CN111541685A - 一种基于网络结构学习的边缘云异常检测方法 - Google Patents
一种基于网络结构学习的边缘云异常检测方法 Download PDFInfo
- Publication number
- CN111541685A CN111541685A CN202010312742.3A CN202010312742A CN111541685A CN 111541685 A CN111541685 A CN 111541685A CN 202010312742 A CN202010312742 A CN 202010312742A CN 111541685 A CN111541685 A CN 111541685A
- Authority
- CN
- China
- Prior art keywords
- network structure
- network
- learning
- edge cloud
- edge
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000000547 structure data Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 206010000117 Abnormal behaviour Diseases 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1425—Traffic logging, e.g. anomaly detection
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种基于网络结构学习的边缘云异常检测方法，包括以下内容：云计算中心数据采集，网络结构学习，以及边缘云异常检测与预警；其中云计算中心数据采集指对边缘云进行网络拓扑结构构造和特征提取；网络结构学习指对构造的网络结构进行学习训练；边缘云异常检测与预警指利用学习得到的网络结构对边缘云进行异常预测，将预测异常的节点通知云系统预警。本方法在预测存在异常行为的边缘云方面，打破了传统方法的独立性假设，通过学习网络结构来考虑边缘云之间可能存在的关联性，以达到提高边缘云异常检测准确率的目的。该方法对云计算系统中边缘云异常检测和安全保障有重大帮助，有很高的应用价值。
Description
技术领域
本发明涉及云计算领域边缘云的异常检测，具体是一种基于网络结构学习的边缘云异常检测方法，属于数据安全技术领域。
背景技术
边缘计算将原有的云计算模型的部分或者全部计算任务迁移到网络边缘，有效降低了云数据中心的网络带宽和计算负载，也能很好的解决某些任务的特定需求如时延要求高、移动频繁、地理信息感知强等，边缘计算模型也受到学术界和产业界的广泛关注。典型的边缘云计算系统包括云计算中心、边缘云网络、终端接入设备等模块。
边缘云计算靠近用户，使得边缘计算也面临着一系列的安全挑战，如恶意设备入侵、黑客入侵导致的边缘云异常。异常的边缘云节点通过窃取用户隐私数据，恶意消耗云计算网络的资源，返回错误的任务执行结果，干扰整个云计算系统运行等行为对云计算系统造成威胁。
入侵检测系统(Intrusion detection system，IDS))是防止云边缘被恶意入侵的主要技术，这类传统的入侵检测技术主要通过监控和检测主机侧或网络侧的异常数据，并通常使用人工经验设定的规则来进行检测，其缺点是容易被入侵者抓住漏洞。近年来，基于机器学习的方法获得越来越多的关注，使用神经网络的方法也说明机器学习在边缘云入侵检测中能有很好的效果。然而，现有的入侵检测技术只关注了边缘云节点的统计属性，将每个边缘云看成独立的个体，而忽视了边缘节点之间的关联性。现有的网络嵌入技术也存在网络结构完备性依赖的问题。
发明内容
发明目的：现有的边缘云异常检测方法忽略了对云计算系统中网络结构的考察，同时已有的网络嵌入技术对网络结构的完备性依赖较高。本发明针对现有的边缘云异常检测方法的不足和网络嵌入的特性要求，提出一种基于网络结构学习的边缘云异常检测方法，通过对边缘云计算网络的充分训练和学习，使边缘云的异常检测效果大幅提升。该方法具有运行速度稳定、运行效果好、网络结构依赖性低的优点，在边缘云网络存在稀疏等缺陷的情况下表现依然稳定。
技术方案：一种基于网络结构学习的边缘云异常检测方法，包括以下内容：
(1)云计算中心数据采集：
(101)云计算中心根据边缘云计算节点的通信连接信息构造网络拓扑结构；
(102)云计算中心统计边缘云计算节点特征生成节点特征数据；
(2)网络结构学习
对由边缘云构造的网络结构，进行网络结构学习，采用迭代式训练方法，每一轮迭代中使用以下步骤对网络结构进行学习：
步骤1，对未在当前基准网络结构中的边选取子集，作为待评测边；
步骤2，对所有待评测边使用损失函数进行评价；
步骤3，将评价得分最高的若干条边添加到当前网络结构作为更新，将更新后的网络结构作为下一轮的基准网络结构；
步骤4，对更新后的网络结构进行网络嵌入模型训练，计算更新后网络结构效果表现是否收敛：如果未收敛，则进入下一轮学习，重复步骤1-4；如果收敛，终止训练；
(3)边缘云异常检测与预警
负责对边缘云进行预测和预警，在前置学习终止时，将在所有轮次中表现最好的基准网络结构，作为最终的网络结构数据，使用网络嵌入模型对最终网络结构进行训练，得到最终分类结果，将分类是异常的节点报告云计算系统进行预警。
有益效果：与现有技术相比，本发明具有以下优点：
(1)结合对边缘云网络结构的学习，提高了边缘云异常检测的准确率，对整个云计算系统的安全保障有重大意义；
(2)通过对网络结构的学习，解决了传统网络嵌入方法在具有如边稀疏、边缺失等缺陷的数据集上进行训练时效果不佳的问题，与一般的网络嵌入方法相比，在这一类数据集上表现提升明显；
(3)本发明的方法在实现时充分考虑网络嵌入模型的运行效率和精确性，通过使用本发明设计的损失函数，可以同时达到运行效率高，运行效果好的特点；
(4)本发明的方法具有灵活性高，适应性强的优点，整个方法中包括子集选取、相似度计算、网络嵌入模型选择等部分都可以根据网络结构的不同而进行合理的选择和设计，即使网络结构特征差异较大，本发明的方法依然能很好的运行。
附图说明
图1为边缘云计算系统整体示意图，包括云计算中心、边缘云、终端接入设备等模块；
图2为本发明方法的整体流程示意图；
图3为本发明方法网络结构学习模块流程示意图；
图4为本发明方法网络结构学习模块中每一轮训练的示意图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
在本实施例中，对云计算网络的边缘云异常检测问题，需要在云计算中心执行本发明基于网络结构学习的边缘云异常检测方法。
对云计算系统中的边缘云网络进行异常检测，包括以下内容和步骤：
一，网络构造与特征提取：
(1)云计算中心根据边缘云计算节点的通信连接等信息构造网络拓扑结构：根据边缘云各计算节点通信网络连接等属性，构造初始网络结构，同时历史检测节点数据也加入该网络结构；
(2)云计算中心统计边缘云计算节点特征生成节点特征数据：根据边缘云每个节点的ip地址，GPS信息，系统信息，硬件信息，请求的接口，系统调用，实时的网络流量，身份信息等生成边缘云节点的特征数据；
二，网络结构学习：
对由边缘云计算网络生成的网络结构数据，学习一个完备的网络结构的步骤包括：
在训练开始之前，对网络结构中的带有标记的节点进行集合的划分，分为训练集、评价集、验证集；
其中带有标记的节点可以是之前运行本发明方法历史检测的边缘云节点标记，也可以是IDS中其他模块或方法产生的判定标记；
在第一轮训练开始时，将原始网络结构邻接矩阵Ainit和单位矩阵I的和A＝Ainit+I作为第一轮的基准网络结构；
图4是每一轮的网络结构更新训练的模拟，左边是简化的网络数据，连线表示网络结构的边，也就是每一轮的基准网络结构数据，圆形是节点，以不同的颜色深度区分节点的类别标记，数字是节点序号；
在本实施例中，如图4所示，在每一轮的训练中，执行如下步骤：
步骤1，对未在当前基准网络结构中的边选取子集，作为待评测边，进一步的：
对于子集选取的策略，使用的优选的策略包括但不限于：1)随机选取，对不在当前基准网络结构中的边进行随机的子集选取；2)相似度计算选取，使用网络嵌入模型进行训练后得到节点的嵌入表示，使用相似度计算方法计算节点两两之间的相似度，选取部分得分高者作为子集；相似度计算方法为余弦相似度计算方法；
合适的子集选取策略可以同时达到提高训练速度、防止训练陷入局部最优的效果；
在本实施例中，如图4所示的e1＝(1,9)，e2＝(1,5)，e3＝(2,3)等构成边子集；
步骤2，对所有待评测边使用损失函数进行评价，一个优选的边评价方法包括以下步骤：
步骤201，在所有边评价开始之前计算网络嵌入模型训练参数W，W的计算使用的一个优选的网络嵌入模型是一个两层的简化的图卷积神经网络SGC模型，公式为：
其中Z是模型训练的结果，也就是训练结束后的嵌入，Softmax是机器学习领域的一种激励函数，
是标准化后的网络结构矩阵，X是特征矩阵，W在每一轮计算一次，在每一轮边评价中保持不变；
步骤202，使用损失函数对待评测边中的每一条边计算得分，一个优选的损失函数为：
其中e是一条边，v是网络结构中的一个节点，Vest是划分的评价集，
是边e加入基准网络结构A重新标准化后的计算矩阵，X是特征矩阵，W是训练参数，c是节点类别标记，ctrue是正确标记，max是求最大函数；
步骤203，计算
的方法是，将e加入A，得到Ae，对Ae使用公式
进行计算，其中D是对角线矩阵，Dii＝∑jAe,ij；
在本实施例中，如图4第三个流程所示，得到每一条边的评价得分；
步骤3，将评价得分最高的若干条边添加到当前网络结构作为更新，将更新后的网络结构作为下一轮的基准网络结构，网络结构更新添加得分最高的边的数量可以调整，更新数量在1到最大可用边数之间，最大可用边数是所有不在当前基准邻接矩阵中的边的数量；
在本实施例中，如图4最右所示，将得分最高的两条边(1，9)和(2，3)进行更新；
步骤4，对更新后的网络结构结合节点特征数据进行网络嵌入模型训练，计算更新后网络结构效果表现是否收敛：如果未收敛，则进入下一轮迭代，重复步骤1-4；如果收敛，终止迭代，进一步的：
步骤401，步骤4中网络嵌入模型使用的一个优选方案是一个两层图卷积神经网络GCN模型，其模型表示为：
其中Z是模型训练的结果，也就是训练结束后的嵌入，Softmax和Relu都是机器学习领域的激励函数，
是标准化后的网络结构矩阵，X是特征矩阵，W1和W2都是训练参数，并基于训练结果得到节点n的类别Ln的公式是：
Ln＝argmaxiZni，
其中Ln是节点n的输出类别，argmax是对函数求参数的函数，Zni是Z中第n个节点在类别i的值；
步骤402，步骤4中效果表现是否收敛的一个优选判断方法是，以当前轮次以及之前20个轮次的最好的表现p1和前20轮之前的最好的效果表现p2相比，若p1更好，则未收敛，否则收敛，效果表现以训练后验证集上的节点分类准确率作为评判标准；
三，边缘云异常检测与预警：
迭代终止时，将在所有轮次中表现最好的基准网络结构，作为最终的网络结构数据，使用步骤401的两层GCN模型对最终网络结构进行训练，得到最终分类结果，产生对边缘云网络中每个计算节点的异常预测结果，将预测结果是异常的节点报告云计算系统进行预警。
本发明提出基于网络结构学习的边缘云异常检测方法，通过对网络结构的学习与优化来更为准确的识别异常的边缘云节点。根据云计算网络的天然连接特性，云计算中心通过对云计算网络和边缘网络的整体掌控，可以将边缘云提取成网络结构，利用网络嵌入技术，挖掘恶意节点潜在的相似性，使入侵检测的效果得到明显提高。常用的网络嵌入技术有图卷积神经网络模型GCN、SGC等。现有的网络嵌入技术也存在网络结构完备性依赖的问题，由于云网络较为稀疏的特性，需要在应用时对网络结构同时进行学习。因此本发明在边缘云异常检测中充分考虑网络结构的特性，同时对网络结构进行学习，提升云计算系统的防护能力，对边缘云的安全保障有重大意义。
综上所述，使用本发明提供的方法，能有效的对云计算系统入侵行为进行检测，对云计算系统中边缘云异常检测有极大的帮助。由于本方法对边缘云网络结构进行计算和学习，比一般方法优势明显。同时本发明提供的方法进行了合理的策略选择和损失函数的设计，可以产生运行速度稳定、运行效果好、适应范围广的结果。因此，本技术具有较高的应用价值。
Claims (8)
1.一种基于网络结构学习的边缘云异常检测方法，其特征在于，包括以下内容：
(1)云计算中心数据采集：
(101)云计算中心根据边缘云计算节点的通信连接信息构造网络拓扑结构；
(102)云计算中心统计边缘云计算节点特征生成节点特征数据；
(2)网络结构学习
对由边缘云构造的网络结构，进行网络结构学习；
(3)边缘云异常检测与预警
负责对边缘云进行预测和预警，网络结构学习终止时，将在所有轮次中表现最好的基准网络结构，作为最终的网络结构数据，使用网络嵌入模型对最终网络结构进行训练，得到最终分类结果，将分类是异常的节点报告云计算系统进行预警。
2.根据权利要求1所述的基于网络结构学习的边缘云异常检测方法，其特征在于，对由边缘云构造的网络结构，进行网络结构学习，采用迭代式训练方法，每一轮迭代中使用以下步骤对网络结构进行学习：
步骤1，对未在当前基准网络结构中的边选取子集，作为待评测边；
步骤2，对所有待评测边使用损失函数进行评价；
步骤3，将评价得分最高的若干条边添加到当前网络结构作为更新，将更新后的网络结构作为下一轮的基准网络结构；
步骤4，对更新后的网络结构进行网络嵌入模型训练，计算更新后网络结构效果表现是否收敛：如果未收敛，则进入下一轮学习，重复步骤1-4；如果收敛，终止训练。
3.根据权利要求2所述的基于网络结构学习的边缘云异常检测方法，其特征在于，步骤1中选取子集的策略包括2种：(1)随机选取，对不在当前基准网络结构中的边进行随机的子集选取；(2)相似度计算选取，使用网络嵌入模型进行训练后得到节点的嵌入表示，使用相似度计算方法计算节点两两之间的相似度，选取部分得分高者作为子集。
4.根据权利要求3所述的基于网络结构学习的边缘云异常检测方法，其特征在于，所述相似度计算方法为余弦相似度计算方法。
5.根据权利要求2所述的基于网络结构学习的边缘云异常检测方法，其特征在于，所述步骤2中所述损失函数为：
其中e是一条边，v是网络结构中的一个节点，Vest是划分的评价集，
是边e加入基准网络结构A重新标准化后的计算矩阵，X是特征矩阵，W是训练参数，c是节点类别标记，ctrue是正确标记，max是求最大函数。
6.根据权利要求5所述的基于网络结构学习的边缘云异常检测方法，其特征在于，所述损失函数中训练参数W的计算使用的网络嵌入模型是一个两层的简化的图卷积神经网络SGC模型，公式为：
其中Z是模型训练的结果，也就是训练结束后的嵌入，Softmax是机器学习领域的一种激励函数，
是标准化后的网络结构矩阵，X是特征矩阵，W在每一轮计算一次，在每一轮边评价中保持不变。
7.根据权利要求2或6所述的基于网络结构学习的边缘云异常检测方法，其特征在于，所述网络嵌入模型使用的是一个两层图卷积神经网络GCN模型，其模型表示为：
其中Z是模型训练的结果，也就是训练结束后的嵌入，Softmax和Relu都是机器学习领域的激励函数，
是标准化后的网络结构矩阵，X是特征矩阵，W1和W2都是训练参数，并基于训练结果得到节点n的类别Ln的公式是：
Ln＝argmaxiZni，
其中Ln是节点n的输出类别，argmax是对函数求参数的函数，Zni是Z中第n个节点在类别i的值。
8.根据权利要求1所述的基于网络结构学习的边缘云异常检测方法，其特征在于，所述边缘云计算节点特征包括边缘云计算机器的ip地址，GPS信息，系统信息，硬件信息，请求的接口，系统调用，实时的网络流量，以及身份信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010312742.3A CN111541685B (zh) | 2020-04-20 | 2020-04-20 | 一种基于网络结构学习的边缘云异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010312742.3A CN111541685B (zh) | 2020-04-20 | 2020-04-20 | 一种基于网络结构学习的边缘云异常检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111541685A true CN111541685A (zh) | 2020-08-14 |
| CN111541685B CN111541685B (zh) | 2021-03-16 |
Family
ID=71975160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010312742.3A Active CN111541685B (zh) | 2020-04-20 | 2020-04-20 | 一种基于网络结构学习的边缘云异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111541685B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183620A (zh) * | 2020-09-27 | 2021-01-05 | 中国科学院自动化研究所 | 基于图卷积神经网络的小样本分类模型的发育方法及系统 |
| CN112286749A (zh) * | 2020-11-23 | 2021-01-29 | 四川长虹电器股份有限公司 | 一种边缘云故障检测的方法 |
| CN113422371A (zh) * | 2021-07-22 | 2021-09-21 | 天津大学 | 一种基于图卷积神经网络的分布式电源就地电压控制方法 |
| CN113705981A (zh) * | 2021-08-03 | 2021-11-26 | 彭亮 | 一种基于大数据的异常监测的方法及装置 |
| CN114650167A (zh) * | 2022-02-08 | 2022-06-21 | 联想(北京)有限公司 | 一种异常检测方法、装置、设备及计算机可读存储介质 |
| CN114760214A (zh) * | 2022-04-21 | 2022-07-15 | 中国地质大学（北京） | 基于边缘-云协作网络的服务异常检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190104138A1 (en) * | 2017-10-04 | 2019-04-04 | New Context Services, Inc. | Autonomous edge device for monitoring and threat detection |
| US20190319863A1 (en) * | 2018-04-12 | 2019-10-17 | Cisco Technology, Inc. | Anomaly detection and correction in wireless networks |
| CN110730140A (zh) * | 2019-10-12 | 2020-01-24 | 西安电子科技大学 | 基于时空特性相结合的深度学习流量分类方法 |
| CN110909865A (zh) * | 2019-11-18 | 2020-03-24 | 福州大学 | 边缘计算中基于分层张量分解的联邦学习方法 |
-
2020
- 2020-04-20 CN CN202010312742.3A patent/CN111541685B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190104138A1 (en) * | 2017-10-04 | 2019-04-04 | New Context Services, Inc. | Autonomous edge device for monitoring and threat detection |
| US20190319863A1 (en) * | 2018-04-12 | 2019-10-17 | Cisco Technology, Inc. | Anomaly detection and correction in wireless networks |
| CN110730140A (zh) * | 2019-10-12 | 2020-01-24 | 西安电子科技大学 | 基于时空特性相结合的深度学习流量分类方法 |
| CN110909865A (zh) * | 2019-11-18 | 2020-03-24 | 福州大学 | 边缘计算中基于分层张量分解的联邦学习方法 |
Non-Patent Citations (2)
| Title |
|---|
| YUANFANG CHEN，ET AL.: "Deep Learning for Secure Mobile Edge Computing in Cyber-Physical Transportation Systems", 《LICENSED AND UNLICENSED SPECTRUM FOR FUTURE 5G/B5G WIRELESS SYSTEMS》 * |
| ZIWEN CAI，ET AL.: "Edge Computing Based Bad Metering Data Detection", 《PREPRINTS OF THE 3RD IEEE CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183620A (zh) * | 2020-09-27 | 2021-01-05 | 中国科学院自动化研究所 | 基于图卷积神经网络的小样本分类模型的发育方法及系统 |
| CN112183620B (zh) * | 2020-09-27 | 2021-04-23 | 中国科学院自动化研究所 | 基于图卷积神经网络的小样本分类模型的发育方法及系统 |
| CN112286749A (zh) * | 2020-11-23 | 2021-01-29 | 四川长虹电器股份有限公司 | 一种边缘云故障检测的方法 |
| CN113422371A (zh) * | 2021-07-22 | 2021-09-21 | 天津大学 | 一种基于图卷积神经网络的分布式电源就地电压控制方法 |
| CN113422371B (zh) * | 2021-07-22 | 2022-05-20 | 天津大学 | 一种基于图卷积神经网络的分布式电源就地电压控制方法 |
| CN113705981A (zh) * | 2021-08-03 | 2021-11-26 | 彭亮 | 一种基于大数据的异常监测的方法及装置 |
| CN113705981B (zh) * | 2021-08-03 | 2022-08-30 | 北京鼎信泰德科技有限公司 | 一种基于大数据的异常监测的方法及装置 |
| CN114650167A (zh) * | 2022-02-08 | 2022-06-21 | 联想(北京)有限公司 | 一种异常检测方法、装置、设备及计算机可读存储介质 |
| CN114760214A (zh) * | 2022-04-21 | 2022-07-15 | 中国地质大学（北京） | 基于边缘-云协作网络的服务异常检测方法 |
| CN114760214B (zh) * | 2022-04-21 | 2023-12-08 | 中国地质大学（北京） | 基于边缘-云协作网络的服务异常检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111541685B (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111541685B (zh) | 一种基于网络结构学习的边缘云异常检测方法 | |
| CN109615116B (zh) | 一种电信诈骗事件检测方法和检测系统 | |
| US10789367B2 (en) | Pre-cognitive security information and event management | |
| CN109389181B (zh) | 电网异常事件的关联规则生成方法及装置 | |
| WO2021232229A1 (zh) | 虚拟场景生成方法、装置、计算机设备和存储介质 | |
| CN112738015A (zh) | 一种基于可解释卷积神经网络cnn与图检测的多步攻击检测方法 | |
| CN102045358A (zh) | 一种基于整合相关性分析与分级聚类的入侵检测方法 | |
| CN104539484A (zh) | 一种动态评估网络连接可信度的方法及系统 | |
| CN113378899B (zh) | 非正常账号识别方法、装置、设备和存储介质 | |
| CN111970259B (zh) | 一种基于深度学习的网络入侵检测方法和报警系统 | |
| Xiao et al. | Network security situation prediction method based on MEA-BP | |
| CN114513367B (zh) | 基于图神经网络的蜂窝网络异常检测方法 | |
| CN116668083A (zh) | 一种网络流量异常检测方法及系统 | |
| CN111680167A (zh) | 一种服务请求的响应方法及服务器 | |
| CN113343123A (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
| Wang et al. | Local outlier detection based on information entropy weighting | |
| CN116737850A (zh) | Apt实体关系预测的图神经网络模型训练方法 | |
| CN117240523A (zh) | 一种基于结构信息原理的网络欺骗账户的检测方法 | |
| CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
| CN113254672B (zh) | 异常账号的识别方法、系统、设备及可读存储介质 | |
| CN113132414B (zh) | 一种多步攻击模式挖掘方法 | |
| CN114970694A (zh) | 一种网络安全态势评估方法及其模型训练方法 | |
| CN114915446A (zh) | 一种融合先验知识的智能网络安全检测方法 | |
| Sheng et al. | Network traffic anomaly detection method based on chaotic neural network | |
| CN115632848A (zh) | 一种入侵检测方法及系统 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220119 Address after: 250014 No. 41-1 Qianfo Shandong Road, Jinan City, Shandong Province Patentee after: SHANDONG CVIC SOFTWARE ENGINEERING Co.,Ltd. Address before: 210046 Xianlin Avenue 163, Qixia District, Nanjing City, Jiangsu Province Patentee before: NANJING University |
|
| TR01 | Transfer of patent right |