CN113449060A - 基于混合基因表达式编程的地理大数据安全风险评估方法 - Google Patents

基于混合基因表达式编程的地理大数据安全风险评估方法 Download PDF

Info

Publication number
CN113449060A
CN113449060A CN202110726792.0A CN202110726792A CN113449060A CN 113449060 A CN113449060 A CN 113449060A CN 202110726792 A CN202110726792 A CN 202110726792A CN 113449060 A CN113449060 A CN 113449060A
Authority
CN
China
Prior art keywords
risk
big data
security
geographical
space
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
Application number
CN202110726792.0A
Other languages
English (en)
Other versions
CN113449060B (zh
Inventor
杨乐婵
马守明
陈英
窦如林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinling Institute of Technology
Original Assignee
Jinling Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinling Institute of Technology filed Critical Jinling Institute of Technology
Priority to CN202110726792.0A priority Critical patent/CN113449060B/zh
Publication of CN113449060A publication Critical patent/CN113449060A/zh
Application granted granted Critical
Publication of CN113449060B publication Critical patent/CN113449060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了基于混合基因表达式编程的地理大数据安全风险评估方法，首先基于分治法思想对地理大数据从时间和空间两个层面进行划分，分析影响地理大数据传输的安全风险要素，构建风险要素集；接着基于关联分析方法对风险要素频繁项集挖掘，识别地理大数据的时空特性与风险要素集的动态关系；最后基于粗糙集和改进基因表达式编程算法挖掘地理时空大数据传输安全风险与风险等级之间的函数关系模型，定量计算地理时空大数据传输的安全风险等级。

Description

基于混合基因表达式编程的地理大数据安全风险评估方法
技术领域
本发明涉及数据安全领域，特别是涉及基于混合基因表达式编程的地理大数据安全风险评估方法，主要用于解决数据传输的安全问题。
背景技术
随着5G通信技术的不断发展，网络化地理信息空间的开放性和共享能力得到扩大，而开放共享的地理信息空间势必会增加地理信息数据在传输过程中的安全隐患。地理信息空间覆盖数据采集端、传输通道以及数据接收端各个环节，同时，地理数据(例如各类生态环境演化数据、洪水/地震/火山等灾情数据、GPS定位数据、各类遥感影像数据等)具有明显的时间和空间特性。针对具有时间特性的地理数据，随着时间的推移，某一时段的地理数据的用途或者使用范围可能会逐渐变小或增大，此类数据在传输过程中被窃取或篡改的风险就会随之逐渐变小或增大。
此外，现有基于地理时空大数据的应用和安全防护研究虽然较多，但仍局限于地理时空大数据安全体系架构设计、地理数据传输安全防护技术以及地理空间数据隐私保护等领域，相关文献虽给出了有关数据安全防护方面的讨论，但也仅限于数据传输安全防护技术、地理空间数据异常检测、数据隐私防护等方面的论述。
由于数据是地理信息空间中各级系统相互发展和支撑的重要基础，开放共享的地理时空大数据无疑会增加其传输过程的不安全性和不确定性，而针对数据传输的安全风险评估对于构建地理空间大数据安全体系架构至关重要，但之前的相关研究方法和理念均没有从时空角度来对地理大数据传输风险进行全面识别和评估。同时相关文献单纯考虑地理空间大数据传输的安全性，而没有考虑过过多的安全防护技术会给地理空间大数据的及时处理带来一定的影响。目前鲜有文献对地理时空大数据传输的安全性和高效性优化进行研究和建模分析，无法对地理时空大数据传输通道遭受网络攻击时，还要保障其传输的安全性和高效性提供有效的分析和防御决策。
因此，为保证地理数据采集端、传输通道及数据接收端的安全，不失地理大数据的时间和空间特性，研究一种基于混合基因表达式编程的地理大数据传输动态风险评估方法显得尤为重要。基于混合基因表达式编程的地理大数据传输安全风险评估方法主要实现地理大数据传输过程中安全风险的智能识别和全方位分析，综合评估传输的数据安全风险等级。
基于混合基因表达式编程的地理大数据传输安全风险评估方法主要包含两个问题：(1)如何从时间特征和空间特征两个层面分析影响地理大数据传输的安全风险因素，研究基于关联分析的地理大数据传输安全风险识别；(2)如何在地理大数据传输的安全风险识别建模基础上，研究基于混合基因表达式编程的地理大数据传输安全风险评估模型。
发明内容
为解决上述问题，本发明提出了基于混合基因表达式编程的地理大数据安全风险评估方法，首先基于分治法思想对地理大数据从时间和空间两个层面进行划分，分析影响地理大数据传输的安全风险要素，构建风险要素集；接着基于关联分析方法对风险要素频繁项集挖掘，识别地理大数据的时空特性与风险要素集的动态关系；最后基于粗糙集和改进基因表达式编程算法挖掘地理时空大数据传输安全风险与风险等级之间的函数关系模型，定量计算地理时空大数据传输的安全风险等级。
为达此目的，本发明提供基于混合基因表达式编程的地理大数据安全风险评估方法，具体步骤如下，其特征在于：
步骤1：结合地理数据时空特性，分析地理空间数据传输可能存在的风险，进入步骤2；
步骤2：通过对潜在风险量化处理构建地理空间风险要素及等级集合U，进入步骤3；
步骤3：组建地理空间数据安全风险决策表S(U，A，V，F),A为全体风险条件属性集合，V为风险值及等级集合，F为U×A→V的映射函数，进入步骤4；
步骤4：在不影响风险识别准确率的前提下，基于粗糙集属性约简理论对风险数据集降维处理,组成待训练的风险数据集，进入步骤5；
步骤5：为符合地理时空数据动态变化特性，将待训练的风险数据集标记时间和空间戳，形如：脆弱性V＝(V1，V2，...，Vn|s，t)、安全威胁T＝(T1，T2，...，Tm|s，t)和资产Z＝(Z1，Z2，...，Zr|s，t)，进入步骤6；
步骤6：基于关联分析算法对频繁项集挖掘，构建地理数据的时空特性与风险要素集U的动态关联关系,形如：U＝(V，T，Z|s，t)，进入步骤7；
步骤7：利用基因表达式编程GEP算法挖掘风险要素与风险等级函数关系，设计具有地理时空特性的安全风险评估适应度函数，进入步骤8；
步骤8：结合小生境的全局搜索的特性，设计用于动态自适应的种群生成策略以及遗传操作算子，进入步骤9；
步骤9：对地理时空数据传输安全风险要素基因编码，种群初始化，进入步骤10；
步骤10：计算风险评估适应度函数，即：
Figure BDA0003137840280000021
其中，其中w1,w2,w3分别为脆弱性、安全威胁以及资产在地理大数据传输安全风险评估中的权重；
Figure BDA0003137840280000022
分别为脆弱性、安全威胁发生的概率以及资产重要程度；Ci,Ii,Ai分别表示脆弱性、安全威胁及资产对传输安全风险产生的影响，进入步骤11；
步骤11：判断是否满足进化终止条件，若不满足，则进入步骤12；若满足，进入步骤15；
步骤12：从中选择前K个适应度值的个体组成小生境，并计算所有个体之间距离，进入步骤13；
步骤13：基于所有个体之间距离采用自适应策略调整基因变异概率，提高基因表达式编程的全局收敛能力，进入步骤14；
步骤14：保留最优个体，基因选择、重组、产生新一代种群，进入步骤10；
步骤15：输出最优风险评估函数，计算传输数据安全风险等级；进入步骤16；
步骤16：结束。
进一步的，所述基于混合基因表达式编程的地理大数据安全风险评估方法的控制部分包括风险要素分析系统、风险动态识别系统以及风险综合评估系统。
进一步的，所述风险要素分析系统从数据采集端、传输通道以及数据接收端的脆弱性、威胁和资产重要性三个方面结合时空特性进行地理大数据传输安全风险要素分析，构建传输数据风险要素集合，地理空间数据传输涉及三个方面：数据采集端、传输通道以及数据接收端。为了从全面掌握地理大数据传输的安全风险，需要从数据采集端、传输通道以及数据接收端的脆弱性、威胁和资产重要性三个方面结合时空特性进行地理大数据传输安全风险要素分析，构建传输数据风险要素集合，具体流程如下：
首先，分析地理大数据采集端、传输通道以及接收端中相应软硬件架构和网络构成；
其次，分析地理信息空间中各类信息系统，从数据接收端、传输通道以及数据接收端三个方面来分析其脆弱性、安全威胁和资产重要程度并进行定量赋值计算，形成地理大数据传输安全风险要素集。
进一步的，所述风险动态识别系统针对在采集到的影响地理大数据传输安全的风险要素集中增加时间和空间戳，并基于关联分析算法实现地理大数据传输安全风险动态识别，构建地理大数据时间和空间属性与风险要素之间的动态关联关系，针对在采集到的影响地理大数据传输安全的风险要素集中增加时间和空间戳，并基于关联分析算法实现地理大数据传输安全风险动态识别，构建地理大数据时间和空间属性与风险要素之间的动态关联关系，具体流程如下：
首先，对采集到的地理大数据传输安全风险要素集包括脆弱性、安全威胁及资产重要程度进行归一化、离散化等预处理并增加时间和空间戳，构建带有时间和空间戳的地理大数据传输安全风险集U＝(V，T，Z|s，t)，其中V表示影响地理大数据传输安全的脆弱性值分布，T表示影响地理大数据传输安全的威胁值分布，Z表示影响地理大数据传输安全的资产重要程度值分布，(s，t)表示为地理大数据的空间和时间戳；
其次，针对带有时间和空间戳的地理大数据传输安全风险集中的脆弱性V集合、安全威胁T集合和资产Z集合采用关联分析算法进行频繁项集挖掘，找出所有满足条件的安全风险集合及识别规则，通过关联分析识别出带有时间和空间戳的脆弱性、安全威胁以及资产属性中对地理大数据传输安全影响比较大的风险因素。
进一步的，所述安全风险评估系统：采用粗糙集降维处理海量数据集，结合基因表达式编程挖掘影响地理大数据传输安全风险要素集与安全风险等级之间的函数关系，定量计算出地理时空大数据传输的安全风险等级，安全风险评估系统主要采用粗糙集降维处理海量数据集，提高数据处理效率，结合基因表达式编程挖掘影响地理大数据传输安全风险要素集与安全风险等级之间的函数关系，定量计算出地理时空大数据传输的安全风险等级,具体流程如下：
首先，根据已获得的地理时空大数据传输安全风险要素集，构建相应的安全风险决策表S(U，A，V，F),A为全体风险条件属性集合包括脆弱性、安全威胁以及资产重要程度，V为风险值及等级集合，F为U×A→V的映射函数，在此基础上，采用粗糙集对地理时空大数据传输安全风险决策表S进行安全风险要素特征约简；
其次，结合基因表达式编程的函数模型挖掘的思想，采用小生境的全局搜索的特性，设计地理时空数据传输安全风险评估的适应度函数：
Figure BDA0003137840280000041
其中w1,w2,w3分别为脆弱性、安全威胁以及资产在地理大数据传输安全风险评估中的权重；
Figure BDA0003137840280000042
分别为脆弱性、安全威胁发生的概率以及资产重要程度；Ci,Ii,Ai分别表示脆弱性、安全威胁及资产对传输安全风险产生的影响；
最后,输出最优风险评估函数，计算地理时空传输数据风险等级，并利用随机过程理论对所提出的改进基因表达式编程算法进行收敛性分析。
本发明基于混合基因表达式编程的地理大数据安全风险评估方法，有益效果：主要用于解决开放共享的地理时空数据传输安全问题，通过使用本发明中提出的方法可以根据分治法思想风险要素分析、关联算法风险动态识别、混合基因表达式风险评估函数挖掘，定量评估地理时空数据风险等级，从而保证地理时空数据安全传输。
附图说明
图1是基于混合基因表达式编程的地理大数据传输安全风险评估结构图；
图2是参考体系结构示意图；
图3是本发明方法的流程示意图；
图4是基于混合基因表达式编程的地理大数据安全风险评估技术路线。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提出了基于混合基因表达式编程的地理大数据安全风险评估方法，来评估地理空间数据安全风险问题。本机制是一种策略性方法，通过使用本方法可以使得地理信息空间的数据传输得到安全保障。
其中基于混合基因表达式编程的地理大数据传输安全风险评估结构图如图1所示，参考体系结构示意图如图2所示，本发明方法的流程示意图如图3所示。
附图说明：本安全风险评估机制是策略性方法，基于附图流程可以实现对地理大数据风险的评估。
作为本发明具体实施例，为了方便描述，我们假设有如下应用实例：
假设开放共享的地理时空架构使得针对地理大数据传输的网络安全威胁无法通过传统的安全防护技术和安全管理手段来完全避免，地理时空传输数据无法满足高效性要求，安全也得不到保障等问题。通过采用基于混合基因表达式编程的地理大数据传输安全风险评估的方法，首先基于分治法思想对地理大数据从时间和空间两个层面进行划分，分析影响地理大数据传输的安全风险要素，构建风险要素集；接着基于关联分析方法对风险要素频繁项集挖掘，识别地理大数据的时空特性与风险要素集的动态关系；最后基于粗糙集和改进基因表达式编程算法挖掘地理时空大数据传输安全风险与风险等级之间的函数关系模型，定量计算地理时空大数据传输的安全风险等级，以确保数据传输过程的安全高效传输。
其具体的实施方案为：
(1)分析地理时空传输数据潜在的风险，构建风险要素集合
地理大数据传输涉及三个方面：数据采集端、传输通道以及数据接收端。因此，从全面掌握地理大数据传输的安全风险，从数据采集端、传输通道以及数据接收端的脆弱性、威胁和资产重要性三个方面结合时空特性进行地理大数据传输安全风险要素分析，并构建风险要素集；
(2)基于关联分析算法动态识别地理时空特性数据与风险要素联系
由于地理大数据有其时间和空间特性，且随着时间推移和空间位置的变换，现有的安全威胁、脆弱性以及资产重要程度值可能也会发生动态变化，静态识别的方法难以满足这一需求。因此，在采集到的影响地理大数据传输安全的风险要素集中增加时间和空间戳，并基于关联分析算法实现地理大数据传输安全风险动态识别，构建地理大数据时间和空间属性与传输安全风险要素集的动态关联；
(3)基于粗糙集和改进基因表达式编程算法挖掘风险函数模型
地理大数据传输安全风险评估的目标就是在风险要素分析和智能识别的前提下，能定量评估出当前时间特性下地理大数据传输的安全风险等级。因此，首先采用粗糙集理论降维处理海量数据集，提高数据处理效率；其次利用基因表达式编程结合小生境种群生成策略、自适应变异概率调整策略挖掘地理大数据传输安全风险要素集与安全风险等级之间的函数关系，定量计算出地理时空大数据传输的安全风险等级。
其中基于混合基因表达式编程的地理大数据安全风险评估技术路线如图4所示。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (5)

1.基于混合基因表达式编程的地理大数据安全风险评估方法，具体步骤如下，其特征在于：
步骤1：结合地理数据时空特性，分析地理空间数据传输可能存在的风险，进入步骤2；
步骤2：通过对潜在风险量化处理构建地理空间风险要素及等级集合U，进入步骤3；
步骤3：组建地理空间数据安全风险决策表5(U，A，V，F)，A为全体风险条件属性集合，V为风险值及等级集合，F为U×A→V的映射函数，进入步骤4；
步骤4：在不影响风险识别准确率的前提下，基于粗糙集属性约简理论对风险数据集降维处理，组成待训练的风险数据集，进入步骤5；
步骤5：为符合地理时空数据动态变化特性，将待训练的风险数据集标记时间和空间戳，形如：脆弱性V＝(V1，V2，...，Vn|s，t)、安全威胁T＝(T1，T2，...，Tm|s，t)和资产Z＝(Z1，Z2，...，Zr|s，t)，进入步骤6；
步骤6：基于关联分析算法对频繁项集挖掘，构建地理数据的时空特性与风险要素集U的动态关联关系，形如：U＝(V，T，Z|s，t)，进入步骤7；
步骤7：利用基因表达式编程GEP算法挖掘风险要素与风险等级函数关系，设计具有地理时空特性的安全风险评估适应度函数，进入步骤8；
步骤8：结合小生境的全局搜索的特性，设计用于动态自适应的种群生成策略以及遗传操作算子，进入步骤9；
步骤9：对地理时空数据传输安全风险要素基因编码，种群初始化，进入步骤10；
步骤10：计算风险评估适应度函数，即：
Figure FDA0003137840270000011
其中，其中w1，w2，w3分别为脆弱性、安全威胁以及资产在地理大数据传输安全风险评估中的权重；
Figure FDA0003137840270000012
分别为脆弱性、安全威胁发生的概率以及资产重要程度；Ci，Ii，Ai分别表示脆弱性、安全威胁及资产对传输安全风险产生的影响，进入步骤11；
步骤11：判断是否满足进化终止条件，若不满足，则进入步骤12；若满足，进入步骤15；
步骤12：从中选择前K个适应度值的个体组成小生境，并计算所有个体之间距离，进入步骤13；
步骤13：基于所有个体之间距离采用自适应策略调整基因变异概率，提高基因表达式编程的全局收敛能力，进入步骤14；
步骤14：保留最优个体，基因选择、重组、产生新一代种群，进入步骤10；
步骤15：输出最优风险评估函数，计算传输数据安全风险等级；进入步骤16；
步骤16：结束。
2.根据权利要求1所述的基于混合基因表达式编程的地理大数据安全风险评估方法，其特征在于：所述基于混合基因表达式编程的地理大数据安全风险评估方法的控制部分包括风险要素分析系统、风险动态识别系统以及风险综合评估系统。
风险要素分析系统包括：分析系统从数据采集端、传输通道以及数据接收端的脆弱性、威胁和资产重要性三个方面结合时空特性进行地理大数据传输安全风险要素分析，构建传输数据风险要素集合。
风险动态识别系统：针对在采集到的影响地理大数据传输安全的风险要素集中增加时间和空间戳，并基于关联分析算法实现地理大数据传输安全风险动态识别，构建地理大数据时间和空间属性与风险要素之间的动态关联关系。
风险综合评估系统：采用粗糙集降维处理海量数据集，结合基因表达式编程挖掘影响地理大数据传输安全风险要素集与安全风险等级之间的函数关系，定量计算出地理时空大数据传输的安全风险等级。
3.根据权利要求2所述的基于混合基因表达式编程的地理大数据安全风险评估方法，其特征在于：所述风险要素分析系统从数据采集端、传输通道以及数据接收端的脆弱性、威胁和资产重要性三个方面结合时空特性进行地理大数据传输安全风险要素分析，构建传输数据风险要素集合，具体流程如下：
首先，分析地理大数据采集端、传输通道以及接收端中相应软硬件架构和网络构成；
其次，分析地理信息空间中各类信息系统，从数据接收端、传输通道以及数据接收端三个方面来分析其脆弱性、安全威胁和资产重要程度并进行定量赋值计算，形成地理大数据传输安全风险要素集。
4.根据权利要求2所述的基于混合基因表达式编程的地理大数据安全风险评估方法，其特征在于：所述风险动态识别系统针对在采集到的影响地理大数据传输安全的风险要素集中增加时间和空间戳，并基于关联分析算法实现地理大数据传输安全风险动态识别，构建地理大数据时间和空间属性与风险要素之间的动态关联关系，具体流程如下：
首先，对采集到的地理大数据传输安全风险要素集包括脆弱性、安全威胁及资产重要程度进行归一化、离散化等预处理并增加时间和空间戳，构建带有时间和空间戳的地理大数据传输安全风险集U＝(V，T，Z|s，t)，其中V表示影响地理大数据传输安全的脆弱性值分布，T表示影响地理大数据传输安全的威胁值分布，Z表示影响地理大数据传输安全的资产重要程度值分布，(s，t)表示为地理大数据的空间和时间戳；
其次，针对带有时间和空间戳的地理大数据传输安全风险集中的脆弱性V集合、安全威胁T集合和资产Z集合采用关联分析算法进行频繁项集挖掘，找出所有满足条件的安全风险集合及识别规则，通过关联分析识别出带有时间和空间戳的脆弱性、安全威胁以及资产属性中对地理大数据传输安全影响比较大的风险因素。
5.根据权利要求2所述的基于混合基因表达式编程的地理大数据安全风险评估方法，其特征在于：所述安全风险评估系统：采用粗糙集降维处理海量数据集，结合基因表达式编程挖掘影响地理大数据传输安全风险要素集与安全风险等级之间的函数关系，定量计算出地理时空大数据传输的安全风险等级，具体流程如下：
首先，根据已获得的地理时空大数据传输安全风险要素集，构建相应的安全风险决策表S(U，A，V，F)，A为全体风险条件属性集合包括脆弱性、安全威胁以及资产重要程度，V为风险值及等级集合，F为U×A→V的映射函数，在此基础上，采用粗糙集对地理时空大数据传输安全风险决策表S进行安全风险要素特征约简；
其次，结合基因表达式编程的函数模型挖掘的思想，采用小生境的全局搜索的特性，设计地理时空数据传输安全风险评估的适应度函数：
Figure FDA0003137840270000031
其中w1，w2，w3分别为脆弱性、安全威胁以及资产在地理大数据传输安全风险评估中的权重；
Figure FDA0003137840270000032
分别为脆弱性、安全威胁发生的概率以及资产重要程度；Ci，Ii，Ai分别表示脆弱性、安全威胁及资产对传输安全风险产生的影响；
最后，输出最优风险评估函数，计算地理时空传输数据风险等级，并利用随机过程理论对所提出的改进基因表达式编程算法进行收敛性分析。
CN202110726792.0A 2021-06-29 2021-06-29 基于混合基因表达式编程的地理大数据安全风险评估方法 Active CN113449060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110726792.0A CN113449060B (zh) 2021-06-29 2021-06-29 基于混合基因表达式编程的地理大数据安全风险评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110726792.0A CN113449060B (zh) 2021-06-29 2021-06-29 基于混合基因表达式编程的地理大数据安全风险评估方法

Publications (2)

Publication Number Publication Date
CN113449060A true CN113449060A (zh) 2021-09-28
CN113449060B CN113449060B (zh) 2022-07-01

Family

ID=77813870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110726792.0A Active CN113449060B (zh) 2021-06-29 2021-06-29 基于混合基因表达式编程的地理大数据安全风险评估方法

Country Status (1)

Country Link
CN (1) CN113449060B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1643509A (zh) * 2002-03-18 2005-07-20 摩托罗拉公司 基因表达式编程算法
CN102915423A (zh) * 2012-09-11 2013-02-06 中国电力科学研究院 一种基于粗糙集和基因表达式的电力业务数据过滤系统及方法
CN104699804A (zh) * 2015-03-20 2015-06-10 浙江工业大学 一种基于基因表达式编程的n中心点分类方法
CN104732292A (zh) * 2015-03-25 2015-06-24 武汉大学 基于断面数据的主流速线自动规划方法
CN104899650A (zh) * 2015-05-26 2015-09-09 成都中科大旗软件有限公司 基于多源数据分析对旅游景区客流量进行预测的方法
CN205690175U (zh) * 2016-06-02 2016-11-16 金陵科技学院 一种定时关闭开启的加闹钟台灯
US20170212868A1 (en) * 2016-01-26 2017-07-27 Shing-Tung Yau Method for computing conformal parameterization
CN107590733A (zh) * 2017-08-08 2018-01-16 杭州灵皓科技有限公司 基于地理经济和社交关系的网贷平台风险评估方法
CN107819771A (zh) * 2017-11-16 2018-03-20 国网湖南省电力有限公司 一种基于资产依赖关系的信息安全风险评估方法及系统
CN107977452A (zh) * 2017-12-15 2018-05-01 金陵科技学院 一种基于大数据的信息检索系统及方法
CN111222139A (zh) * 2020-02-24 2020-06-02 南京邮电大学 一种基于gep优化的智能电网数据异常有效识别方法
CN112131796A (zh) * 2020-09-25 2020-12-25 上海交通大学 一种基于基因表达式编程的硬岩tbm滚刀磨损实时评估方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1643509A (zh) * 2002-03-18 2005-07-20 摩托罗拉公司 基因表达式编程算法
CN102915423A (zh) * 2012-09-11 2013-02-06 中国电力科学研究院 一种基于粗糙集和基因表达式的电力业务数据过滤系统及方法
CN104699804A (zh) * 2015-03-20 2015-06-10 浙江工业大学 一种基于基因表达式编程的n中心点分类方法
CN104732292A (zh) * 2015-03-25 2015-06-24 武汉大学 基于断面数据的主流速线自动规划方法
CN104899650A (zh) * 2015-05-26 2015-09-09 成都中科大旗软件有限公司 基于多源数据分析对旅游景区客流量进行预测的方法
US20170212868A1 (en) * 2016-01-26 2017-07-27 Shing-Tung Yau Method for computing conformal parameterization
CN205690175U (zh) * 2016-06-02 2016-11-16 金陵科技学院 一种定时关闭开启的加闹钟台灯
CN107590733A (zh) * 2017-08-08 2018-01-16 杭州灵皓科技有限公司 基于地理经济和社交关系的网贷平台风险评估方法
CN107819771A (zh) * 2017-11-16 2018-03-20 国网湖南省电力有限公司 一种基于资产依赖关系的信息安全风险评估方法及系统
CN107977452A (zh) * 2017-12-15 2018-05-01 金陵科技学院 一种基于大数据的信息检索系统及方法
CN111222139A (zh) * 2020-02-24 2020-06-02 南京邮电大学 一种基于gep优化的智能电网数据异常有效识别方法
CN112131796A (zh) * 2020-09-25 2020-12-25 上海交通大学 一种基于基因表达式编程的硬岩tbm滚刀磨损实时评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MENGWEI LIU，等: "A gene expression programming algorithm for multiobjective site-search problem", 《2010 SIXTH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION》 *
李佳玮，等: "一种基于小生境遗传算法的电网信息安全风险评估模型", 《电力建设》 *

Also Published As

Publication number Publication date
CN113449060B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
Sun et al. Learning-based resource allocation strategy for industrial IoT in UAV-enabled MEC systems
Fordham et al. Plant extinction risk under climate change: are forecast range shifts alone a good indicator of species vulnerability to global warming?
Nikolakaki A GIS site-selection process for habitat creation: estimating connectivity of habitat patches
Underwood et al. Predicting patterns of non‐native plant invasions in Yosemite National Park, California, USA
Porwal et al. Introduction to the special issue: mineral prospectivity analysis and quantitative resource estimation
Ramos et al. Antids: Self orga nized ant-based c lustering model for intrusion det ection system
CN102571746A (zh) 一种面向云计算环境侧通道攻击防御的虚拟机部署方法
Browning et al. Spatial patterns of grassland–shrubland state transitions: A 74‐year record on grazed and protected areas
Gray et al. Applying fire connectivity and centrality measures to mitigate the cheatgrass-fire cycle in the arid West, USA
Ramkumar et al. Intrusion detection in big data using hybrid feature fusion and optimization enabled deep learning based on spark architecture
Sukhija et al. Spatial visualization approach for detecting criminal hotspots: An analysis of total cognizable crimes in the state of Haryana
Virtanen et al. The effects of habitat connectivity on cryptogam richness in boulder metacommunity
Gangula et al. Network intrusion detection system for Internet of Things based on enhanced flower pollination algorithm and ensemble classifier
Qiu et al. Decentralized federated learning for industrial IoT with deep echo state networks
CN113449060B (zh) 基于混合基因表达式编程的地理大数据安全风险评估方法
Lakhno et al. Development of a model for choosing strategies for investing in information security
CN117521777A (zh) 一种支持隐私保护个性化的可信联邦图神经网络框架构建方法
CN116668095B (zh) 一种网络安全智能评估方法及系统
Gu et al. A Bayesian decision network–based pre-disaster mitigation model for earthquake-induced cascading events to balance costs and benefits on a limited budget
CN106506567A (zh) 一种基于行为评判的隐蔽式网络攻击主动发现方法
Díaz‐Avalos et al. Modeling the spatial evolution wildfires using random spread process
Zou et al. Research on privacy protection of large-scale network data aggregation process
Susiloningtyas et al. Dynamic System Model of Land Use Affected by Sea Level Rise in the Coastal Area of Bengkulu City, Indonesia
Chatterjee et al. An adaptive sampling strategy developed for studies of diffuse volcanic soil gas emissions
Ahmed Chandio et al. Validation of Multi-Criteria Decision Analysis model of land suitability analysis for sustainable hillside development

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