CN113900817A - 一种基于ipv6能源行业的镜像根服务器处理终端机处理方法 - Google Patents
一种基于ipv6能源行业的镜像根服务器处理终端机处理方法 Download PDFInfo
- Publication number
- CN113900817A CN113900817A CN202111204733.3A CN202111204733A CN113900817A CN 113900817 A CN113900817 A CN 113900817A CN 202111204733 A CN202111204733 A CN 202111204733A CN 113900817 A CN113900817 A CN 113900817A
- Authority
- CN
- China
- Prior art keywords
- terminal
- mirror image
- root server
- server
- mirror
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- 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
Abstract
本发明提出一种基于IPV6镜像根服务器处理终端机处理方法,包括:由终端发起网络请求,所述网络请求先由终端发送至负载均衡服务器;所述负载均衡服务器对网络请求进行终端侧的解析;若所解析得到的结果为能源行业的终端请求,则将该网络请求定向至能源行业的镜像根服务器;若所解析得到的结果为其他行业的终端请求,则将该网络请求定向至其它行业镜像根服务器;所述终端侧的解释结果为综合,则将该网络请求定向至综合镜像服务器。本发明根据行业分类,增设一定数量的行业镜像根服务器,例如:能源行业镜像根服务器以及其他行业镜像根服务器,以与常规的综合镜像根服务器进行区分;而且均衡负载服务器对访问终端进行解析,根据参数信息定向至最适合的镜像根服务器,特定终端在访问网络时,能够提高网络接入速度,并能提高安全性。
Description
技术领域
本发明属于网络通信领域,尤其涉及一种基于IPV6能源行业的镜像根服务器处理终端机处理方法。
背景技术
IPv4是“Internet Protocol Version 4”的缩写,也就是“互联网协议第4版”。这是目前全球互联网最广泛使用的核心协议,IPv4的地址采用32位长度,包含了大约43亿个IP地址。43亿听上去很多,但是今天全世界76亿人口中网民总数已经超过了40亿,并且实际上网的设备数量(如:电脑、手机,智能硬件等)要远远超过这个数字,显然43亿个IP地址是不够分的;更不用说美国占据了50%以上的IP地址,而中国能获得的IP地址数量非常有限,目前只能使用“动态IP”、“内网IP”等方法进行技术上的妥协。
随着IPv4地址资源的耗尽,它的升级版本IPv6受到越来越多人的关注。IPv6地址采用128位长度,地址容量达2的128次方个。这一数量级好比“地球上每一粒沙都分配到一个IP地址”,实际IPv6地址的数量接近于无限。
在万物互联的物联网时代,对于网络地址的需求会出现爆发式增长,因为需要联网的设备数量将会远远多于人口数,所以在可预见的将来,互联网核心协议必将会从IPv4升级到IPv6。
在万物互联时代,包括:手机、平板、手表、电视、空调、热水器、冰箱、灯具等等,由于实际上网的设备数实际能到到千亿甚至万亿级别,因此基于IPV4的解析方案将慢慢向IPV6过渡,一方面这是现实的应用实际需求,另一方面是国家信息安全的考量,这是因为在目前的IPv4的体系下,全世界只有13台根服务器(名字分别为“A”至“M”),其中美国拥有1台主根服务器,在其余的12台辅根服务器中,其中9台部署在美国,2台在欧洲(英国和瑞典),1台在亚洲(日本)。也就是说,互联网的主导权本质上牢牢地掌握在美国手里。由于全世界只有13台根服务器,无法抵御大规模的DDoS(分布式拒绝服务,Distributed Denial ofService)攻击。
基于上述问题,中国发起了“雪人计划”,已在全球完成25台IPv6根服务器的架设,其中有4台部署在中国,打破了中国过去没有根服务器的困境。
然而,我们仍然面临着例如大规模DDoS攻击,以及终端访问速度过慢的问题,因此本申请提出除了IPv6根服务器之外,还需要建设一定数量的镜像根服务器,以更好的提高网络系统的安全性、稳定性,并能提高终端接入速度。
发明人提出根据行业分类,增设一定数量的行业镜像根服务器,例如:能源行业镜像根服务器以及其他行业镜像根服务器,以与常规的综合镜像根服务器进行区分;而且均衡负载服务器对访问终端进行解析,根据参数信息定向至最适合的镜像根服务器,特定终端在访问网络时,能够提高网络接入速度,并能提高安全性。
发明内容
为解决上述问题,本申请提出了一种基于IPV6镜像根服务器处理终端机处理方法,所述方法包括:
由终端发起网络请求,所述网络请求先由终端发送至负载均衡服务器;
所述负载均衡服务器对网络请求进行终端侧的解析;
若所解析得到的结果为能源行业的终端请求,则将该网络请求定向至能源行业的镜像根服务器之一;
若所解析得到的结果为其他行业的终端请求,则将该网络请求定向至其它行业镜像根服务器之一;
所述终端侧的解释结果为综合,则将该网络请求定向至综合镜像服务器之一;
可选的,所述终端解析时的第一参数包括:终端类型、终端地理位置、终端物理地址、终端使用时间、终端访问记录中的至少一项。
可选的,当所述终端侧的解析结果不属于预先设定的任一指定行业时,所述解释结果为综合。
可选的,所述定向采用深度神经网络来完成定向判断,完成镜像根服务器的选择。
可选的,所述深度神经网络除了利用上述第一参数外,还利用第二参数,所述第二参数包括:当前各镜像根服务器的域名解析数量、历史平均解析时间、最大解析时间、最小解析时间中的至少一项。
可选的,所述深度神经网络包括输入层、多个隐含层、以及一个输出层,所述输入层接收来自所述第一参数与所述第二参数;所述多个隐含层包括一个或多个卷积层、一个或多个池化层以及一个全连接层;所述输出层输出所选择的镜像根服务器。
可选的,所述深度神经网络的隐含层设置有损失函数,所述损失函数为:N表示所述样本数据集的大小,i取值1~N,yi表示样本xi对应的标签;Qyi表示样本xi在其标签yi处的权重,Myi表示样本xi在其标签yi处的偏差,Mj表示输出节点j处的偏差;θj,i为样本xi与其对应标签yi的权重夹角。
可选的,所述隐含层包含有激励函数,所述激励函数为:
其中,θyi表示为样本xi与其对应标签yi的向量夹角;所述N表示训练样本个数;Wyi表示当前节点权重大小。
本发明还提出了一种均衡负载服务器,所述均衡负载服务器具有存储器以及处理器,所述处理器用于执行上述任一项所述的方法。
本发明还提出了一种计算机存储介质,所述计算机存储截至上存储有计算机程序指令,所述程序指令用于执行上述任一项所述的方法。
附图说明
图1是本发明的方法流程图。
具体实施方式
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法,为解决深层结构相关的优化难题带来希望,随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法,它利用空间相对关系减少参数数目以提高训练性能。
合理推定本领域技术人员均已知晓与上述有关的基础概念,故而后文仅对与本申请独创性贡献的内容进行展开描述。
在能够理解上述基本概念及常规操作方式的基础上,本申请提出了一种基于IPV6镜像根服务器处理终端机处理方法,所述方法包括:
A.终端发起网络请求,网络请求先由终端发送至负载均衡服务器;
B.负载均衡服务器对网络请求进行终端侧的解析;
C.根据解析结果定向至镜像根服务器。
具体的,所述步骤A具体为:
由终端发起网络请求,所述网络请求先由终端发送至负载均衡服务器;
所述步骤B具体为:
所述负载均衡服务器对网络请求进行终端侧的解析;
所述步骤C具体为:
若所解析得到的结果为能源行业的终端请求,则将该网络请求定向至能源行业的镜像根服务器之一;
若所解析得到的结果为其他行业的终端请求,则将该网络请求定向至其它行业镜像根服务器之一;
所述终端侧的解释结果为综合,则将该网络请求定向至综合镜像服务器之一;
可选的,所述终端解析时的第一参数包括:终端类型、终端地理位置、终端物理地址、终端使用时间、终端访问记录中的至少一项。
可选的,当所述终端侧的解析结果不属于预先设定的任一指定行业时,所述解释结果为综合。
可选的,所述定向采用深度神经网络来完成定向判断,完成镜像根服务器的选择。
可选的,所述深度神经网络除了利用上述第一参数外,还利用第二参数,所述第二参数包括:当前各镜像根服务器的域名解析数量、历史平均解析时间、最大解析时间、最小解析时间中的至少一项。
可选的,所述深度神经网络包括输入层、多个隐含层、以及一个输出层,所述输入层接收来自所述第一参数与所述第二参数;所述多个隐含层包括一个或多个卷积层、一个或多个池化层以及一个全连接层;所述输出层输出所选择的镜像根服务器。
可选的,所述深度神经网络的隐含层设置有损失函数,所述损失函数为:N表示所述样本数据集的大小,i取值1~N,yi表示样本xi对应的标签;Qyi表示样本xi在其标签yi处的权重,Myi表示样本xi在其标签yi处的偏差,Mj表示输出节点j处的偏差;θj,i为样本xi与其对应标签yi的权重夹角。
可选的,所述隐含层包含有激励函数,所述激励函数为:
其中,θyi表示为样本xi与其对应标签yi的向量夹角;所述N表示训练样本个数;Wyi表示当前节点权重大小。
本发明还提出了一种均衡负载服务器,所述均衡负载服务器具有存储器以及处理器,所述处理器用于执行上述任一项所述的方法。
本发明还提出了一种计算机存储介质,所述计算机存储截至上存储有计算机程序指令,所述程序指令用于执行上述任一项所述的方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行供电设备使用的指令的有形供电设备。计算机可读存储介质例如可以是但不限于电存储供电设备、磁存储供电设备、光存储供电设备、电磁存储供电设备、半导体存储供电设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码供电设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理供电设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储供电设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理供电设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理供电设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他供电设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它供电设备上,使得在计算机、其它可编程数据处理装置或其它供电设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它供电设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于IPV6镜像根服务器处理终端机处理方法,所述方法包括:
由终端发起网络请求,所述网络请求先由终端发送至负载均衡服务器;
所述负载均衡服务器对网络请求进行终端侧的解析;
若所解析得到的结果为能源行业的终端请求,则将该网络请求定向至能源行业的镜像根服务器之一;
若所解析得到的结果为其他行业的终端请求,则将该网络请求定向至其它行业镜像根服务器之一;
所述终端侧的解释结果为综合,则将该网络请求定向至综合镜像服务器之一。
2.根据权利要求1所述的一种基于IPV6镜像根服务器处理终端机处理方法,所述终端解析时的第一参数包括:终端类型、终端地理位置、终端物理地址、终端使用时间、终端访问记录中的至少一项。
3.根据权利要求1所述的一种基于IPV6镜像根服务器处理终端机处理方法,当所述终端侧的解析结果不属于预先设定的任一指定行业时,所述解释结果为综合。
4.根据权利要求1所述的一种基于IPV6镜像根服务器处理终端机处理方法,所述定向采用深度神经网络来完成定向判断,完成镜像根服务器的选择。
5.根据权利要求4所述的一种基于IPV6镜像根服务器处理终端机处理方法,所述深度神经网络除了利用上述第一参数外,还利用第二参数,所述第二参数包括:当前各镜像根服务器的域名解析数量、历史平均解析时间、最大解析时间、最小解析时间中的至少一项。
6.根据权利要求4所述的一种基于IPV6镜像根服务器处理终端机处理方法,所述深度神经网络包括输入层、多个隐含层、以及一个输出层,所述输入层接收来自所述第一参数与所述第二参数;所述多个隐含层包括一个或多个卷积层、一个或多个池化层以及一个全连接层;所述输出层输出所选择的镜像根服务器。
9.一种均衡负载服务器,所述均衡负载服务器具有存储器以及处理器,所述处理器用于执行上述权利要求1-8任一项所述的方法。
10.一种计算机存储介质,所述计算机存储截至上存储有计算机程序指令,所述程序指令用于执行上述权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111204733.3A CN113900817B (zh) | 2021-10-15 | 2021-10-15 | 一种基于ipv6能源行业的镜像根服务器处理终端机处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111204733.3A CN113900817B (zh) | 2021-10-15 | 2021-10-15 | 一种基于ipv6能源行业的镜像根服务器处理终端机处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113900817A true CN113900817A (zh) | 2022-01-07 |
CN113900817B CN113900817B (zh) | 2022-09-13 |
Family
ID=79192388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111204733.3A Active CN113900817B (zh) | 2021-10-15 | 2021-10-15 | 一种基于ipv6能源行业的镜像根服务器处理终端机处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113900817B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7925713B1 (en) * | 1999-11-22 | 2011-04-12 | Akamai Technologies, Inc. | Method for operating an integrated point of presence server network |
CN103051740A (zh) * | 2012-12-13 | 2013-04-17 | 上海牙木通讯技术有限公司 | 域名解析方法、dns服务器及域名解析系统 |
CN105610991A (zh) * | 2016-03-31 | 2016-05-25 | 北京网瑞达科技有限公司 | 一种dhcp环境下递归解析dns服务器的负载均衡方法 |
US10104101B1 (en) * | 2017-04-28 | 2018-10-16 | Qualys, Inc. | Method and apparatus for intelligent aggregation of threat behavior for the detection of malware |
CN109040197A (zh) * | 2018-07-13 | 2018-12-18 | 中天宽带技术有限公司 | 一种基于web负载均衡系统的智能网关管理系统及方法 |
CN110086895A (zh) * | 2019-04-11 | 2019-08-02 | 天津字节跳动科技有限公司 | 域名解析方法、装置、介质和电子设备 |
CN110247932A (zh) * | 2019-07-04 | 2019-09-17 | 北京润通丰华科技有限公司 | 一种实现dns服务防御的检测系统和方法 |
US10616179B1 (en) * | 2015-06-25 | 2020-04-07 | Amazon Technologies, Inc. | Selective routing of domain name system (DNS) requests |
CN111988340A (zh) * | 2020-09-09 | 2020-11-24 | 中国人民解放军国防科技大学 | 基于深度迁移学习的小样本DDoS攻击检测方法 |
-
2021
- 2021-10-15 CN CN202111204733.3A patent/CN113900817B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7925713B1 (en) * | 1999-11-22 | 2011-04-12 | Akamai Technologies, Inc. | Method for operating an integrated point of presence server network |
CN103051740A (zh) * | 2012-12-13 | 2013-04-17 | 上海牙木通讯技术有限公司 | 域名解析方法、dns服务器及域名解析系统 |
US10616179B1 (en) * | 2015-06-25 | 2020-04-07 | Amazon Technologies, Inc. | Selective routing of domain name system (DNS) requests |
CN105610991A (zh) * | 2016-03-31 | 2016-05-25 | 北京网瑞达科技有限公司 | 一种dhcp环境下递归解析dns服务器的负载均衡方法 |
US10104101B1 (en) * | 2017-04-28 | 2018-10-16 | Qualys, Inc. | Method and apparatus for intelligent aggregation of threat behavior for the detection of malware |
CN109040197A (zh) * | 2018-07-13 | 2018-12-18 | 中天宽带技术有限公司 | 一种基于web负载均衡系统的智能网关管理系统及方法 |
CN110086895A (zh) * | 2019-04-11 | 2019-08-02 | 天津字节跳动科技有限公司 | 域名解析方法、装置、介质和电子设备 |
CN110247932A (zh) * | 2019-07-04 | 2019-09-17 | 北京润通丰华科技有限公司 | 一种实现dns服务防御的检测系统和方法 |
CN111988340A (zh) * | 2020-09-09 | 2020-11-24 | 中国人民解放军国防科技大学 | 基于深度迁移学习的小样本DDoS攻击检测方法 |
Non-Patent Citations (3)
Title |
---|
SEJUN LEE ET AL: "DNSNA: DNS name autoconfiguration for Internet of Things devices", 《2016 18TH INTERNATIONAL CONFERENCE ON ADVANCED COMMUNICATION TECHNOLOGY (ICACT)》 * |
向九松等: "基于IPV6根镜像的DNS优化方案研究", 《现代信息科技》 * |
王伟等: "域名镜像服务器部署分析", 《计算机工程与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113900817B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ge et al. | Deep learning-based intrusion detection for IoT networks | |
Chatterjee et al. | Detecting phishing websites through deep reinforcement learning | |
CN111814966A (zh) | 神经网络架构搜索方法、神经网络应用方法、设备及存储介质 | |
CN108885713B (zh) | 图像分类神经网络 | |
EP3186753B1 (en) | Processing images using deep neural networks | |
JP2017126332A (ja) | コア・ベース・ニューロモーフィック・システムにおいて確率的スパイク・パターンを効率的に生成するためのシステムおよび方法 | |
KR20220054812A (ko) | 훈련된 머신 러닝 모델에 적대적 견고성 추가 | |
CN111400504A (zh) | 企业关键人的识别方法和装置 | |
US11182457B2 (en) | Matrix-factorization based gradient compression | |
CA3107549A1 (en) | Quantum circuit embedding by simulated annealing | |
Chatterjee et al. | Deep reinforcement learning for detecting malicious websites | |
JP6725452B2 (ja) | 分類装置、分類方法および分類プログラム | |
CN115170815A (zh) | 视觉任务处理及模型训练的方法、装置、介质 | |
CN113900817B (zh) | 一种基于ipv6能源行业的镜像根服务器处理终端机处理方法 | |
CN111107181A (zh) | Nat规则匹配方法、装置、电子设备及存储介质 | |
US11201789B1 (en) | Coordinated device grouping in fog computing | |
KR20220030635A (ko) | 적대적 사례에 강인한 심층 신경망 모델을 위한 입력 장치 및 방법 | |
JP7290183B2 (ja) | データ処理の方法、ニューラルネットワークの学習方法及びデバイス | |
Yigit et al. | TwinPot: Digital twin-assisted honeypot for cyber-secure smart seaports | |
CN114726823B (zh) | 一种基于生成对抗网络的域名生成方法、装置和设备 | |
Dahanayaka et al. | Robust open-set classification for encrypted traffic fingerprinting | |
CN105516114A (zh) | 一种基于网页哈希值扫描漏洞的方法、装置及电子设备 | |
KR20220124106A (ko) | 그래프 신경망 기반 가상 네트워크 관리 방법 및 장치 | |
CN113630379A (zh) | 一种网络安全态势预测方法、装置、设备及存储介质 | |
CN115694947B (zh) | 基于对抗生成dqn的网络加密流量威胁样本生成机制方法 |
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 | ||
CP03 | Change of name, title or address |
Address after: 510000 room 406, building 2, No. 2, siyouyi Road, Yuexiu District, Guangzhou, Guangdong Province Patentee after: China Southern Power Grid Digital Power Grid Group Information Communication Technology Co.,Ltd. Address before: 510030 4th floor, building 2, Zhujiang bin, siyouyima Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU POWER COMMUNICATION NETWORKS CO.,LTD. |
|
CP03 | Change of name, title or address |