CN111885213A - 一种基于门控卷积变分自编码器的IPv6地址发现方法和装置 - Google Patents
一种基于门控卷积变分自编码器的IPv6地址发现方法和装置 Download PDFInfo
- Publication number
- CN111885213A CN111885213A CN202010518000.6A CN202010518000A CN111885213A CN 111885213 A CN111885213 A CN 111885213A CN 202010518000 A CN202010518000 A CN 202010518000A CN 111885213 A CN111885213 A CN 111885213A
- Authority
- CN
- China
- Prior art keywords
- address
- encoder
- variational self
- gated
- ipv6
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L2101/00—Indexing scheme associated with group H04L61/00
- H04L2101/60—Types of network addresses
- H04L2101/618—Details of network addresses
- H04L2101/659—Internet protocol version 6 [IPv6] addresses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种基于门控卷积变分自编码器的IPv6地址发现方法和装置。该方法利用门控卷积层构建变分自编码器,得到门控卷积变分自编码器;对门控卷积变分自编码器进行训练,训练过程中通过编码器学习输入地址的分布,然后采样潜向量并通过解码器重构新的地址表示;将训练完成的解码器用作生成器,用以批量生成预测的活跃IPv6地址。本发明使用门控卷积网络来构建变分自编码器,在关注地址重要性标志的同时能够发现地址位之间的潜在关系;本发明提出了两种地址分类方法,即手工分类方法和无监督聚类方法,能够有效提升模型效果;相比于现有技术,本发明能够在有限数据集下生成更多的活跃目标。
Description
技术领域
本发明属于网络技术领域,具体涉及一种基于门控卷积变分自编码器的IPv6地址发现方法和装置。
背景技术
在网络测量任务中,为了发现网络中的活动主机并判断其活动状态,研究人员通常使用网络扫描方法主动检测网络空间中存在的所有主机。系统通过发送请求数据包并等待直到从主机接收响应数据包来确认主机处于活动状态。但是,IPv6包含相当大的地址空间。当前的扫描器例如Zmap,Masscan等无法完成整个IPv6网络空间的扫描。
解决此问题的最先进方法是使用IPv6目标生成技术。该技术需要一组活动的IPv6种子地址作为输入,并学习种子地址的结构以生成可能的活动的IPv6目标候选集。由于IPv6地址的语义是不透明的,因此难以推断真实主机的IPv6地址结构或对寻址方案进行有效的分析。
当前最先进的目标生成算法是Entropy/IP和6Gen,但他们通过贝叶斯网络的熵模型和确定的密度聚类算法人为先验地提取目标,确定的模型可能对不同的数据集模式造成影响,因此其效果在不同数据集下有很大差别。同时,在大规模数据集下时,由于其算法的特点训练往往需要花费超长的时间。
深度神经网络常用于批量处理大数据任务,模型往往能够通过训练自适应种子数据集,因此对所有数据集得到更大范围的通用性。变分自编码器是典型的生成模型,其通过采样压缩向量并最终还原得到与原始样本非常相近的文本或图像,这与IPv6地址迭代生成的思想非常相似。门控卷积单元由Dauphin等人提出,其卷积和门控机制能够有效学习文本结构的同时指出文本的关联性,这对IPv6地址结构学习非常有帮助。
发明内容
本发明的目的在于提供一种基于门控卷积变分自编码器的IPv6地址发现方法和装置。
本发明首次使用深度神经网络来解决IPv6地址生成问题,也即IPv6地址发现问题(生成的IPv6地址即发现的IPv6地址)。本发明构建了一个全新的模型6GCVAE,它结合门控卷积网络和变分自编码器来完成IPv6地址生成这一任务。同时,本发明使用两种地址分类的方法(手工分类和无监督聚类)帮助模型进行效果调优,其结果证明这两种方法能够帮助深度学习模型更好地适应原始数据集。通过两个数据集的对比实验,本发明的模型优于传统的变分自编码器模型和当前前沿的地址生成技术Entropy/IP。
本发明采用的技术方案如下:
一种用于IPv6地址发现的门控卷积变分自编码器的构建方法,包括以下步骤:
利用门控卷积层构建变分自编码器,得到门控卷积变分自编码器;
对门控卷积变分自编码器进行训练,训练过程中通过编码器学习输入地址的分布,然后采样潜向量并通过解码器重构新的地址表示;
将训练完成的解码器用作生成器,用以批量生成预测的活跃IPv6地址。
进一步地,所述编码器包括两个门控卷积层和一个平均池化层,在每个门控卷积层之间使用残差连接,在平均池化层之后使用两个全连接层训练均值和方差来学习输入样本的分布;对所述均值和方差采样以计算得到潜向量。
进一步地,所述解码器包括门控卷积层、全连接层和softmax激活函数,在对潜向量采样之后使用全连接层调整其大小以作为解码器的门控卷积层的输入,然后通过解码器的全连接层和softmax激活函数获得重构的地址向量。
进一步地,在所述门控卷积变分自编码器的训练过程中,通过地址分类进行效果调优;所述地址分类包括下列中的一种或两种:手工分类、无监督聚类。
进一步地,所述手工分类将地址分为四个类别,包括:具有固定接口标识符的地址,具有低64位结构化值的地址,基于以太网MAC地址的IID地址,具有伪随机IID的隐私地址;所述无监督聚类包括:定义输入地址集中第i位字符x出现的概率为Pxi,通过计算地址每一位的熵值H(Xi),得到地址集的熵指纹F;对每个/32前缀网络地址集中的地址的第9到32位进行该算法计算得到每个/32前缀网络的熵指纹F;使用k-means算法对每个/32前缀网络的熵指纹进行聚类以发现相似熵指纹类别。
一种基于门控卷积变分自编码器的IPv6地址发现方法,利用本发明方法构建的门控卷积变分自编码器中的生成器,批量生成预测的IPv6地址。
进一步地,所述生成器以标准正态分布对潜向量进行采样来作为输入样本,最终输出预测的IPv6地址,通过设置采样数量来控制期望生成的目标数量。
一种基于门控卷积变分自编码器的IPv6地址发现装置,其包括:
门控卷积变分自编码器构建模块,用于采用本发明方法构建门控卷积变分自编码器;
IPv6地址发现模块,用于利用构建的门控卷积变分自编码器中的生成器,批量生成预测的IPv6地址。
本发明的关键点包括:
1)本发明首次提出使用深度神经网络来解决IPv6地址生成问题。
2)本发明使用两种数据挖掘的方法对数据进行模式分析,帮助发掘IPv6地址模式以有效提升模型效果。
3)本发明构造了新模型6GCVAE,在两个数据集上证明其效果均好于传统的变分自编码器模型和当前前沿的地址生成技术。
利用本发明提供的基于门控卷积变分自编码器的IPv6地址发现方法,具有如下优点:
1)本发明使用门控卷积网络来构建变分自编码器,其方法包括门控部分和卷积部分。门控部分可以有效帮助监督IPv6地址每一位的重要性,卷积部分提高了模型对地址每一位与前后位之间关系的敏感性。这使本发明的模型在关注地址重要性标志的同时能够发现地址位之间的潜在关系。
2)本发明提出了两种地址分类方法,即手工分类方法和无监督聚类方法,使用这两种地址分类方法能够有效提升模型效果。
3)相比于传统变分自编码器模型和前沿的地址生成技术Entropy/IP,本发明能够在有限数据集下生成更多的活跃目标。
附图说明
图1是基于门控卷积变分自编码器的IPv6地址发现方法框架图。
图2是实施例中基于门控卷积变分自编码器的IPv6地址发现装置的模块构成示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面通过具体实施例和附图,对本发明做进一步详细说明。
本实施例提供的基于门控卷积变分自编码器的IPv6地址发现方法,包括以下几个技术步骤:
1.方法
1)6GCVAE
本发明构建的模型6GCVAE依靠堆叠门控卷积层来构建变分自编码器。本发明删除每个IPv6地址中的冒号并保留十六进制作为样本输入,例如20010db8002000030000000000000301。地址由32位字符组成,由于每位字符可能是0-f之一,字母表大小为16(本发明地址均采用十六进制表示)。如图1所示,在输入嵌入层(Input Embedding)后,模型得到大小为32×16的输入向量表示。模型期望生成的地址不断接近输入地址以产生新的可能的活动目标。为了实现该目标,要求模型通过编码器学习输入分布,采样潜向量并通过解码器重构新的地址表示,训练后的模型将通过生成器批量生成预测的活跃目标。
a)编码器
本发明使用两个门控卷积层(Gated Conv)和一个平均池化层(Avg Pooling)堆栈作为模型的编码器,如图1所示。为了保持原始输入的记忆,本发明在每个门控卷积层之间使用了残差连接。最后本发明使用两个全连接层(fc)训练均值(μ)和方差(σ)来学习输入样本的分布。图1中的σ(x)表示Sigmoid函数,即门控卷积层的门控部分,它通过该函数的返回值控制门控卷积层的卷积部分的输出。
b)解码器
为了确保模型可以从潜在空间的任何点采样并仍然产生有效且多样化的输出,模型通过按照学习的均值和方差采样以计算得到潜向量,即解码器的输入部分。解码器由门控卷积层、全连接层和softmax激活函数组成,如图1所示。在对潜向量采样之后模型使用全连接层将其大小调整为32×16以作为门控卷积层的输入。最后,解码器通过全连接层和softmax激活函数获得重构的地址向量。
其中,潜向量是指变分自编码器通过编码器降维学习得到的压缩表示向量,该向量具有原始输入的全部特征。
其中,按照学习的均值和方差采样是指变分自编码器将模型学习的均值和方差逼近于标准正态分布,在该分布下将对潜向量进行随机采样以构成解码器的输入部分。
c)生成器
训练结束后,本发明将训练好的解码器用作生成器以批量生成地址。通过以标准正态分布对潜向量进行采样,将采样结果作为输入样本,最终生成器将输出理想的预测目标(即预测的IPv6地址)。模型通过设置采样数量N来控制期望生成的目标数量。
2)地址分类方法
由于IPv6地址包括多种寻址方式,其通常混杂于生成算法的训练集之中。将具有不同结构模式的种子进行提前分类(不同结构模式指IPv6包含多种寻址方式,寻址方式不同导致地址组成的不同,例如EUI-64地址存在fffe标志,SLAAC Privacy地址后64位使用完全伪随机)能够有助于提升模型对地址的不同结构的学习效果,并且可能生成更接近真实结构模式的地址,该地址具有更大可能的活跃性。本发明将介绍两种地址模式分类方法——手工分类和无监督聚类。
a)手工分类
手工分类将地址分为四个类别,包括具有固定接口标识符的地址Fixed IID,具有低64位结构化值的地址Low 64-bit subnet,基于以太网MAC地址的IID(接口标识符)地址SLAAC EUI-64,具有伪随机IID的隐私地址SLAAC Privacy。手工分类方法对活动种子集进行特征匹配,以估计种子所属的地址类别:
i.Fixed IID:地址后16位具有唯一连续0,估计其可能后32位只由固定IID组成。
ii.Low 64-bit subnet:地址后16位中具有分段的连续0,认为其可能由子网标识符和接口标识符组成。
iii.SLAAC EUI-64:地址的第23-26位为fffe。
iv.SLAAC Privacy:统计后16位的随机性,计算熵值较高者认为其为伪随机IID。
b)无监督聚类
定义输入地址集中第i位字符x出现的概率为Pxi,通过计算地址每一位的熵值H(Xi),可得到地址集的熵指纹F:
F=(H(Xa),…,H(Xi),…,H(Xb))
其中a和b分别指计算地址的开始位和结束位。该方法对每个/32前缀网络地址集(/32,为IPv6地址前缀长度的通用表示,即表示前缀长度为32位的IPv6地址,/32前缀网络地址集即表示前8位相同的十六进制地址组成的地址集)中的地址的第9到32位进行该算法计算得到每个/32前缀网络的熵指纹F。随后该方法使用k-means算法对每个/32前缀网络的熵指纹进行聚类以发现相似熵指纹类别。
2.数据集
本发明的实验数据集主要来自于两部分,即每日更新的公开数据集IPv6 Hitlist以及真实在线数据集CERN 2018。公开数据集IPv6 Hitlist来自于Gasser等人扫描IPv6公开列表提供的每日活跃地址的扫描数据。与此同时,实验中在2018年3月-2018年7月在中国教育网下被动收集地址集并持续进行扫描跟踪,将到2019年1月19日为止仍活跃的IP作为数据集CERN 2018。最终,本实验共收集了3,157,675个公开活跃地址和90,010个被动收集的活跃地址。
3.评估标准
为对生成地址的活跃性进行评估,本发明使用Zmap工具的v6扩展对生成地址进行ICMPv6,TCP/80,TCP/443,UDP/53,UDP/443扫描,当任意扫描方法发出的询问得到响应时,即将该地址判定为活跃的。由于不同时间主机时活跃性存在差别,本发明保持在3天内对主机的持续扫描工作,以保证方法的准确性。
4.本发明的实例:
实例1地址分类实验
本发明对地址分类进行了实验,表1分别显示了未使用地址分类方法,使用手工分类和无监督聚类后的模型效果。实验在三种方法上使用了公开数据集IPv6 Hitlist作为训练种子集并进行扫描以确定活跃目标。
实验中将IPv6 Hitlist数据集作为种子集进行训练,训练结束后通过十万次采样后使用生成器生成候选目标。本实验去除重复的候选目标,最终获得有效的生成地址目标。实验表明地址分类方法确实能够提高模型的生成效果。其中,生成地址最多的分别是手工分类的Fixed IID和无监督聚类的Cluster 1。然而Low 64-bit subnet,SLAAC EUI-64和聚类的后几类由于地址结构复杂或数据量少的缘故显示较少生成个数。
表1地址分类实验对比结果
实例2模型对比实验
本实验将6GCVAE与传统变分自编码器和目前前沿的地址生成算法Entropy/IP进行了对比。表2显示了对比结果。
为了验证6GCVAE的优点,本实验通过替换6GCVAE的关键组件门控卷积层来构建传统变分自编码器模型,并将它们与本发明进行了比较。在使用IPv6 Hitlist数据集训练模型后,实验生成1,000,000个样本进行比较。实验表明,由于前馈神经网络无法很好地捕获语义信息,因此FNN VAE难以完成IPv6目标生成任务。RNN VAE和Convolutional VAE仅关注序列关系或结构信息,因此生成数较少。通过将简单的RNN层提升为LSTM或GRU,模型的性能优于RNN VAE。最后,由于学习了地址的关键段结构和段关系信息,6GCVAE在此任务下表现最佳。
Entropy/IP是目前最先进的地址生成工具,它也可以有效地生成活动的IPv6目标。本实验通过训练模型比较了6GCVAE与Entropy/IP的效果,并同样采样了1,000,000次以生成目标。实验结果表明,本发明的模型优于Entropy/IP。
表2模型对比结果
基于同一发明构思,本发明的另一个实施例提供一种基于门控卷积变分自编码器的IPv6地址发现装置,如图2所示,其包括:
门控卷积变分自编码器构建模块,用于采用本发明方法构建门控卷积变分自编码器;
IPv6地址发现模块,用于利用构建的门控卷积变分自编码器中的生成器,批量生成预测的IPv6地址。
基于同一发明构思,本发明的另一个实施例提供一种电子装置(计算机、服务器、智能手机等),其包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行本发明方法中各步骤的指令。
基于同一发明构思,本发明的另一个实施例提供一种计算机可读存储介质(如ROM/RAM、磁盘、光盘),所述计算机可读存储介质存储计算机程序,所述计算机程序被计算机执行时,实现本发明方法的各个步骤。
以上公开的本发明的具体实施例和附图,其目的在于帮助理解本发明的内容并据以实施,本领域的普通技术人员可以理解,在不脱离本发明的精神和范围内,各种替换、变化和修改都是可能的。本发明不应局限于本说明书的实施例和附图所公开的内容,本发明的保护范围以权利要求书界定的范围为准。
Claims (10)
1.一种用于IPv6地址发现的门控卷积变分自编码器的构建方法,其特征在于,包括以下步骤:
利用门控卷积层构建变分自编码器,得到门控卷积变分自编码器;
对门控卷积变分自编码器进行训练,训练过程中通过编码器学习输入地址的分布,然后采样潜向量并通过解码器重构新的地址表示;
将训练完成的解码器用作生成器,用以批量生成预测的活跃IPv6地址。
2.根据权利要求1所述的方法,其特征在于,所述编码器包括两个门控卷积层和一个平均池化层,在每个门控卷积层之间使用残差连接,在平均池化层之后使用两个全连接层训练均值和方差来学习输入样本的分布;对所述均值和方差采样以计算得到潜向量。
3.根据权利要求1所述的方法,其特征在于,所述解码器包括门控卷积层、全连接层和softmax激活函数,在对潜向量采样之后使用全连接层调整其大小以作为解码器的门控卷积层的输入,然后通过解码器的全连接层和softmax激活函数获得重构的地址向量。
4.根据权利要求1所述的方法,其特征在于,在所述门控卷积变分自编码器的训练过程中,通过地址分类进行效果调优;所述地址分类包括下列中的一种或两种:手工分类、无监督聚类。
5.根据权利要求4所述的方法,其特征在于:所述手工分类将地址分为四个类别,包括:具有固定接口标识符的地址,具有低64位结构化值的地址,基于以太网MAC地址的IID地址,具有伪随机IID的隐私地址;所述无监督聚类包括:定义输入地址集中第i位字符x出现的概率为Pxi,通过计算地址每一位的熵值H(Xi),得到地址集的熵指纹F;对每个/32前缀网络地址集中的地址的第9到32位进行该算法计算得到每个/32前缀网络的熵指纹F;使用k-means算法对每个/32前缀网络的熵指纹进行聚类以发现相似熵指纹类别。
6.一种基于门控卷积变分自编码器的IPv6地址发现方法,其特征在于,利用权利要求1~5中任一权利要求所述方法构建的门控卷积变分自编码器中的生成器,批量生成预测的IPv6地址。
7.根据权利要求6所述的方法,其特征在于,所述生成器以标准正态分布对潜向量进行采样来作为输入样本,最终输出预测的IPv6地址,通过设置采样数量来控制期望生成的目标数量。
8.一种基于门控卷积变分自编码器的IPv6地址发现装置,其特征在于,包括:
门控卷积变分自编码器构建模块,用于采用权利要求1~5中任一权利要求所述方法构建门控卷积变分自编码器;
IPv6地址发现模块,用于利用构建的门控卷积变分自编码器中的生成器,批量生成预测的IPv6地址。
9.一种电子装置,其特征在于,包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行权利要求1~7中任一权利要求所述方法的指令。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机程序,所述计算机程序被计算机执行时,实现权利要求1~7中任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518000.6A CN111885213A (zh) | 2020-06-09 | 2020-06-09 | 一种基于门控卷积变分自编码器的IPv6地址发现方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010518000.6A CN111885213A (zh) | 2020-06-09 | 2020-06-09 | 一种基于门控卷积变分自编码器的IPv6地址发现方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111885213A true CN111885213A (zh) | 2020-11-03 |
Family
ID=73157805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010518000.6A Pending CN111885213A (zh) | 2020-06-09 | 2020-06-09 | 一种基于门控卷积变分自编码器的IPv6地址发现方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111885213A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609766A (zh) * | 2021-07-29 | 2021-11-05 | 浙江科技学院 | 一种基于深度概率潜隐模型的软测量方法 |
CN116499607A (zh) * | 2023-06-27 | 2023-07-28 | 之江实验室 | 一种光纤传感信号降噪方法、装置和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180191846A1 (en) * | 2015-06-02 | 2018-07-05 | GeoFrenzy, Inc. | Geofence Information Delivery Systems and Methods |
CN108960347A (zh) * | 2018-03-28 | 2018-12-07 | 中国科学院软件研究所 | 一种卷积神经网络手写体识别排序稳定性的效果评估系统及方法 |
CN109543838A (zh) * | 2018-11-01 | 2019-03-29 | 浙江工业大学 | 一种基于变分自编码器的图像增量学习方法 |
CN110809066A (zh) * | 2019-09-30 | 2020-02-18 | 奇安信科技集团股份有限公司 | IPv6地址生成模型创建方法、装置及地址生成方法 |
CN110896381A (zh) * | 2019-11-25 | 2020-03-20 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的流量分类方法、系统及电子设备 |
CN110928576A (zh) * | 2018-09-20 | 2020-03-27 | 中兴通讯股份有限公司 | 一种卷积神经网络的卷积处理方法、装置及存储介质 |
-
2020
- 2020-06-09 CN CN202010518000.6A patent/CN111885213A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180191846A1 (en) * | 2015-06-02 | 2018-07-05 | GeoFrenzy, Inc. | Geofence Information Delivery Systems and Methods |
CN108960347A (zh) * | 2018-03-28 | 2018-12-07 | 中国科学院软件研究所 | 一种卷积神经网络手写体识别排序稳定性的效果评估系统及方法 |
CN110928576A (zh) * | 2018-09-20 | 2020-03-27 | 中兴通讯股份有限公司 | 一种卷积神经网络的卷积处理方法、装置及存储介质 |
CN109543838A (zh) * | 2018-11-01 | 2019-03-29 | 浙江工业大学 | 一种基于变分自编码器的图像增量学习方法 |
CN110809066A (zh) * | 2019-09-30 | 2020-02-18 | 奇安信科技集团股份有限公司 | IPv6地址生成模型创建方法、装置及地址生成方法 |
CN110896381A (zh) * | 2019-11-25 | 2020-03-20 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的流量分类方法、系统及电子设备 |
Non-Patent Citations (2)
Title |
---|
TIANYU CUI ET: "6GCVAE:Gated Convolutional Variational Autoencoder for IPv6 Target Generation", 《PAKDD 2020 ADVANCES IN KNOWLEDGE DISCOVERY AND DATA MINING》 * |
TIANYU CUI ET: "A Comprehensive Study of Accelerating IPv6 Deployment", 《2019 IEEE 38TH INTERNATIONAL PERFORMANCE COMPUTING AND COMMUNICATIONS CONFERENCE (IPCCC)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609766A (zh) * | 2021-07-29 | 2021-11-05 | 浙江科技学院 | 一种基于深度概率潜隐模型的软测量方法 |
CN113609766B (zh) * | 2021-07-29 | 2024-05-17 | 浙江科技学院 | 一种基于深度概率潜隐模型的软测量方法 |
CN116499607A (zh) * | 2023-06-27 | 2023-07-28 | 之江实验室 | 一种光纤传感信号降噪方法、装置和存储介质 |
CN116499607B (zh) * | 2023-06-27 | 2023-09-08 | 之江实验室 | 一种光纤传感信号降噪方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Ressl: Relational self-supervised learning with weak augmentation | |
Mathieu et al. | Disentangling factors of variation in deep representation using adversarial training | |
WO2020238353A1 (zh) | 数据处理方法和装置、存储介质及电子装置 | |
CN111885213A (zh) | 一种基于门控卷积变分自编码器的IPv6地址发现方法和装置 | |
CN110334488B (zh) | 基于随机森林模型的用户认证口令安全评估方法及装置 | |
Jiang et al. | Variational deep embedding: A generative approach to clustering | |
Ansari et al. | Hyperprior induced unsupervised disentanglement of latent representations | |
CN109033833B (zh) | 一种基于多特征与特征选择的恶意代码分类方法 | |
Cui et al. | 6gcvae: Gated convolutional variational autoencoder for ipv6 target generation | |
Tian et al. | Discretization-aware architecture search | |
Latombe et al. | Fast learning of grammar production probabilities in radar electronic support | |
CN112651227A (zh) | 一种基于向量空间下语言建模的IPv6目标生成方法和装置 | |
Qing et al. | A multi-label neural network approach to solving connected CAPTCHAs | |
CN108810551B (zh) | 一种视频帧预测方法、终端及计算机存储介质 | |
Cao et al. | An Empirical Study on Disentanglement of Negative-free Contrastive Learning | |
JP2008152619A (ja) | データ処理装置およびデータ処理プログラム | |
CN116451111A (zh) | 一种基于去噪对比学习的鲁棒跨域自适应分类方法 | |
Wang et al. | Hrrp data augmentation using generative adversarial networks | |
CN113554145B (zh) | 确定神经网络的输出的方法、电子设备和计算机程序产品 | |
CN115168326A (zh) | Hadoop大数据平台分布式能源数据清洗方法及系统 | |
Bala et al. | Shape analysis using morphological processing and genetic algorithms | |
Xue et al. | Fast and unsupervised neural architecture evolution for visual representation learning | |
Parihar et al. | SketchFormer: transformer-based approach for sketch recognition using vector images | |
Chen et al. | [Retracted] Multicategory Image Recognition Based on Image Semantic Features and Transformer | |
CN112949590A (zh) | 一种跨域行人重识别模型构建方法及构建系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201103 |