detecting behavioral change of iot devices using novelty detection based behavior traffic modeling | |
CN111127814B (zh) | 火警识别方法以及相关装置 | |
US20220255953A1 (en) | Feature detection with neural network classification of images representations of temporal graphs | |
CN109461295B (zh) | 一种家居报警方法及设备 | |
US10902115B2 (en) | Neuromorphic system for authorized user detection | |
CN112988327A (zh) | 一种基于云边协同的容器安全管理方法和系统 | |
CN112330312A (zh) | 基于区块链支付和面部识别的数据处理方法及大数据平台 | |
Birnbach et al. | Adaptable Hardware Fingerprinting for Radio Data Links and Avionics Buses in Adversarial Settings | |
Zhang et al. | OceanCL-IDS: A Continual Learning-based Intrusion Detection System for Ocean-going Ship-Satellite Communication Network | |
Navazani et al. | Enhancing Cyber Attack Detection in CPS Using a Semi-Supervised Approach to Determine Parameters for DBSCAN Algorithm | |
CN116915506B (zh) | 一种异常流量检测方法、装置、电子设备及存储介质 |
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 |