CN117390017A - 一种大数据信息安全系统 - Google Patents
一种大数据信息安全系统 Download PDFInfo
- Publication number
- CN117390017A CN117390017A CN202311273268.8A CN202311273268A CN117390017A CN 117390017 A CN117390017 A CN 117390017A CN 202311273268 A CN202311273268 A CN 202311273268A CN 117390017 A CN117390017 A CN 117390017A
- Authority
- CN
- China
- Prior art keywords
- data management
- data
- management table
- module
- ith
- 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
- 238000013523 data management Methods 0.000 claims abstract description 132
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000007726 management method Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 230000001537 neural effect Effects 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 9
- 230000001172 regenerating effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2219—Large Object storage; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及大数据技术领域,公开了一种大数据信息安全系统,包括:数据管理模块,其用于生成数据管理表;数据管理约束模块,其用于管理数据管理约束条件;管理表优化模块,其用于对第一数据管理表进行优化获得第二数据管理表;评估模块,其用于将数据管理表进行向量化后输入神经网络模型获得数据管理表的效率评分和异常评分;本发明综合考虑数据传输效率和数据信息安全两方面来规划数据传输策略,并且能够基于策略来更准确的判断当前数据处理时间段内的数据状态是否存在异常。
Description
技术领域
本发明涉及大数据技术领域,更具体地说,它涉及一种大数据信息安全系统。
背景技术
现有技术中对于服务器的数据传输多采用效率最大化的策略进行分配,没有考虑到数据安全的需求。
发明内容
本发明提供一种大数据信息安全系统,解决相关技术中对于服务器的数据传输多采用效率最大化的策略进行分配,没有考虑到数据安全的需求的技术问题。
本发明提供了一种大数据信息安全系统,包括:
数据管理模块,其用于生成数据管理表,数据管理表的第i行第t列的元素Uit表示如下:
其中表示t个周期时间段第i个数据来源的分配给第k个多路复用器的第一数据的数量,多路复用器的最大数量为k,i≤n,n为第一数据的来源的总数量,t≤m,m为一个数据处理时段内的周期时间段的数量;
数据管理约束模块,其用于管理数据管理约束条件;
管理表优化模块,其用于对第一数据管理表进行优化获得第二数据管理表;
管理表优化模块包括:
选择模块,其用于从生成的第一数据管理表中随机选择两个;
第一生成器,其用于将选择的两个第一数据管理表的N列元素进行替换;
第二生成器,将第一生成器处理之后的两个第一数据管理表的M行元素进行替换;
第三生成器,将第二生成器处理之后的两个第一数据管理表的随机的L个元素进行重新生成;
第四生成器,其用于将第三生成器处理的两个第一数据管理表进行向量化,然后输入神经网络模型,通过神经网络模型输出第一数据管理表的效率评分,将效率评分高于设定的第一效率评分阈值的第一数据管理表存储,并删除选择模块选择的两个第一数据管理表;
生成控制模块,其用于控制第四生成器存储H个新的第一数据管理表,然后将最终存储的第一数据管理表作为第二数据管理表;
评估模块,其用于将数据管理表进行向量化后输入神经网络模型获得数据管理表的效率评分和异常评分;
从第二数据管理表中按效率评分顺序进行排序,选择前R个第二数据管理表生成第一集合,如果第一集合中的第二数据管理表的异常评分大于设定的第一异常评分阈值的数量的比例大于设定的第一比例阈值,则判断当前数据处理时间段内输入的第一数据存在异常的模式,终止当前数据处理时间段的数据传输。
进一步地,数据管理模块生成的数据管理表为空表。
进一步地,数据管理约束条件包括:
定义:表示第t个周期时间段分配给第j个多路复用器的第一数据的数量,Pj,pool,max表示第j个多路复用器支持输入的第一数据的最大数量,ph(t)表示第t个周期时间段输入的第一数据的数量,J表示多路复用器的集合。
第一约束条件:
第二约束条件:
数据管理表填充模块,其用于对数据管理表的元素进行填充,填充后生成第一数据管理表,第一数据管理表满足数据管理约束条件。
进一步地,数据管理表的元素的值是在满足数据管理约束条件下进行随机的生成的。
进一步地,第三生成器重新生成的方法是在满足数据管理约束条件下进行随机的生成的。
进一步地,如果第一集合中的第二数据管理表的异常评分大于设定的第一异常评分阈值的数量的比例小于或等于设定的第一比例阈值,则从第一集合中选择异常评分最小的一个以上的第二数据管理表来作为当前数据处理时间段的数据传输依据。
进一步地,选择异常评分最小的一个第二数据管理表来作为当前数据处理时间段的数据传输依据。
进一步地,神经网络模型为RNN神经网络模型,RNN神经网络模型为多链式结构,每条网络链条包括m个RNN神经单元,每条网络链条分别输入数据管理表的一行的元素向量化后的特征;第t个网络链条的第i个RNN神经单元的输入为数据管理表的第t列的第i行的元素向量化之后的第一特征;
第t个网络链条的第i个RNN神经单元输入的记忆状态由第t个网络链条的第i-1个RNN神经单元和第t-1个网络链条的第i个RNN神经单元输出的记忆状态进行逐点相加获得;
第t个网络链条的第i个RNN神经单元输入的记忆状态
其中f为激活函数,W和U为权重参数,为第t-1个网络链条的第i个RNN神经单元输出的记忆状态,/>为第t个网络链条的第i-1个RNN神经单元输出的记忆状态;/>为数据管理表的第i行的t个元素向量化后的特征;
RNN神经网络模型的第n条网络链条的第m个RNN神经单元的输出连接两个分类器,两个分类器的分别输出效率评分和异常评分。
进一步地,神经网络模型的输出的分类空间包括效率分类空间和异常分类空间,效率分类空间将效率评分的值域[1,100]进行均值离散化,效率分类空间的一个标签对应于均值离散化后的一个效率评分的分值;
异常分类空间将异常评分的值域[1,100]进行均值离散化,异常分类空间的一个标签对应于均值离散化后的一个异常评分的分值。
本发明的有益效果在于:
本发明综合考虑数据传输效率和数据信息安全两方面来规划数据传输策略,并且能够基于策略来更准确的判断当前数据处理时间段内的数据状态是否存在异常。
附图说明
图1是本发明的一种大数据信息安全系统的模块示意图。
图中:数据管理模块101,数据管理约束模块102,数据管理表填充模块103,管理表优化模块104,选择模块105,第一生成器106,第二生成器107,第三生成器108,第四生成器109,生成控制模块110,评估模块111。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
实施例一
如图1所示,一种大数据信息安全系统,包括:
数据管理模块101,其用于生成数据管理表,数据管理表的第i行第t列的元素Uit表示如下:
其中表示t个周期时间段第i个数据来源的分配给第k个多路复用器的第一数据的数量,多路复用器的最大数量为k,i≤n,n为第一数据的来源的总数量,t≤m,m为一个数据处理时段内的周期时间段的数量;
数据来源可以是服务器或其他数据源。
数据管理模块101生成的数据管理表为空表;
数据管理约束模块102,其用于管理数据管理约束条件;
数据管理约束条件包括:
定义:表示第t个周期时间段分配给第j个多路复用器的第一数据的数量,Pj,pool,max表示第j个多路复用器支持输入的第一数据的最大数量,ph(t)表示第t个周期时间段输入的第一数据的数量,J表示多路复用器的集合。
第一约束条件:
第二约束条件:
数据管理表填充模块103,其用于对数据管理表的元素进行填充,填充后生成第一数据管理表,第一数据管理表满足数据管理约束条件;
在本发明的一个实施例中,数据管理表的元素的值是在满足数据管理约束条件下进行随机的生成的。
在本发明的一个实施例中,多路复用器为IO多路复用器。
管理表优化模块104,其用于对第一数据管理表进行优化获得第二数据管理表;
管理表优化模块104包括:
选择模块105,其用于从生成的第一数据管理表中随机选择两个;
第一生成器106,其用于将选择的两个第一数据管理表的N列元素进行替换;
第二生成器107,将第一生成器106处理之后的两个第一数据管理表的M行元素进行替换;
第三生成器108,将第二生成器107处理之后的两个第一数据管理表的随机的L个元素进行重新生成;
在本发明的一个实施例中,重新生成的方法是在满足数据管理约束条件下进行随机的生成的。
第四生成器109,其用于将第三生成器108处理的两个第一数据管理表进行向量化,然后输入神经网络模型,通过神经网络模型输出第一数据管理表的效率评分,将效率评分高于设定的第一效率评分阈值的第一数据管理表存储,并删除选择模块105选择的两个第一数据管理表;
生成控制模块110,其用于控制第四生成器109存储H个新的第一数据管理表,然后将最终存储的第一数据管理表作为第二数据管理表;
其中M、L、N、H均为可调参数。
评估模块111,其用于将数据管理表进行向量化后输入神经网络模型获得数据管理表的效率评分和异常评分;
从数据管理表中按效率评分顺序进行排序,选择前R个数据管理表生成第一集合,如果第一集合中的数据管理表的异常评分大于设定的第一异常评分阈值的数量的比例大于设定的第一比例阈值,则判断当前数据处理时间段内输入的第一数据存在异常的模式,终止当前数据处理时间段的数据传输;
如果第一集合中的数据管理表的异常评分大于设定的第一异常评分阈值的数量的比例小于或等于设定的第一比例阈值,则从第一集合中选择异常评分最小的一个数据管理表来作为当前数据处理时间段的数据传输依据;
当前也可以选择异常评分最小的一个以上的数据管理表来作为当前数据处理时间段的数据传输依据,后续需要人工选择数据管理表,或者对数据管理表进行进一步处理获得最终的数据传输分配。
在本发明的一个实施例中,神经网络模型为RNN神经网络模型,RNN神经网络模型为多链式结构,每条网络链条包括m个RNN神经单元,每条网络链条分别输入数据管理表的一行的元素向量化后的特征;第t个网络链条的第i个RNN神经单元的输入为数据管理表的第t列的第i行的元素向量化之后的第一特征;
第t个网络链条的第i个RNN神经单元输入的记忆状态由第t个网络链条的第i-1个RNN神经单元和第t-1个网络链条的第i个RNN神经单元输出的记忆状态进行逐点相加获得;
第t个网络链条的第i个RNN神经单元输入的记忆状态
其中f为激活函数,W和U为权重参数,为第t-1个网络链条的第i个RNN神经单元输出的记忆状态,/>为第t个网络链条的第i-1个RNN神经单元输出的记忆状态;/>为数据管理表的第i行的t个元素向量化后的特征;
RNN神经网络模型的第n条网络链条的第m个RNN神经单元的输出连接两个分类器,两个分类器的分别输出效率评分和异常评分;
在本发明的一个实施例中,神经网络模型的输出的分类空间包括效率分类空间和异常分类空间,效率分类空间将效率评分的值域[1,100]进行均值离散化,效率分类空间的一个标签对应于均值离散化后的一个效率评分的分值;
异常分类空间将异常评分的值域[1,100]进行均值离散化,异常分类空间的一个标签对应于均值离散化后的一个异常评分的分值。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (10)
1.一种大数据信息安全系统,其特征在于,包括:
数据管理模块,其用于生成数据管理表,数据管理表的第i行第t列的元素Uit表示如下:
其中表示t个周期时间段第i个数据来源的分配给第k个多路复用器的第一数据的数量,多路复用器的最大数量为k,i≤n,n为第一数据的来源的总数量,t≤m,m为一个数据处理时段内的周期时间段的数量;
数据管理约束模块,其用于管理数据管理约束条件;
管理表优化模块,其用于对第一数据管理表进行优化获得第二数据管理表;
评估模块,其用于将数据管理表进行向量化后输入神经网络模型获得数据管理表的效率评分和异常评分;
从第二数据管理表中按效率评分顺序进行排序,选择前R个第二数据管理表生成第一集合,如果第一集合中的第二数据管理表的异常评分大于设定的第一异常评分阈值的数量的比例大于设定的第一比例阈值,则判断当前数据处理时间段内输入的第一数据存在异常的模式,终止当前数据处理时间段的数据传输。
2.根据权利要求1所述的一种大数据信息安全系统,其特征在于,数据管理模块生成的数据管理表为空表。
3.根据权利要求1所述的一种大数据信息安全系统,其特征在于,数据管理约束条件包括:
定义:表示第t个周期时间段分配给第j个多路复用器的第一数据的数量,Pj,pool,max表示第j个多路复用器支持输入的第一数据的最大数量,ph(t)表示第t个周期时间段输入的第一数据的数量,J表示多路复用器的集合;
第一约束条件:
第二约束条件:
数据管理表填充模块103,其用于对数据管理表的元素进行填充,填充后生成第一数据管理表,第一数据管理表满足数据管理约束条件。
4.根据权利要求1所述的一种大数据信息安全系统,其特征在于,管理表优化模块包括:
选择模块,其用于从生成的第一数据管理表中随机选择两个;
第一生成器,其用于将选择的两个第一数据管理表的N列元素进行替换;
第二生成器,将第一生成器处理之后的两个第一数据管理表的M行元素进行替换;
第三生成器,将第二生成器处理之后的两个第一数据管理表的随机的L个元素进行重新生成;
第四生成器,其用于将第三生成器处理的两个第一数据管理表进行向量化,然后输入神经网络模型,通过神经网络模型输出第一数据管理表的效率评分,将效率评分高于设定的第一效率评分阈值的第一数据管理表存储,并删除选择模块选择的两个第一数据管理表;
生成控制模块,其用于控制第四生成器存储H个新的第一数据管理表,然后将最终存储的第一数据管理表作为第二数据管理表。
5.根据权利要求4所述的一种大数据信息安全系统,其特征在于,数据管理表的元素的值是在满足数据管理约束条件下进行随机的生成的。
6.根据权利要求4所述的一种大数据信息安全系统,其特征在于,第三生成器重新生成的方法是在满足数据管理约束条件下进行随机的生成的。
7.根据权利要求1所述的一种大数据信息安全系统,其特征在于,如果第一集合中的第二数据管理表的异常评分大于设定的第一异常评分阈值的数量的比例小于或等于设定的第一比例阈值,则从第一集合中选择异常评分最小的一个以上的第二数据管理表来作为当前数据处理时间段的数据传输依据。
8.根据权利要求1所述的一种大数据信息安全系统,其特征在于,选择异常评分最小的一个第二数据管理表来作为当前数据处理时间段的数据传输依据。
9.根据权利要求1所述的一种大数据信息安全系统,其特征在于,神经网络模型为RNN神经网络模型,RNN神经网络模型为多链式结构,每条网络链条包括m个RNN神经单元,每条网络链条分别输入数据管理表的一行的元素向量化后的特征;第t个网络链条的第i个RNN神经单元的输入为数据管理表的第t列的第i行的元素向量化之后的第一特征;
第t个网络链条的第i个RNN神经单元输入的记忆状态由第t个网络链条的第i-1个RNN神经单元和第t-1个网络链条的第i个RNN神经单元输出的记忆状态进行逐点相加获得;
第t个网络链条的第i个RNN神经单元输入的记忆状态
其中f为激活函数,W和U为权重参数,为第t-1个网络链条的第i个RNN神经单元输出的记忆状态,/>为第t个网络链条的第i-1个RNN神经单元输出的记忆状态;/>为数据管理表的第i行的t个元素向量化后的特征;
RNN神经网络模型的第n条网络链条的第m个RNN神经单元的输出连接两个分类器,两个分类器的分别输出效率评分和异常评分。
10.根据权利要求9所述的一种大数据信息安全系统,其特征在于,神经网络模型的输出的分类空间包括效率分类空间和异常分类空间,效率分类空间将效率评分的值域[1,100]进行均值离散化,效率分类空间的一个标签对应于均值离散化后的一个效率评分的分值;
异常分类空间将异常评分的值域[1,100]进行均值离散化,异常分类空间的一个标签对应于均值离散化后的一个异常评分的分值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311273268.8A CN117390017B (zh) | 2023-09-27 | 2023-09-27 | 一种大数据信息安全系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311273268.8A CN117390017B (zh) | 2023-09-27 | 2023-09-27 | 一种大数据信息安全系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117390017A true CN117390017A (zh) | 2024-01-12 |
CN117390017B CN117390017B (zh) | 2024-05-24 |
Family
ID=89465781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311273268.8A Active CN117390017B (zh) | 2023-09-27 | 2023-09-27 | 一种大数据信息安全系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390017B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104461843A (zh) * | 2014-10-31 | 2015-03-25 | 北京思特奇信息技术股份有限公司 | 一种异常信息管理的方法及系统 |
CN112639781A (zh) * | 2018-07-09 | 2021-04-09 | 西门子股份公司 | 用于实时工业控制系统安全事件监视和管理的知识图 |
CN113641998A (zh) * | 2021-08-16 | 2021-11-12 | 黑龙江网御星云信息技术有限公司 | 一种网络信息安全管理系统及其管理方法 |
US20230152777A1 (en) * | 2021-11-12 | 2023-05-18 | Misoinfo Tech. | Method for detecting abnormality |
-
2023
- 2023-09-27 CN CN202311273268.8A patent/CN117390017B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104461843A (zh) * | 2014-10-31 | 2015-03-25 | 北京思特奇信息技术股份有限公司 | 一种异常信息管理的方法及系统 |
CN112639781A (zh) * | 2018-07-09 | 2021-04-09 | 西门子股份公司 | 用于实时工业控制系统安全事件监视和管理的知识图 |
CN113641998A (zh) * | 2021-08-16 | 2021-11-12 | 黑龙江网御星云信息技术有限公司 | 一种网络信息安全管理系统及其管理方法 |
US20230152777A1 (en) * | 2021-11-12 | 2023-05-18 | Misoinfo Tech. | Method for detecting abnormality |
Also Published As
Publication number | Publication date |
---|---|
CN117390017B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711532B (zh) | 一种针对硬件实现稀疏化卷积神经网络推断的加速方法 | |
US20200285948A1 (en) | Robust auto-associative memory with recurrent neural network | |
Surekha et al. | Solution to multi-depot vehicle routing problem using genetic algorithms | |
CN109716362A (zh) | 神经网络装置、车辆控制系统、分解处理装置以及程序 | |
JP2021502650A5 (zh) | ||
WO2020092143A1 (en) | Self-attentive attributed network embedding | |
CA2606129A1 (en) | Pipeline optimizer system | |
CN108154232A (zh) | 人工神经网络的剪枝方法、装置、设备及可读存储介质 | |
CN103324954A (zh) | 一种基于树结构的图像分类方法及其系统 | |
CN111815056A (zh) | 基于飞参数据的机务外场飞机燃油系统故障预测方法 | |
US20230185253A1 (en) | Graph convolutional reinforcement learning with heterogeneous agent groups | |
JPWO2019135274A1 (ja) | ニューラル・ネットワークを有するデータ処理システム | |
EP3591584A1 (en) | Probabilistic training for binary neural networks | |
CN106384161A (zh) | 一种用于航天巡视计划区域划分的优化算法 | |
CN117390017B (zh) | 一种大数据信息安全系统 | |
Pourdarvish et al. | Cold standby redundancy allocation in a multi-level series system by memetic algorithm | |
Bureva et al. | Hierarchical generalized net model of the process of selecting a method for clustering | |
Migawa et al. | Simulation of the model of technical object availability control | |
CN112464578B (zh) | 一种用于剩余使用寿命预测退化数据的扩增方法 | |
WO2023072528A1 (de) | Verfahren und steuereinrichtung zum steuern eines technischen systems | |
Leoshchenko et al. | Adaptive Mechanisms for Parallelization of the Genetic Method of Neural Network Synthesis | |
CN110673843B (zh) | 一种基于数据的软件模块行为状态机还原方法 | |
Hassan et al. | Rough neural classifier system | |
Rice et al. | Toffoli gate cascade generation using ESOP minimization and QMDD-based swapping | |
Skraba et al. | Application of self-gonfiguring genetic algorithm for human resource management |
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 |