CN115277243B - 一种基于lru高速缓存的网络通信方法 - Google Patents
一种基于lru高速缓存的网络通信方法 Download PDFInfo
- Publication number
- CN115277243B CN115277243B CN202210932234.4A CN202210932234A CN115277243B CN 115277243 B CN115277243 B CN 115277243B CN 202210932234 A CN202210932234 A CN 202210932234A CN 115277243 B CN115277243 B CN 115277243B
- Authority
- CN
- China
- Prior art keywords
- host
- data
- linked list
- lru
- group
- 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
- 230000006854 communication Effects 0.000 title claims abstract description 102
- 238000004891 communication Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 241000700605 Viruses Species 0.000 claims abstract description 30
- 238000012795 verification Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000011084 recovery Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 208000015181 infectious disease Diseases 0.000 claims description 7
- 230000000903 blocking effect Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000009545 invasion Effects 0.000 abstract description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/083—Network architectures or network communication protocols for network security for authentication of entities using passwords
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F12/00—Accessing, addressing or allocating within memory systems or architectures
- G06F12/02—Addressing or allocation; Relocation
- G06F12/08—Addressing or allocation; Relocation in hierarchically structured memory systems, e.g. virtual memory systems
- G06F12/12—Replacement control
- G06F12/121—Replacement control using replacement algorithms
- G06F12/123—Replacement control using replacement algorithms with age lists, e.g. queue, most recently used [MRU] list or least recently used [LRU] list
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1441—Countermeasures against malicious traffic
- H04L63/145—Countermeasures against malicious traffic the attack involving the propagation of malware through the network, e.g. viruses, trojans or worms
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Virology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于LRU高速缓存的网络通信方法，属于网络通信技术领域，该通信方法具体步骤如下：(1)主机接收登陆请求并进行验证；(2)构建LRU链表缓存各主机信息；(3)实时接收并分析各主机通信数据；(4)更新LRU链表信息并进行数据回收；本发明通过构建分析神经网络，能够提高各主机的数据检索效率，大幅提高主机对异常数据分析准确率，避免通信过程中发生病毒入侵，提高网络通信安全性，能够将工作人员通信的各组主机进行记录，并通过LRU链表进行排序，方便移动终端找寻相关主机进行通信连接，提高网络通信效率，同时定期对各启动链表中的冗余数据进行处理，有效降低各主机运行占用率。
Description
技术领域
本发明涉及网络通信技术领域，尤其涉及一种基于LRU高速缓存的网络通信方法。
背景技术
网络是用物理链路将各个孤立的工作站或主机相连在一起，组成数据链路，从而达到资源共享和通信的目的。通信是人与人之间通过某种媒体进行的信息交流与传递。网络通信是通过网络将各个孤立的设备进行连接，通过信息交换实现人与人，人与计算机，计算机与计算机之间的通信，网络通信中最重要的就是网络通信协议，通俗地说，网络协议就是网络之间沟通、交流的桥梁，只有相同网络协议的计算机才能进行信息的沟通与交流，现代通信网络是由专业机构以通信设备和相关工作程序有机建立的系统，是为个人、企事业单位和社会提供各类通信服务的总和，如今计算机网和通信网已经密不可分；因此，发明出一种基于LRU高速缓存的网络通信方法变得尤为重要；
经检索，中国专利号CN201910902028.7公开了一种网络通信方法及网络通信架构，该发明虽然解决投资成本高、管理复杂效率低、运维难度大、运行成本高和数据安全无法得到保障的问题，但是各各主机的数据检索效率，主机对异常数据分析准确率低，容易在通信过程中发生病毒入侵；此外，现有的网络通信方法，不便于方便移动终端找寻相关主机进行通信连接，降低网络通信效率，主机运行占用率高；为此，我们提出一种基于LRU高速缓存的网络通信方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于LRU高速缓存的网络通信方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于LRU高速缓存的网络通信方法，该通信方法具体步骤如下：
(1)主机接收登陆请求并进行验证；
(2)构建LRU链表缓存各主机信息；
(3)实时接收并分析各主机通信数据；
(4)更新LRU链表信息并进行数据回收。
作为本发明的进一步方案，步骤(1)中所述主机验证具体步骤如下：
步骤一：工作人员通过终端设备向相应区域的主机发出登陆请求，主机接收到登陆请求后，依据工作人员发送的账号以及密码，从服务器中进行过检索；
步骤二：若存在相对应的账号信息，则将服务器中存储的密码与工作人员输入的密码进行比对，密码一致，则通过验证，密码不一致，则拒绝工作人员访问，若不存在相对应的账号信息，则停止访问。
作为本发明的进一步方案，步骤(2)中所述LRU链表缓存具体步骤如下：
第一步：各主机首次连接时，服务器为链接的每个主机生成一个启动链表，并对各组启动链表进行有序链接，再按照主机的LRU顺序，通过LRU链表对各组启动链表头部进行进一步链接；
第二步：收集最少连接的主机信息，并将该主机的启动链表安排在LRU链表的首位，并依次进行排序，之后对排序完成的各组的主机IP地址进行收集，并统计移动终端访问各主机次数。
作为本发明的进一步方案，步骤(3)中所述通信数据分析具体步骤如下：
S1.1：各主机分别构建并训练一组分析神经网络，之后将接收到的各组通信数据传输至分析神经网络中，同时分析神经网络与病毒共享库、云端虚拟机以及入侵共享数据库进行通信连接；
S1.2：分析神经网络对各组通信数据进行数据解析，同时对解析出的数据进行行为分析，并依据分析结果与入侵共享数据库进行检索对比，若存在对比结果一致的数据，则将相对应的通信数据进行拦截，若不存在，则允许该通信数据传输，并对各通信数据进行的特征代码进行提取；
S1.3：将提取出的特征代码与病毒共享库中各网络病毒特征代码进行对比，若存在某一部分特征代码相同，则通过文件自动查杀技术对该通信数据中的网络病毒数据进行阻隔查杀处理；
S1.4：若不存在相同的特征代码，分析神经网络将该通信数据上传至云端虚拟机进行传染模拟，并根据网络病毒定义而确立的传染标准进行病毒分析，并对存在病毒的通信数据进行阻隔查杀，并对发送异常通信数据的各设备IP地址进行收集反馈。
作为本发明的进一步方案，步骤(4)中所述分析神经网络训练具体步骤如下：
S2.1：各主机从服务器中提取过往通信数据，并对各组通信数据进行符值转换、归一化以及特征降维处理，再将降维处理后的交易数据分为验证集、测试集以及训练集；
S2.2：重复多次使用验证集中的各组数据对分析神经网络精度进行验证，并统计测试集中各数据均方根误差，同时对每组测试集中的数据都进行一次预测，并将预测结果最好的数据作为最优参数输出，并依据最优参数对训练集进行标准化处理；
S2.3：将训练样本输送到分析神经网络中，并采用长期迭代法对该分析神经网络进行实时优化，并通过焦点损失函数对该分析神经网络运行损失值进行计算，再依据计算出的损失值对该分析神经网络进行准确率、检出率以及误报率分析。
作为本发明的进一步方案，步骤(4)中所述LUR链表更新具体步骤如下：
P1.1：服务器在移动终端链接阶段跟踪访问信息前，同时在移动终端链接之前清除所有更新页表项的访问位，若在移动终端链接期间访问了某个主机，服务器会将该主机添加到启动链表中；
P1.2：在移动终端链接时间结束之前，服务器重新检查所有主机的访问位，若在其它阶段也访问某个主机，则将该主机从启动链表中删除，并移到常规LRU链表中，确定完成后对启动链表中的各组主机进行数据更新。
作为本发明的进一步方案，步骤(4)中所述数据回收具体步骤如下：
P2.1：服务器从LRU链表的头部选择最不常访问的主机，之后从该主机的相应启动链表中选择冗余页面，当从启动链表回收足够多的冗余页面时，主机选择过程将停止，若未回收足够多的冗余页面时，服务器将继续访问LRU链表中的下一个主机的启动链表，直到获得足够的页面；
P2.2：服务器依据系统默认或人工设定的循环时间值定期对各组冗余页面进行回收率计算，并向内置数据回收器下发回收指令，数据回收器接收回收指令后启动，并接收服务计算的回收率数值，再抽取各组冗余页面，并依据计算出的回收率对冗余页面进行回收。
相比于现有技术，本发明的有益效果在于：
1、该基于LRU高速缓存的网络通信方法相较于以往的通信方法，本发明通过各主机分别构建并训练一组分析神经网络，之后将接收到的各组通信数据传输至分析神经网络中，同时分析神经网络与病毒共享库、云端虚拟机以及入侵共享数据库进行通信连接，之后分析神经网络以及训练生成的分析规则对各组通信数据进行数据解析，同时对解析出的数据进行行为分析，并拦截与入侵共享数据库对比一致的数据，之后提取各通信数据的特征代码并与病毒共享库中各网络病毒特征代码进行对比，并通过文件自动查杀技术对通信数据中的网络病毒数据进行阻隔查杀，云端虚拟机对正常通信数据进行传染模拟，并根据网络病毒定义而确立的传染标准进行病毒分析，并对存在病毒的通信数据进行阻隔查杀，通过构建分析神经网络，能够提高各主机的数据检索效率，大幅提高主机对异常数据分析准确率，避免通信过程中发生病毒入侵，提高网络通信安全性；
2、该基于LRU高速缓存的网络通信方法通过服务器为链接的每个主机生成一个启动链表，并对各组启动链表进行有序链接，再按照主机的LRU顺序，通过LRU链表对各组启动链表头部进行进一步链接，收集最少连接的主机信息，并将该主机的启动链表安排在LRU链表的首位，并依次进行排序，之后服务器在移动终端链接阶段跟踪访问信息前，同时在移动终端链接之前清除所有更新页表项的访问位，并依据移动终端链接期间的访问情况实时对启动链表进行过更新，之后服务器自行收集各主机启动链表中的冗余页面，并依据系统默认或人工设定的循环时间值定期对各组冗余页面进行回收率计算，再依据计算出的回收率对冗余页面进行回收，能够将工作人员通信的各组主机进行记录，并通过LRU链表进行排序，方便移动终端找寻相关主机进行通信连接，提高网络通信效率，同时定期对各启动链表中的冗余数据进行处理，有效降低各主机运行占用率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的一种基于LRU高速缓存的网络通信方法的流程框图。
具体实施方式
实施例1
参照图1，一种基于LRU高速缓存的网络通信方法，该通信方法具体步骤如下：
主机接收登陆请求并进行验证。
具体的，工作人员通过终端设备向相应区域的主机发出登陆请求，主机接收到登陆请求后，依据工作人员发送的账号以及密码，从服务器中进行过检索，若存在相对应的账号信息，则将服务器中存储的密码与工作人员输入的密码进行比对，密码一致，则通过验证，密码不一致，则拒绝工作人员访问，若不存在相对应的账号信息，则停止访问。
构建LRU链表缓存各主机信息。
具体的，各主机首次连接时，服务器为链接的每个主机生成一个启动链表，并对各组启动链表进行有序链接，再按照主机的LRU顺序，通过LRU链表对各组启动链表头部进行进一步链接，收集最少连接的主机信息，并将该主机的启动链表安排在LRU链表的首位，并依次进行排序，之后对排序完成的各组的主机IP地址进行收集，并统计移动终端访问各主机次数。
实施例2
参照图1，一种基于LRU高速缓存的网络通信方法，该通信方法具体步骤如下：
实时接收并分析各主机通信数据。
具体的，各主机分别构建并训练一组分析神经网络，之后将接收到的各组通信数据传输至分析神经网络中，同时分析神经网络与病毒共享库、云端虚拟机以及入侵共享数据库进行通信连接，分析神经网络对各组通信数据进行数据解析，同时对解析出的数据进行行为分析，并依据分析结果与入侵共享数据库进行检索对比，若存在对比结果一致的数据，则将相对应的通信数据进行拦截，若不存在，则允许该通信数据传输，并对各通信数据进行的特征代码进行提取，之后将提取出的特征代码与病毒共享库中各网络病毒特征代码进行对比，若存在某一部分特征代码相同，则通过文件自动查杀技术对该通信数据中的网络病毒数据进行阻隔查杀处理，若不存在相同的特征代码，分析神经网络将该通信数据上传至云端虚拟机进行传染模拟，并根据网络病毒定义而确立的传染标准进行病毒分析，并对存在病毒的通信数据进行阻隔查杀，并对发送异常通信数据的各设备IP地址进行收集反馈，通过构建分析神经网络，能够提高各主机的数据检索效率，大幅提高主机对异常数据分析准确率，避免通信过程中发生病毒入侵，提高网络通信安全性。
需要进一步说明的是，各主机从服务器中提取过往通信数据，并对各组通信数据进行符值转换、归一化以及特征降维处理，再将降维处理后的交易数据分为验证集、测试集以及训练集，再重复多次使用验证集中的各组数据对分析神经网络精度进行验证，并统计测试集中各数据均方根误差，同时对每组测试集中的数据都进行一次预测，并将预测结果最好的数据作为最优参数输出，并依据最优参数对训练集进行标准化处理，之后将训练样本输送到分析神经网络中，并采用长期迭代法对该分析神经网络进行实时优化，并通过焦点损失函数对该分析神经网络运行损失值进行计算，再依据计算出的损失值对该分析神经网络进行准确率、检出率以及误报率分析。
更新LRU链表信息并进行数据回收。
具体的，服务器在移动终端链接阶段跟踪访问信息前，同时在移动终端链接之前清除所有更新页表项的访问位，若在移动终端链接期间访问了某个主机，服务器会将该主机添加到启动链表中，在移动终端链接时间结束之前，服务器重新检查所有主机的访问位，若在其它阶段也访问某个主机，则将该主机从启动链表中删除，并移到常规LRU链表中，确定完成后对启动链表中的各组主机进行数据更新。
具体的，服务器从LRU链表的头部选择最不常访问的主机，之后从该主机的相应启动链表中选择冗余页面，当从启动链表回收足够多的冗余页面时，主机选择过程将停止，若未回收足够多的冗余页面时，服务器将继续访问LRU链表中的下一个主机的启动链表，直到获得足够的页面，之后服务器依据系统默认或人工设定的循环时间值定期对各组冗余页面进行回收率计算，并向内置数据回收器下发回收指令，数据回收器接收回收指令后启动，并接收服务计算的回收率数值，再抽取各组冗余页面，并依据计算出的回收率对冗余页面进行回收，能够将工作人员通信的各组主机进行记录，并通过LRU链表进行排序，方便移动终端找寻相关主机进行通信连接，提高网络通信效率，同时定期对各启动链表中的冗余数据进行处理，有效降低各主机运行占用率。
Claims (4)
1.一种基于LRU高速缓存的网络通信方法，其特征在于，该通信方法具体步骤如下：
(1)主机接收登陆请求并进行验证；
(2)构建LRU链表缓存各主机信息；
(3)实时接收并分析各主机通信数据；
(4)更新LRU链表信息并进行数据回收；
其中，步骤(2)中所述LRU链表缓存具体步骤如下：
第一步：各主机首次连接时，服务器为链接的每个主机生成一个启动链表，并对各组启动链表进行有序链接，再按照主机的LRU顺序，通过LRU链表对各组启动链表头部进行进一步链接；
第二步：收集最少连接的主机信息，并将该主机的启动链表安排在LRU链表的首位，并依次进行排序，之后对排序完成的各组的主机IP地址进行收集，并统计移动终端访问各主机次数；
步骤(4)中所述LRU链表更新具体步骤如下：
P1.1：服务器在移动终端链接阶段跟踪访问信息前，同时在移动终端链接之前清除所有更新页表项的访问位，若在移动终端链接期间访问了某个主机，服务器会将该主机添加到启动链表中；
P1.2：在移动终端链接时间结束之前，服务器重新检查所有主机的访问位，若在其它阶段也访问某个主机，则将该主机从启动链表中删除，并移到常规LRU链表中，确定完成后对启动链表中的各组主机进行数据更新；
步骤(4)中所述数据回收具体步骤如下：
P2.1：服务器从LRU链表的头部选择最不常访问的主机，之后从该主机的相应启动链表中选择冗余页面，当从启动链表回收足够多的冗余页面时，主机选择过程将停止，若未回收足够多的冗余页面时，服务器将继续访问LRU链表中的下一个主机的启动链表，直到获得足够的页面；
P2.2：服务器依据系统默认或人工设定的循环时间值定期对各组冗余页面进行回收率计算，并向内置数据回收器下发回收指令，数据回收器接收回收指令后启动，并接收服务计算的回收率数值，再抽取各组冗余页面，并依据计算出的回收率对冗余页面进行回收。
2.根据权利要求1所述的一种基于LRU高速缓存的网络通信方法，其特征在于，步骤(1)中所述主机验证具体步骤如下：
步骤一：工作人员通过终端设备向相应区域的主机发出登陆请求，主机接收到登陆请求后，依据工作人员发送的账号以及密码，从服务器中进行过检索；
步骤二：若存在相对应的账号信息，则将服务器中存储的密码与工作人员输入的密码进行比对，密码一致，则通过验证，密码不一致，则拒绝工作人员访问，若不存在相对应的账号信息，则停止访问。
3.根据权利要求1所述的一种基于LRU高速缓存的网络通信方法，其特征在于，步骤(3)中所述通信数据分析具体步骤如下：
S1.1：各主机分别构建并训练一组分析神经网络，之后将接收到的各组通信数据传输至分析神经网络中，同时分析神经网络与病毒共享库、云端虚拟机以及入侵共享数据库进行通信连接；
S1.2：分析神经网络对各组通信数据进行数据解析，同时对解析出的数据进行行为分析，并依据分析结果与入侵共享数据库进行检索对比，若存在对比结果一致的数据，则将相对应的通信数据进行拦截，若不存在，则允许该通信数据传输，并对各通信数据进行的特征代码进行提取；
S1.3：将提取出的特征代码与病毒共享库中各网络病毒特征代码进行对比，若存在某一部分特征代码相同，则通过文件自动查杀技术对该通信数据中的网络病毒数据进行阻隔查杀处理；
S1.4：若不存在相同的特征代码，分析神经网络将该通信数据上传至云端虚拟机进行传染模拟，并根据网络病毒定义而确立的传染标准进行病毒分析，并对存在病毒的通信数据进行阻隔查杀，并对发送异常通信数据的各设备IP地址进行收集反馈。
4.根据权利要求3所述的一种基于LRU高速缓存的网络通信方法，其特征在于，步骤S1.1中所述分析神经网络训练具体步骤如下：
S2.1：各主机从服务器中提取过往通信数据，并对各组通信数据进行符值转换、归一化以及特征降维处理，再将降维处理后的交易数据分为验证集、测试集以及训练集；
S2.2：重复多次使用验证集中的各组数据对分析神经网络精度进行验证，并统计测试集中各数据均方根误差，同时对每组测试集中的数据都进行一次预测，并将预测结果最好的数据作为最优参数输出，并依据最优参数对训练集进行标准化处理；
S2.3：将训练样本输送到分析神经网络中，并采用长期迭代法对该分析神经网络进行实时优化，并通过焦点损失函数对该分析神经网络运行损失值进行计算，再依据计算出的损失值对该分析神经网络进行准确率、检出率以及误报率分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210932234.4A CN115277243B (zh) | 2022-08-04 | 2022-08-04 | 一种基于lru高速缓存的网络通信方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210932234.4A CN115277243B (zh) | 2022-08-04 | 2022-08-04 | 一种基于lru高速缓存的网络通信方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115277243A CN115277243A (zh) | 2022-11-01 |
| CN115277243B true CN115277243B (zh) | 2024-03-08 |
Family
ID=83749862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210932234.4A Active CN115277243B (zh) | 2022-08-04 | 2022-08-04 | 一种基于lru高速缓存的网络通信方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115277243B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115760523A (zh) * | 2022-11-18 | 2023-03-07 | 四川云泷生态科技有限公司 | 一种基于云平台的动物管理方法及系统 |
| CN117792987B (zh) * | 2023-12-29 | 2024-08-20 | 南京软仪测试技术有限公司 | 基于边缘计算的应急通信通道分流方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6178486B1 (en) * | 1998-02-19 | 2001-01-23 | Quantum Corporation | Time allocation shared memory arbitration for disk drive controller |
| CN108418877A (zh) * | 2018-02-22 | 2018-08-17 | 上海思华科技股份有限公司 | 多类型存储调度推流方法、系统、数据更新方法 |
| CN112074819A (zh) * | 2018-05-18 | 2020-12-11 | 国际商业机器公司 | 选择多个高速缓存回收算法中的一个用于从高速缓存中回收轨道 |
| CN112395223A (zh) * | 2019-08-16 | 2021-02-23 | 国际商业机器公司 | 基于对高速缓存列表的不同区域的访问来管理被访问磁道到高速缓存列表的mru端的指示 |
| CN112948444A (zh) * | 2021-04-07 | 2021-06-11 | 北京电解智科技有限公司 | 一种缓存数据的管理方法和装置 |
| CN113312520A (zh) * | 2021-06-11 | 2021-08-27 | 西安微电子技术研究所 | 一种基于HASH和LRU算法的Linux模块化的并行冗余协议系统及数据处理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8819648B2 (en) * | 2012-07-20 | 2014-08-26 | International Business Machines Corporation | Control flow management for execution of dynamically translated non-native code in a virtual hosting environment |
-
2022
- 2022-08-04 CN CN202210932234.4A patent/CN115277243B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6178486B1 (en) * | 1998-02-19 | 2001-01-23 | Quantum Corporation | Time allocation shared memory arbitration for disk drive controller |
| CN108418877A (zh) * | 2018-02-22 | 2018-08-17 | 上海思华科技股份有限公司 | 多类型存储调度推流方法、系统、数据更新方法 |
| CN112074819A (zh) * | 2018-05-18 | 2020-12-11 | 国际商业机器公司 | 选择多个高速缓存回收算法中的一个用于从高速缓存中回收轨道 |
| CN112395223A (zh) * | 2019-08-16 | 2021-02-23 | 国际商业机器公司 | 基于对高速缓存列表的不同区域的访问来管理被访问磁道到高速缓存列表的mru端的指示 |
| CN112948444A (zh) * | 2021-04-07 | 2021-06-11 | 北京电解智科技有限公司 | 一种缓存数据的管理方法和装置 |
| CN113312520A (zh) * | 2021-06-11 | 2021-08-27 | 西安微电子技术研究所 | 一种基于HASH和LRU算法的Linux模块化的并行冗余协议系统及数据处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115277243A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115277243B (zh) | 一种基于lru高速缓存的网络通信方法 | |
| CN112769796B (zh) | 一种基于端侧边缘计算的云网端协同防御方法及系统 | |
| CN105930727B (zh) | 基于Web的爬虫识别方法 | |
| CN111107102A (zh) | 基于大数据实时网络流量异常检测方法 | |
| CN113037567B (zh) | 一种用于电网企业的网络攻击行为仿真系统的仿真方法 | |
| WO2024114827A1 (zh) | 基于连续时间动态异质图神经网络的apt检测方法及系统 | |
| CN113706100B (zh) | 配电网物联终端设备实时探测识别方法与系统 | |
| CN115021997B (zh) | 一种基于机器学习的网络入侵检测系统 | |
| CN115665787A (zh) | 一种基于机器学习的低开销amf网络智能故障诊断方法 | |
| CN111274218A (zh) | 一种电力信息系统多源日志数据处理方法 | |
| CN112291213A (zh) | 一种基于智能终端的异常流量分析方法及装置 | |
| CN116800586A (zh) | 一种电信网络数据通信故障诊断方法 | |
| CN112507336A (zh) | 基于代码特征和流量行为的服务端恶意程序检测方法 | |
| CN110636077A (zh) | 一种基于统一平台的网络安全防护系统及方法 | |
| WO2023179014A1 (zh) | 流量识别方法、装置、电子设备及存储介质 | |
| CN110457897A (zh) | 一种基于通信协议与sql语法的数据库安全检测方法 | |
| CN116647389A (zh) | 一种工业控制系统网络访问安全性预警系统及方法 | |
| CN114120462B (zh) | 基于监管平台的劳务实名制数据的自适应推送系统及方法 | |
| CN111274235B (zh) | 一种未知协议的数据清洗和协议字段特征提取方法 | |
| CN113691562A (zh) | 一种精确识别恶意网络通讯的规则引擎实现方法 | |
| KR102636239B1 (ko) | 인-메모리 기반 이상징후 실시간 분석시스템 및 방법 | |
| CN111049801A (zh) | 一种防火墙策略检测方法 | |
| CN118509340B (zh) | 基于深度学习的网络通信异常识别方法、系统及介质 | |
| CN117376022B (zh) | 一种基于深度学习的检测未知网络攻击的异常检测系统 | |
| CN108055276A (zh) | 面向大数据应用平台的入侵检测实时分析系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |