CN112633763B - 一种基于人工神经网络ANNs的等级保护风险研判方法 - Google Patents
一种基于人工神经网络ANNs的等级保护风险研判方法 Download PDFInfo
- Publication number
- CN112633763B CN112633763B CN202011639105.3A CN202011639105A CN112633763B CN 112633763 B CN112633763 B CN 112633763B CN 202011639105 A CN202011639105 A CN 202011639105A CN 112633763 B CN112633763 B CN 112633763B
- Authority
- CN
- China
- Prior art keywords
- risk
- security
- anns
- evaluation
- vector
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 48
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000004806 packaging method and process Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000009430 construction management Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000011158 quantitative evaluation Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 14
- 230000029087 digestion Effects 0.000 abstract description 12
- 230000009471 action Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 15
- 238000012502 risk assessment Methods 0.000 description 4
- 230000007123 defense Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及计算机信息处理技术领域，具体为一种基于人工神经网络ANNs的等级保护风险研判方法，所述方法对等级保护风险研判指标进行量化，主要利用TSNE和ANNs方法，通过对风险指标在多个维度上分布的降维特征的识别，自动获得相应风险值及所处风险区间；同时，利用专家知识，对安全设备、安全管理措施等风险消解手段的作用范围和风险消解能力进行标记，自动与输出的风险值、风险区间进行匹配，获得最佳的安全防护方案。本发明打破传统等级保护风险研判通过打分表获得风险等级的方式，大幅提等级保护风险研判的处理速度，并在一定程度上实现安全防护方案的自动化输出，改变传统打分表及专家人工研判效率较低，专家知识难以复用的弊端。
Description
技术领域
本发明涉及计算机信息处理技术领域，具体为一种基于人工神经网络ANNs的等级保护风险研判方法。
背景技术
从信息安全的角度来讲，风险研判是对信息资产所面临的威胁、存在的弱点、造成的影响，以及三者综合作用所带来风险的可能性的评估。作为风险管理的基础，风险研判是组织确定信息安全需求的一个重要途径，属于组织信息安全管理体系策划的过程。所以其实风险评估是等级保护的一种手段。国内这几年对信息安全风险研从早期简单的漏洞扫描、人工审计、渗透性测试这种类型的纯技术操作，逐渐过渡到目前普遍采用BS7799、OCTAVE、NIST SP800-26、NIST SP800-30、AS/NZS4360、SSE-CMM等方法，充分体现以资产为出发点、以威胁为触发、以技术/管理/运行等方面存在的脆弱性为诱因的信息安全风险评估综合方法及操作模型。
现有的等级保护风险研判方法还是以人工研判为主，在等级保护的范围大幅扩大，纵深防御、精细防御要求不断深化的背景下，现有的研判方法已无法适应。
因此，急需一种基于人工神经网络ANNs的等级保护风险研判方法，利用TSNE和ANNs方法，通过对风险指标在多个维度上分布的降维特征的识别，能够实现快速的等级保护风险研判，提高研判效率，减少专家使用成本。
发明内容
本发明的目的在于提供一种基于人工神经网络ANNs的等级保护风险研判方法，利用TSNE和ANNs方法，通过对风险指标在多个维度上分布的降维特征的识别，自动获得相应风险值及所处风险区间。同时，利用专家知识，对安全设备、安全管理措施等风险消解手段的作用范围和风险消解能力进行标记，自动与输出的风险值、风险区间进行匹配，获得最佳的安全防护方案。
一种基于人工神经网络ANNs的等级保护风险研判方法，所述风险研判方法包括以下步骤：
S1：对等级保护所涉及10个安全类，包括安全物理环境、安全通信网络、安全区域边界、安全计算环境、安全管理中心、安全管理制度、安全管理机构、安全管理人员、安全建设管理、安全运维管理中的各控制点的测评指标进行量化，形成评估因子；
S2：对评估因子进行量化评估，获得多维评估向量组；
S3： 利用Matlab工具包编写TSNE降维程序、dbscan聚类程序、inflation膨胀程序，通过deploytool命令进行打包部署；
S4：S2所述评估向量组作为输入数据，通过TSNE降维后输出低维数据向量分组；各向量分组通过dbscan密度调节去除噪声，获得核心向量集；对核心向量集进行膨胀运算，以填补聚类去噪时可能缺失的连接，并平滑向量集形态包络面；
S5: 利用Tensorflow编写程序，对专家标记的历史数据集进行学习，将学习结果模型打包部署，利用学习所得模型识别S4所述各向量分组，获得相应风险值；
S6：安全专家对安全风险消解范围及消解程度进行标记，系统量化后针对每种安全措施形成安全风险消解象限；
S7：对风险散点包络面与设备、安全管理措施等安全覆盖象限进行匹配，输出安全防护方案。
进一步的，S2中所述的量化评估标准包括管理资产等级、脆弱性等级、威胁安全级别的一个或多个。
进一步的，S6中所述的安全风险评估对象指的是安全设备、安全管理措施。
进一步的，S7中所述的安全防护方案可根据用户所选的风险消解程度及消解范围输出对应的安全防护方案。
与现有技术相比，本发明的有益效果是：
综上，本发明所述的一种基于人工神经网络ANNs的等级保护风险研判方法，对等级保护风险研判指标进行量化，主要利用TSNE和ANNs方法，通过对风险指标在多个维度上分布的降维特征的识别，自动获得相应风险值及所处风险区间；同时，利用专家知识，对安全设备、安全管理措施等风险消解手段的作用范围和风险消解能力进行标记，自动与输出的风险值、风险区间进行匹配，获得最佳的安全防护方案。本发明打破传统等级保护风险研判通过打分表获得风险等级的方式，大幅提等级保护风险研判的处理速度，并在一定程度上实现安全防护方案的自动化输出，改变传统打分表及专家人工研判效率较低，专家知识难以复用的弊端。
附图说明
图1为本发明一种基于人工神经网络ANNs的等级保护风险研判方法的逻辑流程框图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于人工神经网络ANNs的等级保护风险研判方法，所述风险研判方法包括以下步骤：
S1：对等级保护所涉及10个安全类，包括安全物理环境、安全通信网络、安全区域边界、安全计算环境、安全管理中心、安全管理制度、安全管理机构、安全管理人员、安全建设管理、安全运维管理中的各控制点的测评指标进行量化，形成评估因子；
S2：对评估因子进行量化评估，获得多维评估向量组；
S3： 利用Matlab工具包编写TSNE降维程序、dbscan聚类程序、inflation膨胀程序，通过deploytool命令进行打包部署；
S4：S2所述评估向量组作为输入数据，通过TSNE降维后输出低维数据向量分组；各向量分组通过dbscan密度调节去除噪声，获得核心向量集；对核心向量集进行膨胀运算，以填补聚类去噪时可能缺失的连接，并平滑向量集形态包络面；
S5: 利用Tensorflow编写程序，对专家标记的历史数据集进行学习，将学习结果模型打包部署，利用学习所得模型识别S4所述各向量分组，获得相应风险值；
S6：安全专家对安全风险消解范围及消解程度进行标记，系统量化后针对每种安全措施形成安全风险消解象限；
S7：对风险散点包络面与设备、安全管理措施等安全覆盖象限进行匹配，输出安全防护方案。
优选的，S2中所述的量化评估标准包括管理资产等级、脆弱性等级、威胁安全级别的一个或多个。
优选的，S6中所述的安全风险评估对象指的是安全设备、安全管理措施。
优选的，S7中所述的安全防护方案可根据用户所选的风险消解程度及消解范围输出对应的安全防护方案。
工作原理：
一种基于人工神经网络ANNs的等级保护风险研判方法
（1）、根据不同模型，采集多组相关资产信息及其对应多个风评要素的多组评估因子，在资产等级、脆弱性等级、威胁安全级别等多维度的评估值；
（2）、通过TSNE获得多维评估值高维特征后映射至低维度，获得低维数据向量；
（3）、对TSNE输出数据向量分组，获得向量子集，对每个子集进行dbscan聚类，完成去噪后将子集中的最大密度向量重新构造为核心向量集，为了提高后续识别精度，对核心向量集进行膨胀运算，以填补聚类去噪时可能缺失的连接，并平滑形态包络；
（4）、完成分组的核心向量集，交与ANNs识别模块（参见神经网络模块的搭建），根据相关类别训练模型与核心向量集逐一匹配，返回相关度最高的风险等级及建议的安全防护方案；
（5）、专家根据核心向量集所处象限，为向量集并打上相应类别标签，并在新增一定量的新数据后再次启动ANNs模块的训练进程，提高后续识别的评估精度。
LeNet在识别数字和字母可以取得较好的精度，本发明中将该ANNs方法用于识别降维后的风险多维维向量集点阵，多维向量集点阵特征与数字与字母的像素组合相比，分类任务更多，而且其图像包络辨识度相比文字识别更低为了平衡识别准确率与识别效率，本发明基于LeNet网络结构进行了改进。
本发明对等级保护风险研判指标进行量化，主要利用TSNE和ANNs方法，通过对风险指标在多个维度上分布的降维特征的识别，自动获得相应风险值及所处风险区间；同时，利用专家知识，对安全设备、安全管理措施等风险消解手段的作用范围和风险消解能力进行标记，自动与输出的风险值、风险区间进行匹配，获得最佳的安全防护方案。本发明打破传统等级保护风险研判通过打分表获得风险等级的方式，大幅提等级保护风险研判的处理速度，并在一定程度上实现安全防护方案的自动化输出，改变传统打分表及专家人工研判效率较低，专家知识难以复用的弊端。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于人工神经网络ANNs的等级保护风险研判方法，其特征在于：所述风险研判方法包括以下步骤：
S1：对等级保护所涉及10个安全类，包括安全物理环境、安全通信网络、安全区域边界、安全计算环境、安全管理中心、安全管理制度、安全管理机构、安全管理人员、安全建设管理、安全运维管理中的各控制点的测评指标进行量化，形成评估因子；
S2：对评估因子进行量化评估，获得多维评估向量组；
S3： 利用Matlab工具包编写TSNE降维程序、dbscan聚类程序、inflation膨胀程序，通过deploytool命令进行打包部署；
S4：S2所述评估向量组作为输入数据，通过TSNE降维后输出低维数据向量分组；各向量分组通过dbscan密度调节去除噪声，获得核心向量集；对核心向量集进行膨胀运算，以填补聚类去噪时可能缺失的连接，并平滑向量集形态包络面；
S5: 利用Tensorflow编写程序，对专家标记的历史数据集进行学习，将学习结果模型打包部署，利用学习所得模型识别S4所述各向量分组，获得相应风险值；
S6：安全专家对安全风险消解范围及消解程度进行标记，系统量化后针对每种安全措施形成安全风险消解象限；
S7：对风险散点包络面与设备、安全管理措施的安全覆盖象限进行匹配，输出安全防护方案；
还包括：
根据不同模型，采集多组相关资产信息及其对应多个风评要素的多组评估因子，在资产等级、脆弱性等级、威胁安全级别的多维度的评估值；
通过TSNE获得多维评估值高维特征后映射至低维度，获得低维数据向量；
对TSNE输出数据向量分组，获得向量子集，对每个子集进行dbscan聚类，完成去噪后将子集中的最大密度向量重新构造为核心向量集，为了提高后续识别精度，对核心向量集进行膨胀运算，以填补聚类去噪时可能缺失的连接，并平滑形态包络；
完成分组的核心向量集，交与ANNs识别模块，根据相关类别训练模型与核心向量集逐一匹配，返回相关度最高的风险等级及建议的安全防护方案；
专家根据核心向量集所处象限，为向量集并打上相应类别标签，并在新增一定量的新数据后再次启动ANNs模块的训练进程，提高后续识别的评估精度。
2.如权利要求1所述的一种基于人工神经网络ANNs的等级保护风险研判方法，其特征在于：S2中所述量化评估的标准包括管理资产等级、脆弱性等级、威胁安全级别的一个或多个。
3.如权利要求1所述的一种基于人工神经网络ANNs的等级保护风险研判方法，其特征在于：S6中所述安全风险的评估对象指的是安全设备、安全管理措施。
4.如权利要求1所述的一种基于人工神经网络ANNs的等级保护风险研判方法，其特征在于：S7中所述的安全防护方案可根据用户所选的风险消解程度及消解范围输出对应的安全防护方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011639105.3A CN112633763B (zh) | 2020-12-31 | 2020-12-31 | 一种基于人工神经网络ANNs的等级保护风险研判方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011639105.3A CN112633763B (zh) | 2020-12-31 | 2020-12-31 | 一种基于人工神经网络ANNs的等级保护风险研判方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112633763A CN112633763A (zh) | 2021-04-09 |
| CN112633763B true CN112633763B (zh) | 2024-04-12 |
Family
ID=75290152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011639105.3A Active CN112633763B (zh) | 2020-12-31 | 2020-12-31 | 一种基于人工神经网络ANNs的等级保护风险研判方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112633763B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070061009A (ko) * | 2005-12-08 | 2007-06-13 | 한국전자통신연구원 | 보안 위험 관리 시스템 및 방법 |
| CN107992882A (zh) * | 2017-11-20 | 2018-05-04 | 电子科技大学 | 一种基于WiFi信道状态信息和支持向量机的室内人数统计方法 |
| CN110191137A (zh) * | 2019-06-12 | 2019-08-30 | 北京理工大学 | 一种网络系统量化安全评估方法与装置 |
| CN110401649A (zh) * | 2019-07-17 | 2019-11-01 | 湖北央中巨石信息技术有限公司 | 基于态势感知学习的信息安全风险评估方法和系统 |
| CN111083126A (zh) * | 2019-12-05 | 2020-04-28 | 国网浙江省电力有限公司电力科学研究院 | 一种基于专家知识库的渗透测试风险评估方法以及模型 |
| CN111832922A (zh) * | 2020-06-30 | 2020-10-27 | 北方工业大学 | 基于知识图谱推理的食品安全事件风险研判方法及装置 |
| CN112101520A (zh) * | 2020-08-10 | 2020-12-18 | 中国平安人寿保险股份有限公司 | 风险评估模型训练方法、业务风险评估方法及其他设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CH696749A5 (de) * | 2003-09-19 | 2007-11-15 | Swiss Reinsurance Co | System zum Ausführen einer Risikoanalyse. |
| US20190116193A1 (en) * | 2017-10-17 | 2019-04-18 | Yanlin Wang | Risk assessment for network access control through data analytics |
| US20200265145A1 (en) * | 2019-02-15 | 2020-08-20 | Nucleaus Llc | Method and system for providing a scanning appliance to identify security risks and vulnerabilities in software design prior to the software's implementation |
-
2020
- 2020-12-31 CN CN202011639105.3A patent/CN112633763B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070061009A (ko) * | 2005-12-08 | 2007-06-13 | 한국전자통신연구원 | 보안 위험 관리 시스템 및 방법 |
| CN107992882A (zh) * | 2017-11-20 | 2018-05-04 | 电子科技大学 | 一种基于WiFi信道状态信息和支持向量机的室内人数统计方法 |
| CN110191137A (zh) * | 2019-06-12 | 2019-08-30 | 北京理工大学 | 一种网络系统量化安全评估方法与装置 |
| CN110401649A (zh) * | 2019-07-17 | 2019-11-01 | 湖北央中巨石信息技术有限公司 | 基于态势感知学习的信息安全风险评估方法和系统 |
| CN111083126A (zh) * | 2019-12-05 | 2020-04-28 | 国网浙江省电力有限公司电力科学研究院 | 一种基于专家知识库的渗透测试风险评估方法以及模型 |
| CN111832922A (zh) * | 2020-06-30 | 2020-10-27 | 北方工业大学 | 基于知识图谱推理的食品安全事件风险研判方法及装置 |
| CN112101520A (zh) * | 2020-08-10 | 2020-12-18 | 中国平安人寿保险股份有限公司 | 风险评估模型训练方法、业务风险评估方法及其他设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112633763A (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103955462B (zh) | 一种基于多视图和半监督学习机制的图像标注方法 | |
| CN108446700A (zh) | 一种基于对抗攻击的车牌攻击生成方法 | |
| WO2019179403A1 (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
| CN110245709A (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
| CN106790019A (zh) | 基于特征自学习的加密流量识别方法及装置 | |
| CN102324038B (zh) | 一种基于数字图像的植物种类识别方法 | |
| CN104765768A (zh) | 海量人脸库的快速准确检索方法 | |
| CN106446954A (zh) | 一种基于深度学习的字符识别方法 | |
| CN110830489B (zh) | 基于内容抽象表示的对抗式欺诈网站检测方法及系统 | |
| CN109117885A (zh) | 一种基于深度学习的邮票识别方法 | |
| CN114997211A (zh) | 一种基于改进对抗网络和注意力机制的跨工况故障诊断方法 | |
| CN114332545A (zh) | 一种基于低比特脉冲神经网络的图像数据分类方法和装置 | |
| CN106529525A (zh) | 一种中日文手写字符的识别方法 | |
| CN110472652A (zh) | 基于语义引导的少量样本分类方法 | |
| CN116186594A (zh) | 基于决策网络结合大数据实现环境变化趋势智能检测方法 | |
| CN114463643A (zh) | 多模型决策级融合的滑坡识别方法及装置 | |
| CN114913923A (zh) | 针对单细胞染色质开放性测序数据的细胞类型识别方法 | |
| CN116582309A (zh) | 一种基于GAN-CNN-BiLSTM的网络入侵检测方法 | |
| CN108510483B (zh) | 一种采用vlad编码和svm的计算生成彩色图像篡改检测方法 | |
| Rosier et al. | Predicting ocean-induced ice-shelf melt rates using deep learning | |
| CN110008705A (zh) | 一种基于深度学习的恶意域名识别方法、装置及电子设备 | |
| CN112633763B (zh) | 一种基于人工神经网络ANNs的等级保护风险研判方法 | |
| CN117611918A (zh) | 基于层次神经网络的海洋生物分类方法 | |
| Yin et al. | A feature selection method for improved clonal algorithm towards intrusion detection | |
| CN105809200A (zh) | 一种生物启发式自主抽取图像语义信息的方法及装置 |
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 |