CN116628729B - 根据数据特性差异化提升数据安全的方法及系统 - Google Patents
根据数据特性差异化提升数据安全的方法及系统 Download PDFInfo
- Publication number
- CN116628729B CN116628729B CN202310911814.XA CN202310911814A CN116628729B CN 116628729 B CN116628729 B CN 116628729B CN 202310911814 A CN202310911814 A CN 202310911814A CN 116628729 B CN116628729 B CN 116628729B
- Authority
- CN
- China
- Prior art keywords
- data
- neighborhood
- clustering
- importance
- cluster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000004069 differentiation Effects 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000005484 gravity Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种根据数据特性差异化提升数据安全的方法及系统,获取城市规划领域不同设备所产生的数据的数据集,包括原始数据、数据的位置信息、数据的更新频率、数据的重要性;根据所述数据集的原始数据、位置信息、更新频率、重要性确定聚类参数,所述聚类参数包括邻域半径ε和邻域内最小样本数MinPts;根据确定的聚类参数执行聚类操作;将所述聚类操作获得的聚类结果作为处理对象,执行安全操作。本发明针对城市规划涉及的各种类型的数据,根据数据特性进行灵活的聚类处理,提升数据安全。
Description
技术领域
本发明属于信息技术领域,特别是涉及到一种根据数据特性差异化提升数据安全的方法及系统。
背景技术
在城市规划领域,大量的数据都带有地理位置属性,现有技术中,已经有根据地理位置属性的聚类,从而对聚类以后的数据进行处理或使用的方案。
在数据安全领域,也开始利用地理位置的聚类,通过设置不同聚类的差异化安全手段来提升安全措施的效率或强度。
但是,目前的地理位置聚类方法是基于普通的大数据处理技术的,往往对所有数据内容采用了相同的处理标准。而没有重点考虑城市规划领域的数据特性差异化。
在城市规划领域,涉及各种类型的数据,包括设施数据、人口数据、地理数据等,这些数据在更新频率、重要性和其他属性上存在差异,这些差异导致传统的地理位置聚类方法不适用,影响数据安全的提升。例如,(1)各城市规划领域设备的数据的更新频率不同,有些数据可能会频繁发生变化,而有些数据可能相对稳定。传统的地理位置聚类方法没有考虑数据更新频率的差异,因此无法准确地捕捉和处理频繁更新的数据;(2)数据对城市规划决策的影响程度不同,有些数据对决策的重要性更高,而有些数据的影响相对较低。传统的地理位置聚类方法没有考虑数据的重要性差异,因此无法将更多的注意力集中在对决策重要的数据上。
发明内容
本发明提出一种根据数据特性差异化提升数据安全的方法及系统,根据城市规划领域数据的特性利用聚类提升数据安全。
为达到上述目的,本发明的技术方案是这样实现的:
一种根据数据特性差异化提升数据安全的方法,包括:
S1、获取城市规划领域不同设备所产生的数据的数据集,包括原始数据、数据的位置信息、数据的更新频率、数据的重要性;
S2、根据所述数据集的原始数据、位置信息、更新频率、重要性确定聚类参数,所述聚类参数包括邻域半径ε和邻域内最小样本数MinPts;
S3、根据确定的聚类参数执行聚类操作;
S4、将所述聚类操作获得的聚类结果作为处理对象,执行安全操作。
进一步的,步骤S1中所述数据的更新频率,是根据城市规划领域的设备所产生的历史数据,通过机器学习获得。
新一步的,步骤S1中所述数据的重要性,是通过统计数据被其他应用调用的频率来确定的。
进一步的,步骤S2中,所述邻域半径ε与所述数据的更新频率的关系为:更新频率越高则邻域半径ε越小,更新频率越低则邻域半径ε越大。
更进一步的,邻域半径ε的计算方法包括:
S201:获得数据集中原始数据总数为N;
S202:计算N个数据的位置重心,即位置信息的平均值;
S203:设定聚类中簇数据量;其中/>是向下取整函数;
S204:从N个数据中选择距离位置重心最近的T个数据;
S205:将这T个数据中与位置重心的最远距离设定为默认邻域半径E;
S206:邻域半径ε=E*(F/f);其中F为步骤S1中所述数据的更新频率,f是N个数据的平均更新频率。
进一步的,步骤S2中,所述邻域内最小样本数MinPts与所述数据的重要性的关系为:重要性越高,则邻域内最小样本数MinPts越大;重要性越低,则邻域内最小样本数MinPts越小。
更进一步的,邻域内最小样本数MinPts的计算方法包括:
S211:获得数据集中原始数据总数为N;
S212:设定聚类中簇数据量;其中/>是向下取整函数;
S213、根据重要性等级设置不同的权重参数G,MinPts=G*T。
进一步的,步骤S3中所述聚类操作包括:
S301、获得确定的聚类参数,包括邻域半径ε和邻域内最小样本数MinPts;
S302、遍历数据集中的每个数据,判断是核心对象、边界点还是噪声点;核心对象属于同一簇,边界点属于与其直接密度可达的核心对象所属的簇,噪声点不属于任何簇;
S303、对于每个核心对象,从其ε邻域内选择一个未分类的数据点,将其归为当前簇的一部分,并递归地扩展该簇,直到无法再找到未分类的邻域点;
S304、将所有数据点归为不同的簇,得到最终的聚类结果。
进一步的,步骤S4中所述安全操作包括:将聚类结果中的所有数据打包为一个数据集合,对数据集合的数据压缩;选择加解密算法,根据所选择的加解密算法对数据集合执行对应操作。
本发明另一方面还提出了一种根据数据特性差异化提升数据安全的系统,所述系统应用了上述根据数据特性差异化提升数据安全的方法。
与现有技术相比,本发明具有如下的有益效果:
1)本发明针对城市规划涉及的各种类型的数据,根据数据特性进行灵活的聚类处理,提升数据安全;
2)本发明能够根据数据的更新频率自动调整数据处理的策略方法;
3)本发明能够根据数据的重要性调整数据处理的优先级和方法。
附图说明
图1是本发明实施例的流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
为使本发明专利的目的、特征更明显易懂,下面结合附图对本发明专利的具体实施方式作进一步的说明。
在城市规划领域中,不同的业务数据具有不同的特性,尤其是数据的更新频率以及数据的重要性,这两项特性的差异化比较明显,对数据处理的影响也比较显著。
本实施例中,针对上述特性提出了根据数据特性差异化提升数据安全的方法,如图1所示,包括:
(一)数据输入阶段:数据包括原始数据,更新频率和重要性。
(二)聚类策略确定阶段:根据更新频率和重要性确定聚类参数(设定半径ε和邻域内最小样本数MinPts)。
(三)数据聚类执行阶段:根据设定半径ε和邻域内最小样本数MinPts执行聚类操作。
(四)聚类结果在安全领域应用阶段:根据聚类结果和重要性确定不同的安全操作。
下面对本实施例做具体说明。
(一)数据输入阶段
数据包括以下3个维度的信息:
1)城市规划领域不同设备所产生的原始数据及其位置信息。
2)更新频率 F(频繁性):表示城市规划领域不同设备所产生的原始数据的更新频率,值越大表示更新频率越高。
针对数据的更新频率F,可以采取以下策略来进行处理,结合历史数据或某种模型计算获得:
历史数据分析:通过对历史数据进行分析,可以得出数据的更新频率的趋势和周期性。可以使用时间序列分析方法,如ARIMA模型、指数平滑法等,来预测未来数据的更新频率。根据历史数据的趋势,可以调整数据处理流程中的相关参数。
动态更新策略:基于实时数据的动态更新策略,可以根据当前数据的更新情况自适应地调整数据处理策略。可以设置一个阈值,当数据的更新频率超过阈值时,采取更频繁的数据处理方法,否则采取较少的处理步骤。这样可以根据实时数据的变化情况灵活地调整数据处理的频率。
预测模型:根据历史数据和相关因素,可以建立预测模型来估计数据的更新频率。可以使用机器学习算法,如回归模型、时间序列模型等,来建立预测模型,并使用新的数据输入模型来预测数据的更新频率。根据预测结果,可以调整数据处理策略和相关参数。
3)重要性 I(重要性):表示城市规划领域不同设备所产生的数据的重要性,值越大表示重要性越高。
动态发现:
通过统计某类数据被其他应用调用的频率来确定重要程度,被调用越频繁则重要程度越高,该调用程度可以是调用次数的总计值,也可以是最近一段时间内的调用次数。
除了动态发现,还可以通过人工设定对不同数据的重要性进行评估。城市规划领域的专家可以根据其领域知识和判断力,对设施数据的重要性进行评估,并为每个数据设置相应的权重或重要性等级。例如,根据设施数据对城市规划决策的直接影响程度、人口需求的紧迫程度等,为数据分配相应的重要性值。
综合以上两个维度,可以将数据的重要性纳入数据处理流程中。
(二)聚类策略确定阶段
数据分类:
根据数据的更新频率和重要性,将数据进行分类。可以将数据分为频繁更新且重要的数据(A类)、频繁更新但不重要的数据(B类)、不频繁更新但重要的数据(C类)、不频繁更新且不重要的数据(D类)等不同类别。
参数设置:
a. 邻域半径ε的计算:
如果更新频率 F 较高,则将邻域半径设置为一个较小的固定值ε1,以便更敏感地检测设施数据的变化。
如果更新频率 F 较低,则将邻域半径设置为一个较大的固定值ε2,以减少噪音点的影响。
优选算法:
步骤1:获得数据总数为N;
步骤2:计算N个数据的位置重心(即位置信息的平均值,例如以经纬度来表征位置信息,则位置重心为经纬度的平均值);
步骤3:设定预计每簇数据量;其中/>是向下取整函数;
步骤4:从N个数据中选择距离位置重心最近的T个数据;
步骤5:将这T个数据中与位置重心的最远距离设定为默认邻域半径E;
步骤6:ε=E*(F/f);其中的f是N个数据的平均更新频率。
b. 邻域内最小样本数 MinPts 的计算:
如果重要性 I 较高,则将邻域内最小样本数设置为一个较大的固定值 MinPts1,以确保生成较大且更稳定的聚类簇。
根据城市规划领域的工作实践,由于重要性高的数据会被频繁调用,较大且稳定的聚类簇能够显著降低调用过程的信令交互,提升调用效率。
如果重要性 I 较低,则将邻域内最小样本数设置为一个较小的固定值 MinPts2,以允许生成较小的聚类簇。
而重要性低的数据往往属于调用频次低的数据,更小的聚类簇能够便于数据集合的存储备份。
MinPts值的设定可以参考T值。
如果重要性是以重要性等级的形式来表征的,例如重要性分成5个等级,那么对应的MinPts值可以分别设置为:0.8*T,0.9*T,T,1.1*T,1.2*T。
(三)数据聚类执行阶段
算法的基本思想如下:
核心对象(Core Point):对于给定的半径ε和邻域内最小样本数MinPts,如果一个数据点的ε邻域内包含至少MinPts个数据点(包括该点自身),则该数据点被称为核心对象。
直接密度可达(Directly Density-Reachable):如果一个数据点A在另一个数据点B的ε邻域内,并且B是核心对象,则称数据点A由数据点B直接密度可达。
密度可达(Density-Reachable):对于一对数据点A和B,如果存在一系列的核心对象C1,C2,...,Cn,其中C1 = A,Cn = B,并且对于每个Ci(1<= i<= n-1),Ci+1由Ci直接密度可达,则称数据点A由数据点B密度可达。
密度相连(Density-Connected):对于一对数据点A和B,如果存在一个核心对象C,使得A和B都由C密度可达,则称数据点A和B密度相连。
基于以上定义,算法的步骤如下:
初始化:根据第二阶段的内容,设定半径ε和邻域内最小样本数MinPts。
点分类:遍历数据集中的每个数据点,判断它是核心对象、边界点还是噪声点。核心对象属于同一簇,边界点属于与其直接密度可达的核心对象所属的簇,噪声点不属于任何簇。
簇扩展:对于每个核心对象,从其ε邻域内选择一个未分类的数据点,将其归为当前簇的一部分,并递归地扩展该簇,直到无法再找到未分类的邻域点。
输出结果:将所有数据点归为不同的簇,得到最终的聚类结果。
(四)聚类结果在安全领域应用阶段
步骤1)将第三阶段获得的每一个聚类结果作为一个处理对象,单独处理,包括但不限于:将聚类结果中的所有数据打包为一个数据集合,对数据集合的数据压缩。
步骤2)根据第二阶段中确定的数据分类,来选择对应的加解密算法。所选加解密算法是现有技术中的常规算法,不做详细说明。选择策略是重要性高的数据集合选择安全程度更高的算法;更新频率高的数据集合选择执行效率高的算法。
步骤3)根据所选择的加解密算法对数据集合执行对应操作。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种根据数据特性差异化提升数据安全的方法,其特征在于,包括:
S1、获取城市规划领域不同设备所产生的数据的数据集,包括原始数据、数据的位置信息、数据的更新频率、数据的重要性;
S2、根据所述数据集的原始数据、位置信息、更新频率、重要性确定聚类参数,所述聚类参数包括邻域半径ε和邻域内最小样本数MinPts;
邻域半径ε的计算方法包括:
S201:获得数据集中原始数据总数为N;
S202:计算N个数据的位置重心,即位置信息的平均值;
S203:设定聚类中簇数据量;其中/>是向下取整函数;
S204:从N个数据中选择距离位置重心最近的T个数据;
S205:将这T个数据中与位置重心的最远距离设定为默认邻域半径E;
S206:邻域半径ε=E*(F/f);其中F为步骤S1中所述数据的更新频率,f是N个数据的平均更新频率;
邻域内最小样本数MinPts的计算方法包括:
S211:获得数据集中原始数据总数为N;
S212:设定聚类中簇数据量;其中/>是向下取整函数;
S213、根据重要性等级设置不同的权重参数G,MinPts=G*T;
S3、根据确定的聚类参数执行聚类操作;
所述聚类操作包括:
S301、获得确定的聚类参数,包括邻域半径ε和邻域内最小样本数MinPts;
S302、遍历数据集中的每个数据,判断是核心对象、边界点还是噪声点;核心对象属于同一簇,边界点属于与其直接密度可达的核心对象所属的簇,噪声点不属于任何簇;
S303、对于每个核心对象,从其ε邻域内选择一个未分类的数据点,将其归为当前簇的一部分,并递归地扩展该簇,直到无法再找到未分类的邻域点;
S304、将所有数据点归为不同的簇,得到最终的聚类结果;
S4、将所述聚类操作获得的聚类结果作为处理对象,执行安全操作;
所述安全操作包括:将聚类结果中的所有数据打包为一个数据集合,对数据集合的数据压缩;选择加解密算法,根据所选择的加解密算法对数据集合执行对应操作。
2.根据权利要求1所述的根据数据特性差异化提升数据安全的方法,其特征在于,步骤S1中所述数据的更新频率,是根据城市规划领域的设备所产生的历史数据,通过机器学习获得。
3.根据权利要求1所述的根据数据特性差异化提升数据安全的方法,其特征在于,步骤S1中所述数据的重要性,是通过统计数据被其他应用调用的频率来确定的。
4.根据权利要求1所述的根据数据特性差异化提升数据安全的方法,其特征在于,步骤S2中,所述邻域半径ε与所述数据的更新频率的关系为:更新频率越高则邻域半径ε越小,更新频率越低则邻域半径ε越大。
5.根据权利要求1所述的根据数据特性差异化提升数据安全的方法,其特征在于,步骤S2中,所述邻域内最小样本数MinPts与所述数据的重要性的关系为:重要性越高,则邻域内最小样本数MinPts越大;重要性越低,则邻域内最小样本数MinPts越小。
6.一种根据数据特性差异化提升数据安全的系统,其特征在于,所述系统应用了如权利要求1-5任一项所述根据数据特性差异化提升数据安全的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310911814.XA CN116628729B (zh) | 2023-07-25 | 2023-07-25 | 根据数据特性差异化提升数据安全的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310911814.XA CN116628729B (zh) | 2023-07-25 | 2023-07-25 | 根据数据特性差异化提升数据安全的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116628729A CN116628729A (zh) | 2023-08-22 |
CN116628729B true CN116628729B (zh) | 2023-09-29 |
Family
ID=87603068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310911814.XA Active CN116628729B (zh) | 2023-07-25 | 2023-07-25 | 根据数据特性差异化提升数据安全的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628729B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104603853A (zh) * | 2012-05-04 | 2015-05-06 | 李尔登公司 | 用于处理分布式输入-分布式输出无线系统中的多普勒效应的系统和方法 |
JP6012814B1 (ja) * | 2015-05-22 | 2016-10-25 | 日本電信電話株式会社 | 逐次クラスタリング装置、方法、及びプログラム |
CN107682319A (zh) * | 2017-09-13 | 2018-02-09 | 桂林电子科技大学 | 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法 |
CN109067725A (zh) * | 2018-07-24 | 2018-12-21 | 成都亚信网络安全产业技术研究院有限公司 | 网络流量异常检测方法及装置 |
CN109214462A (zh) * | 2018-09-25 | 2019-01-15 | 东北大学 | 一种基于分布式增量型dbscan算法的空间数据流在线聚类方法 |
CN110033652A (zh) * | 2019-03-11 | 2019-07-19 | 中国民航大学 | 一种基于眼动追踪的雷达动态目标标定方法及系统 |
CN110069943A (zh) * | 2019-03-29 | 2019-07-30 | 中国电力科学研究院有限公司 | 一种基于聚类匿名化与差分隐私保护的数据处理方法及系统 |
CN111950620A (zh) * | 2020-08-07 | 2020-11-17 | 国网能源研究院有限公司 | 基于DBSCAN和K-means算法的用户筛选方法 |
CN113988169A (zh) * | 2021-10-26 | 2022-01-28 | 北京化工大学 | 基于流数据聚类的化工过程多工况报警阈值自适应设置方法 |
CN114692593A (zh) * | 2022-03-21 | 2022-07-01 | 中国刑事警察学院 | 一种网络信息安全监测预警方法 |
CN115422258A (zh) * | 2022-08-31 | 2022-12-02 | 国网北京市电力公司 | 一种差异化用电客户运维方法、系统、装置及存储介质 |
CN116389510A (zh) * | 2023-04-18 | 2023-07-04 | 奇安信科技集团股份有限公司 | 一种更新本地威胁情报数据的方法、装置及介质 |
-
2023
- 2023-07-25 CN CN202310911814.XA patent/CN116628729B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104603853A (zh) * | 2012-05-04 | 2015-05-06 | 李尔登公司 | 用于处理分布式输入-分布式输出无线系统中的多普勒效应的系统和方法 |
JP6012814B1 (ja) * | 2015-05-22 | 2016-10-25 | 日本電信電話株式会社 | 逐次クラスタリング装置、方法、及びプログラム |
CN107682319A (zh) * | 2017-09-13 | 2018-02-09 | 桂林电子科技大学 | 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法 |
CN109067725A (zh) * | 2018-07-24 | 2018-12-21 | 成都亚信网络安全产业技术研究院有限公司 | 网络流量异常检测方法及装置 |
CN109214462A (zh) * | 2018-09-25 | 2019-01-15 | 东北大学 | 一种基于分布式增量型dbscan算法的空间数据流在线聚类方法 |
CN110033652A (zh) * | 2019-03-11 | 2019-07-19 | 中国民航大学 | 一种基于眼动追踪的雷达动态目标标定方法及系统 |
CN110069943A (zh) * | 2019-03-29 | 2019-07-30 | 中国电力科学研究院有限公司 | 一种基于聚类匿名化与差分隐私保护的数据处理方法及系统 |
CN111950620A (zh) * | 2020-08-07 | 2020-11-17 | 国网能源研究院有限公司 | 基于DBSCAN和K-means算法的用户筛选方法 |
CN113988169A (zh) * | 2021-10-26 | 2022-01-28 | 北京化工大学 | 基于流数据聚类的化工过程多工况报警阈值自适应设置方法 |
CN114692593A (zh) * | 2022-03-21 | 2022-07-01 | 中国刑事警察学院 | 一种网络信息安全监测预警方法 |
CN115422258A (zh) * | 2022-08-31 | 2022-12-02 | 国网北京市电力公司 | 一种差异化用电客户运维方法、系统、装置及存储介质 |
CN116389510A (zh) * | 2023-04-18 | 2023-07-04 | 奇安信科技集团股份有限公司 | 一种更新本地威胁情报数据的方法、装置及介质 |
Non-Patent Citations (3)
Title |
---|
DBSCAN聚类算法的参数配置方法研究;宋金玉;郭一平;王斌;;计算机技术与发展(第05期);全文 * |
基于深度循环神经网络和改进SMOTE算法的组合式入侵检测模型;燕昺昊;韩国栋;;网络与信息安全学报(第07期);全文 * |
黄王非;陈黎飞;姜青山.基于子空间维度加权的密度聚类算法.计算机工程.2010,(第09期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116628729A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070141B (zh) | 一种网络入侵检测方法 | |
CN112069310A (zh) | 基于主动学习策略的文本分类方法及系统 | |
CN107506865A (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
CN109886311B (zh) | 增量聚类方法、装置、电子设备和计算机可读介质 | |
CN112801231B (zh) | 用于业务对象分类的决策模型训练方法和装置 | |
CN110830504A (zh) | 一种网络入侵行为检测方法及系统 | |
CN116628729B (zh) | 根据数据特性差异化提升数据安全的方法及系统 | |
CN116304835B (zh) | 基于ai的动设备工况监测管理方法、系统、设备及介质 | |
CN113554307B (zh) | 一种基于rfm模型的用户分组方法、装置及可读介质 | |
CN114385876A (zh) | 一种模型搜索空间生成方法、装置及系统 | |
CN114511760A (zh) | 一种样本均衡方法、装置、设备及存储介质 | |
CN114067149A (zh) | 互联网服务提供方法、装置和计算机设备 | |
CN113660237A (zh) | 一种基于动态滑动窗口的工业互联网数据流异常检测方法、存储器和处理器 | |
CN112785004A (zh) | 一种基于粗糙集理论和d-s证据理论的温室智能决策方法 | |
Li et al. | A solution potential-based adaptation reference vector evolutionary algorithm for many-objective optimization | |
CN114338442B (zh) | 一种基于特征数据和深度学习的网络流量识别方法及系统 | |
Wang et al. | Fault prediction method of access control terminal based on euclidean distance center smote method | |
Sandeli et al. | Multilevel thresholding for image segmentation based on parallel distributed optimization | |
CN115828120B (zh) | 船舶交通行为模式自适应识别方法、系统及计算机设备 | |
CN117611957B (zh) | 基于统一正负伪标签的无监督视觉表征学习方法及系统 | |
CN114662611B (zh) | 颗粒物组分数据的修复方法、装置、电子设备及存储介质 | |
CN115269948B (zh) | 支持时空数据智能尺度变换的变尺度数据分析方法及装置 | |
CN115618921B (zh) | 知识蒸馏方法、装置、电子设备和存储介质 | |
CN117497063A (zh) | Gan模型的构建方法和基于gan模型的数据拟合、表型预测、样本扩充以及育种的方法 | |
CN114971885A (zh) | 基于生成对抗网络的信用评分分类方法、装置及存储介质 |
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 |