CN113505813A - 一种基于云计算的高压断路器分布式大数据存储方法 - Google Patents

一种基于云计算的高压断路器分布式大数据存储方法 Download PDF

Info

Publication number
CN113505813A
CN113505813A CN202110654492.6A CN202110654492A CN113505813A CN 113505813 A CN113505813 A CN 113505813A CN 202110654492 A CN202110654492 A CN 202110654492A CN 113505813 A CN113505813 A CN 113505813A
Authority
CN
China
Prior art keywords
voltage circuit
encryption key
circuit breaker
image data
data
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
CN202110654492.6A
Other languages
English (en)
Other versions
CN113505813B (zh
Inventor
蔡奎
查竞宇
陈冰晶
周刚
屠楚明
周子誉
陈洁
罗志远
周一飞
刘维亮
徐昊翀
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.)
Jiaxing Hengchuang Electric Power Group Co ltd Bochuang Material Branch
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Jiaxing Hengchuang Electric Power Group Co ltd Bochuang Material Branch
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
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 Jiaxing Hengchuang Electric Power Group Co ltd Bochuang Material Branch, Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Jiaxing Hengchuang Electric Power Group Co ltd Bochuang Material Branch
Priority to CN202110654492.6A priority Critical patent/CN113505813B/zh
Publication of CN113505813A publication Critical patent/CN113505813A/zh
Application granted granted Critical
Publication of CN113505813B publication Critical patent/CN113505813B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioethics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于云计算的高压断路器分布式大数据存储方法，包括以下步骤：S1、对采集获取的高压断路器的图像数据进行图像处理，得到RGB直方图；S2、提取RGB直方图的特征值；S3、将RGB直方图的特征值作为样本数据，进行K均值聚类，以获取高压断路器的图像数据分类；S4、将步骤S3中完成分类的高压断路器的图像数据存储至相应的分布存储节点。得到高压断路器的图像数据所对应的RGB直方图，将RGB直方图的特征值作为样本数据进行K均值聚类，获取高压断路器的图像数据分类，并根据分类结果进行分布式存储，提升了高压断路器图像数据的存储效率，同时也提升了数据的读取效率，间接提升了后续故障识别模型的故障识别速度。

Description

一种基于云计算的高压断路器分布式大数据存储方法
技术领域
本发明涉及数据存储技术领域，尤其涉及一种基于云计算的高压断路器分布式大数据存储方法。
背景技术
在现有的技术中，对高压断路器进行故障识别时，会采用图像监测设备拍取高压断路器各待监测部件的图像，然后通过由机器学习、神经网络等构成的识别模型对图像监测设备所拍摄的图像进行故障识别。在图像监测设备拍取图像与识别模型对图像进行故障识别的中间过程中，图像需进行存储。因此图像的存储效率与后续识别模型的故障识别效率相关联。
而图像与其余字符型数据相比，由于其文件较大，存储的速率以及效率相比其余的字符型数据较低。因此，需要对图像的存储效率进行提升。
例如，中国专利文献CN101499090公开了“图像数据存储装置和图像数据存储方法”，具有用于存储图像数据及其相关数据的至少一个数据存储单元，该存储单元包括：数据头存储区，存储所述数据存储单元的结构信息；关键检索信息存储区，存储对图像数据及其相关数据进行检索的关键信息，上述关键信息至少包括图像序号、图像特征信息、图像标记的特征信息、图像数据及其相关数据在存储结构中的起始地址；图像数据及相关数据存储区，存储采集到的图像数据及其相关数据，所述相关数据至少包括图像序号、图像的标记信息、图像采集的时间数据、作为外部设备的体外便携式图像接收仪的接收天线阵列的信号强度值数据。上述专利的不足之处在于图像数据存储效率较低。
发明内容
本发明主要解决原有的高压断路器的图像数据存储效率较低的技术问题；提供一种基于云计算的高压断路器分布式大数据存储方法，得到高压断路器的图像数据所对应的RGB直方图，将RGB直方图的特征值作为样本数据进行K均值聚类，获取高压断路器的图像数据分类，并根据分类结果进行分布式存储，提升了高压断路器图像数据的存储效率。
本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：
S1、对采集获取的高压断路器的图像数据进行图像处理，得到RGB直方图；
S2、提取RGB直方图的特征值；
S3、将RGB直方图的特征值作为样本数据，进行K均值聚类，以获取高压断路器的图像数据分类；
S4、将步骤S3中完成分类的高压断路器的图像数据存储至相应的分布存储节点。
得到高压断路器的图像数据所对应的RGB直方图，将RGB直方图的特征值作为样本数据进行K均值聚类，获取高压断路器的图像数据分类，并根据分类结果进行分布式存储，提升了高压断路器图像数据的存储效率，同时也提升了数据的读取效率，间接提升了后续故障识别模型的故障识别速度。
作为优选，所述的步骤S1中，对采集获取的高压断路器的图像数据进行噪声分析和降噪处理，得到其对应的RGB直方图。
作为优选，所述的步骤S2具体包括：
S21、基于步骤S1中获取的RGB直方图，从其中分离出R、G、B三个颜色通道，并根据所述三个颜色通道分别建立直方图；
S22、对每个颜色的直方图的灰度值进行提取；
S23、将步骤S22中获取的每个颜色的直方图的灰度值与该颜色所对应的标准灰度值进行比较，当比较值大于1时，对灰度值进行正向运算，当比较值小于1时，对灰度值进行逆向运算，以此获取每个颜色对应的直方图的特征值。
作为优选，所述的步骤S3具体包括：
S31、对步骤S2中的特征值进行标准化，将进行标准化后的特征值作为样本数据，计算公式如下：
Figure BDA0003113254500000021
其中，xk为样本数据中的第k个样本值，
Figure BDA0003113254500000022
为当前k个样本的均值，s(Xk)为当前k个样本的标准差；
S32、设定分类数M和算法循环次数上限N；
S33、在样本数据中随机选择M个数据作为初始聚类中心；
S34、对于样本数据中的所有特征值，选择距离最短的聚类中心作为其所属类别；
S35、根据归类结果更新聚类中心，求各个聚类中心所有样本的平均值，将平均值作为新的聚类中心；
S36、根据聚类中心，重复步骤S34～S35，直至聚类中心不再变化，或者算法循环次数达到上限N，此时输出聚类结果作为高压断路器的图像数据分类。
作为优选，所述的步骤S4具体包括：
S41、根据高压断路器的图像数据的分类结果，选择其相对应的所有分布存储节点；
S42、在所有分布存储节点中选择传输路径最短的分布存储节点作为该高压断路器的图像数据的分布存储节点；
S43、将高压断路器的图像数据加密传输至步骤S42中选择的分布存储节点进行存储。
将高压断路器的图像数据通过加密的方式传输至其所对应的分布式存储节点，保证了数据传输的安全性。
作为优选，所述的步骤S43具体包括：
将高压断路器的图像数据的获取时间转换成二进制形式作为加密秘钥A1；
将步骤S42中选择的分布存储节点的编号转换成二进制形式作为加密秘钥A2；
将加密秘钥A1和加密秘钥A2组合生成加密秘钥A；
通过加密秘钥A对高压断路器的图像数据进行加密生成数据密文；
通过公有秘钥对加密秘钥A进行加密生成秘钥密文；
将数据密文和秘钥密文一起传输至分布存储节点；
分布存储节点使用私有秘钥对秘钥密文解密得到加密秘钥A，使用加密秘钥A对数据密文解密得到高压断路器的图像数据，进行存储。
采用双重加密的形式，进一步提高了高压断路器的图像数据在传输过程中被破坏的难度，保证了数据传输的安全性。
作为优选，所述的将加密秘钥A1和加密秘钥A2组合生成加密秘钥A具体包括：
将加密秘钥A1的第一个字符与加密秘钥A2的第一个字符相加、加密秘钥A1的第二个字符与加密秘钥A2的第二个字符相加…以此类推，得到加密秘钥A。
作为优选，所述的将加密秘钥A1和加密秘钥A2组合生成加密秘钥A具体包括：
将加密秘钥A1与加密秘钥A2进行奇偶位交错组合生成加密秘钥A。
本发明的有益效果是：
1)得到高压断路器的图像数据所对应的RGB直方图，将RGB直方图的特征值作为样本数据进行K均值聚类，获取高压断路器的图像数据分类，并根据分类结果进行分布式存储，提升了高压断路器图像数据的存储效率，同时也提升了数据的读取效率，间接提升了后续故障识别模型的故障识别速度；
2)将高压断路器的图像数据通过加密的方式传输至其所对应的分布式存储节点，保证了数据传输的安全性。
附图说明
图1是本发明的一种方法流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：本实施例的一种基于云计算的高压断路器分布式大数据存储方法，如图1所示，包括以下步骤：
S1、对采集获取的高压断路器的图像数据进行图像处理，得到RGB直方图，具体包括：
对采集获取的高压断路器的图像数据进行噪声分析和降噪处理，得到其对应的RGB直方图。
S2、提取RGB直方图的特征值，具体包括：
S21、基于步骤S1中获取的RGB直方图，从其中分离出R、G、B三个颜色通道，并根据所述三个颜色通道分别建立直方图；
S22、对每个颜色的直方图的灰度值进行提取；
S23、将步骤S22中获取的每个颜色的直方图的灰度值与该颜色所对应的标准灰度值进行比较，当比较值大于1时，对灰度值进行正向运算，当比较值小于1时，对灰度值进行逆向运算，以此获取每个颜色对应的直方图的特征值。
S3、将RGB直方图的特征值作为样本数据，进行K均值聚类，以获取高压断路器的图像数据分类，具体包括：
S31、对步骤S2中的特征值进行标准化，将进行标准化后的特征值作为样本数据，计算公式如下：
Figure BDA0003113254500000041
其中，xk为样本数据中的第k个样本值，
Figure BDA0003113254500000042
为当前k个样本的均值，s(Xk)为当前k个样本的标准差；
S32、设定分类数M和算法循环次数上限N；
S33、在样本数据中随机选择M个数据作为初始聚类中心；
S34、对于样本数据中的所有特征值，选择距离最短的聚类中心作为其所属类别；
S35、根据归类结果更新聚类中心，求各个聚类中心所有样本的平均值，将平均值作为新的聚类中心；
S36、根据聚类中心，重复步骤S34～S35，直至聚类中心不再变化，或者算法循环次数达到上限N，此时输出聚类结果作为高压断路器的图像数据分类。
S4、将步骤S3中完成分类的高压断路器的图像数据存储至相应的分布存储节点，具体包括：
S41、根据高压断路器的图像数据的分类结果，选择其相对应的所有分布存储节点；
S42、在所有分布存储节点中选择传输路径最短的分布存储节点作为该高压断路器的图像数据的分布存储节点；
S43、将高压断路器的图像数据加密传输至步骤S42中选择的分布存储节点进行存储：
将高压断路器的图像数据的获取时间转换成二进制形式作为加密秘钥A1；
将步骤S42中选择的分布存储节点的编号转换成二进制形式作为加密秘钥A2；
将加密秘钥A1和加密秘钥A2组合生成加密秘钥A，有以下2种方式：
将加密秘钥A1的第一个字符与加密秘钥A2的第一个字符相加、加密秘钥A1的第二个字符与加密秘钥A2的第二个字符相加…以此类推，得到加密秘钥A；或者将加密秘钥A1与加密秘钥A2进行奇偶位交错组合生成加密秘钥A；
通过加密秘钥A对高压断路器的图像数据进行加密生成数据密文；
通过公有秘钥对加密秘钥A进行加密生成秘钥密文；
将数据密文和秘钥密文一起传输至分布存储节点；
分布存储节点使用私有秘钥对秘钥密文解密得到加密秘钥A，使用加密秘钥A对数据密文解密得到高压断路器的图像数据，进行存储。
本发明得到高压断路器的图像数据所对应的RGB直方图，将RGB直方图的特征值作为样本数据进行K均值聚类，获取高压断路器的图像数据分类，并根据分类结果进行分布式存储，提升了高压断路器图像数据的存储效率，同时也提升了数据的读取效率，间接提升了后续故障识别模型的故障识别速度。将高压断路器的图像数据通过加密的方式传输至其所对应的分布式存储节点，保证了数据传输的安全性。

Claims (8)

1.一种基于云计算的高压断路器分布式大数据存储方法，其特征在于，包括以下步骤：
S1、对采集获取的高压断路器的图像数据进行图像处理，得到RGB直方图；
S2、提取RGB直方图的特征值；
S3、将RGB直方图的特征值作为样本数据，进行K均值聚类，以获取高压断路器的图像数据分类；
S4、将步骤S3中完成分类的高压断路器的图像数据存储至相应的分布存储节点。
2.根据权利要求1所述的一种基于云计算的高压断路器分布式大数据存储方法，其特征在于，所述步骤S1中，对采集获取的高压断路器的图像数据进行噪声分析和降噪处理，得到其对应的RGB直方图。
3.根据权利要求1所述的一种基于云计算的高压断路器分布式大数据存储方法，其特征在于，所述步骤S2具体包括：
S21、基于步骤S1中获取的RGB直方图，从其中分离出R、G、B三个颜色通道，并根据所述三个颜色通道分别建立直方图；
S22、对每个颜色的直方图的灰度值进行提取；
S23、将步骤S22中获取的每个颜色的直方图的灰度值与该颜色所对应的标准灰度值进行比较，当比较值大于1时，对灰度值进行正向运算，当比较值小于1时，对灰度值进行逆向运算，以此获取每个颜色对应的直方图的特征值。
4.根据权利要求1所述的一种基于云计算的高压断路器分布式大数据存储方法，其特征在于，所述步骤S3具体包括：
S31、对步骤S2中的特征值进行标准化，将进行标准化后的特征值作为样本数据，计算公式如下：
Figure FDA0003113254490000011
其中，xk为样本数据中的第k个样本值，
Figure FDA0003113254490000012
为当前k个样本的均值，s(Xk)为当前k个样本的标准差；
S32、设定分类数M和算法循环次数上限N；
S33、在样本数据中随机选择M个数据作为初始聚类中心；
S34、对于样本数据中的所有特征值，选择距离最短的聚类中心作为其所属类别；
S35、根据归类结果更新聚类中心，求各个聚类中心所有样本的平均值，将平均值作为新的聚类中心；
S36、根据聚类中心，重复步骤S34～S35，直至聚类中心不再变化，或者算法循环次数达到上限N，此时输出聚类结果作为高压断路器的图像数据分类。
5.根据权利要求1所述的一种基于云计算的高压断路器分布式大数据存储方法，其特征在于，所述步骤S4具体包括：
S41、根据高压断路器的图像数据的分类结果，选择其相对应的所有分布存储节点；
S42、在所有分布存储节点中选择传输路径最短的分布存储节点作为该高压断路器的图像数据的分布存储节点；
S43、将高压断路器的图像数据加密传输至步骤S42中选择的分布存储节点进行存储。
6.根据权利要求5所述的一种基于云计算的高压断路器分布式大数据存储方法，其特征在于，所述步骤S43具体包括：
将高压断路器的图像数据的获取时间转换成二进制形式作为加密秘钥A1；
将步骤S42中选择的分布存储节点的编号转换成二进制形式作为加密秘钥A2；
将加密秘钥A1和加密秘钥A2组合生成加密秘钥A；
通过加密秘钥A对高压断路器的图像数据进行加密生成数据密文；
通过公有秘钥对加密秘钥A进行加密生成秘钥密文；
将数据密文和秘钥密文一起传输至分布存储节点；
分布存储节点使用私有秘钥对秘钥密文解密得到加密秘钥A，使用加密秘钥A对数据密文解密得到高压断路器的图像数据，进行存储。
7.根据权利要求6所述的一种基于云计算的高压断路器分布式大数据存储方法，其特征在于，将加密秘钥A1和加密秘钥A2组合生成加密秘钥A具体包括：
将加密秘钥A1的第一个字符与加密秘钥A2的第一个字符相加、加密秘钥A1的第二个字符与加密秘钥A2的第二个字符相加…以此类推，得到加密秘钥A。
8.根据权利要求6所述的一种基于云计算的高压断路器分布式大数据存储方法，其特征在于，将加密秘钥A1和加密秘钥A2组合生成加密秘钥A具体包括：
将加密秘钥A1与加密秘钥A2进行奇偶位交错组合生成加密秘钥A。
CN202110654492.6A 2021-06-11 2021-06-11 一种基于云计算的高压断路器分布式大数据存储方法 Active CN113505813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110654492.6A CN113505813B (zh) 2021-06-11 2021-06-11 一种基于云计算的高压断路器分布式大数据存储方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110654492.6A CN113505813B (zh) 2021-06-11 2021-06-11 一种基于云计算的高压断路器分布式大数据存储方法

Publications (2)

Publication Number Publication Date
CN113505813A true CN113505813A (zh) 2021-10-15
CN113505813B CN113505813B (zh) 2024-07-12

Family

ID=78010266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110654492.6A Active CN113505813B (zh) 2021-06-11 2021-06-11 一种基于云计算的高压断路器分布式大数据存储方法

Country Status (1)

Country Link
CN (1) CN113505813B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070237408A1 (en) * 2006-04-05 2007-10-11 Kabushiki Kaisha Toshiba Image processing apparatus and image processing method
CN102123392A (zh) * 2011-03-08 2011-07-13 东南大学 一种分布式无线传感器网络密钥管理方法
US20150243050A1 (en) * 2014-02-26 2015-08-27 Canon Kabushiki Kaisha Image processing apparatus, image processing method, and storage medium
KR101717079B1 (ko) * 2015-10-07 2017-03-16 민운기 색 히스토그램 정보 중복성에 관한 영상 키 인증 방법 및 시스템
CN108446680A (zh) * 2018-05-07 2018-08-24 西安电子科技大学 一种基于边缘计算的人脸认证系统中的隐私保护方法
CN109977251A (zh) * 2019-03-05 2019-07-05 武汉摩小超科技有限公司 一种构建基于rgb直方图特征识别商品的方法
CN110108704A (zh) * 2019-05-10 2019-08-09 合肥学院 一种蓝藻自动监测预警方法及其自动监测预警系统
CN111324766A (zh) * 2020-02-24 2020-06-23 南京信息工程大学 一种基于lbp特征的加密图像检索方法
CN112561976A (zh) * 2020-12-09 2021-03-26 齐鲁工业大学 一种图像主颜色特征提取方法、图像检索方法、存储介质及设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070237408A1 (en) * 2006-04-05 2007-10-11 Kabushiki Kaisha Toshiba Image processing apparatus and image processing method
CN102123392A (zh) * 2011-03-08 2011-07-13 东南大学 一种分布式无线传感器网络密钥管理方法
US20150243050A1 (en) * 2014-02-26 2015-08-27 Canon Kabushiki Kaisha Image processing apparatus, image processing method, and storage medium
KR101717079B1 (ko) * 2015-10-07 2017-03-16 민운기 색 히스토그램 정보 중복성에 관한 영상 키 인증 방법 및 시스템
CN108446680A (zh) * 2018-05-07 2018-08-24 西安电子科技大学 一种基于边缘计算的人脸认证系统中的隐私保护方法
CN109977251A (zh) * 2019-03-05 2019-07-05 武汉摩小超科技有限公司 一种构建基于rgb直方图特征识别商品的方法
CN110108704A (zh) * 2019-05-10 2019-08-09 合肥学院 一种蓝藻自动监测预警方法及其自动监测预警系统
CN111324766A (zh) * 2020-02-24 2020-06-23 南京信息工程大学 一种基于lbp特征的加密图像检索方法
CN112561976A (zh) * 2020-12-09 2021-03-26 齐鲁工业大学 一种图像主颜色特征提取方法、图像检索方法、存储介质及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李劭等: "云计算下分布式大数据智能存储算法仿真", 计算机仿真, vol. 37, no. 5, pages 1 - 3 *
林子萱;金思静;刘颖;周勇;程航;: "一种基于多特征融合的加密图像检索技术", 海峡科学, no. 04 *

Also Published As

Publication number Publication date
CN113505813B (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
Shapira et al. Flowpic: Encrypted internet traffic classification is as easy as image recognition
CN110012029B (zh) 一种区分加密和非加密压缩流量的方法和系统
Gritsenko et al. Finding a ‘new’needle in the haystack: Unseen radio detection in large populations using deep learning
CN109768985A (zh) 一种基于流量可视化与机器学习算法的入侵检测方法
CN112311814B (zh) 基于深度学习的恶意加密流量识别方法、系统及电子设备
CN110460502B (zh) 基于分布特征随机森林的vpn下应用程序流量识别方法
CN110611640A (zh) 一种基于随机森林的dns协议隐蔽通道检测方法
CN110602078A (zh) 一种基于生成对抗网络的应用加密流量生成方法及系统
CN112637834B (zh) 一种无线通信设备的指纹融合识别方法及装置
Wu et al. TDAE: Autoencoder-based automatic feature learning method for the detection of DNS tunnel
CN114301850B (zh) 一种基于生成对抗网络与模型压缩的军用通信加密流量识别方法
CN113132397B (zh) 一种基于深度学习的网络加密流量识别方法、装置及设备
CN114169499A (zh) 基于LeNet5-RF算法的分组密码体制识别方法
CN113505813B (zh) 一种基于云计算的高压断路器分布式大数据存储方法
CN113132291B (zh) 一种边缘侧基于网络流量的异构终端特征生成及识别方法
Sameer et al. Source camera identification model: Classifier learning, role of learning curves and their interpretation
CN111291078A (zh) 一种域名匹配检测方法及装置
CN113438067B (zh) 一种压缩密钥猜测空间的侧信道攻击方法
CN110417786B (zh) 一种基于深度特征的p2p流量细粒度识别方法
Wang et al. General GAN-generated image detection by data augmentation in fingerprint domain
Komadina et al. Detecting anomalies in firewall logs using artificially generated attacks
CN113159181A (zh) 基于改进的深度森林的工业控制网络异常检测方法和系统
Krishna Classifying classic ciphers using machine learning
Harmer et al. Direct template-free encryption key generation from palm-veins
CN116756637B (zh) 一种无线信号智能检测识别方法及计算机可读存储介质

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