CN118094341A - 网络资源智能化管理方法、装置和电子设备 - Google Patents
网络资源智能化管理方法、装置和电子设备 Download PDFInfo
- Publication number
- CN118094341A CN118094341A CN202410478760.7A CN202410478760A CN118094341A CN 118094341 A CN118094341 A CN 118094341A CN 202410478760 A CN202410478760 A CN 202410478760A CN 118094341 A CN118094341 A CN 118094341A
- Authority
- CN
- China
- Prior art keywords
- resource
- network
- network resource
- feature
- feature matrix
- 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.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 72
- 239000011159 matrix material Substances 0.000 claims description 186
- 239000013598 vector Substances 0.000 claims description 82
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005406 washing Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 24
- 238000012544 monitoring process Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 7
- 238000003058 natural language processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请涉及智能化管理技术领域,且更为具体地公开了一种网络资源智能化管理方法、装置和电子设备,通过定时采集软件资源、硬件资源、权限资源和共享资源,并结合卷积编码生成网络资源特征矩阵,进而融合关联特征矩阵得到分类特征矩阵,最终通过分类器判断网络资源状态是否异常,实现网络资源智能化管理,提高资源管理效率和网络资源利用率。
Description
技术领域
本申请涉及智能化管理技术领域,且更为具体地,涉及一种网络资源智能化管理方法、装置和电子设备。
背景技术
随着计算机网络技术的发展,网络资源越来越丰富,网络资源往往分散在网管、设计文稿、资产卡片以及各种独立的信息系统中,缺乏集中管理,进而造成网络资源交流困难,大量网络资源不能被及时有效地运用。
现有技术(公开号为CN112882837A的发明专利申请)公开了一种基于云计算的移动网络资源管理系统,包括云端、云计算系统和资源管理系统,云端包括用于为系统提供硬件支持的云基础设施;资源管理系统包括客户应用层、综合资源管理层和数据层,能够规范资源管理流程,提高资源管理效率。现有技术在进行网络资源管理时,仅将各项网络资源收集整合起来,并没有进行有效地规范化处理,在网络资源分配时无法快速处理,导致网络资源无法及时有效利用。
因此,期望一种网络资源智能化管理方法、装置和电子设备。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种网络资源智能化管理方法、装置和电子设备,通过特征提取、融合和分类判断网络资源状态是否异常,实现资源智能化管理。
相应地,根据本申请的一个方面,提供了一种网络资源智能化管理方法,其包括:
获取待检测目标在预定时间段内的监控视频和声音信号;
获取由资源设备中采集的网络资源,所述网络资源包括软件资源、硬件资源、权限资源和共享资源;
从所述软件资源、所述硬件资源、所述权限资源和所述共享资源提取网络资源特征矩阵,并将所述网络资源特征矩阵通过卷积编码以得到网络资源关联特征矩阵;
构造所述网络资源特征矩阵和所述网络资源关联特征矩阵之间的网络资源分类特征矩阵,对所述网络资源分类特征矩阵进行特征表示的期望激活活跃化以得到优化网络资源分类特征矩阵;
将所述优化网络资源分类特征矩阵通过分类器以获得分类结果,所述分类结果用于表示网络资源状态是否有异常情况。
根据本申请的另一个方面,提供了一种网络资源智能化管理装置,其包括:
获取网络资源模块,用于获取由资源设备中采集的网络资源,所述网络资源包括软件资源、硬件资源、权限资源和共享资源;
提取资源特征模块,用于从所述软件资源、所述硬件资源、所述权限资源和所述共享资源提取网络资源特征矩阵,并将所述网络资源特征矩阵通过卷积编码以得到网络资源关联特征矩阵;
融合资源特征模块,用于构造所述网络资源特征矩阵和所述网络资源关联特征矩阵之间的网络资源分类特征矩阵,对所述网络资源分类特征矩阵进行特征表示的期望激活活跃化以得到优化网络资源分类特征矩阵;
网络资源分析模块,用于将所述优化网络资源分类特征矩阵通过分类器以获得分类结果,所述分类结果用于表示网络资源状态是否有异常情况。
根据本申请的另一个方面,提供了一种电子设备,包括:处理器;存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上述中任一项所述的网络资源智能化管理方法。
与现有技术相比,本申请提供的一种网络资源智能化管理方法、装置和电子设备,通过定时采集软件资源、硬件资源、权限资源和共享资源,并结合卷积编码生成网络资源特征矩阵,进而融合关联特征矩阵得到分类特征矩阵,最终通过分类器判断网络资源状态是否异常,实现网络资源智能化管理,提高资源管理效率和网络资源利用率。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的网络资源智能化管理方法的流程图。
图2为根据本申请实施例的网络资源智能化管理方法中从所述软件资源、所述硬件资源、所述权限资源和所述共享资源提取网络资源特征矩阵,并将所述网络资源特征矩阵通过卷积编码以得到网络资源关联特征矩阵的流程图。
图3为根据本申请实施例的网络资源智能化管理方法中从所述软件资源、所述硬件资源、所述权限资源和所述共享资源通过编码以提取所述网络资源特征矩阵的流程图。
图4为根据本申请实施例的网络资源智能化管理装置的框图示意图。
图5为根据本申请实施例的电子设备的示意图。
具体实施方式
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好地说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
图1图示了根据本申请实施例的网络资源智能化管理方法的流程图。如图1所示,根据本申请实施例的网络资源智能化管理方法,包括步骤:S110,获取由资源设备中采集的网络资源,所述网络资源包括软件资源、硬件资源、权限资源和共享资源;S120,从所述软件资源、所述硬件资源、所述权限资源和所述共享资源提取网络资源特征矩阵,并将所述网络资源特征矩阵通过卷积编码以得到网络资源关联特征矩阵;S130,构造所述网络资源特征矩阵和所述网络资源关联特征矩阵之间的网络资源分类特征矩阵,对所述网络资源分类特征矩阵进行特征表示的期望激活活跃化以得到优化网络资源分类特征矩阵;S140,将所述优化网络资源分类特征矩阵通过分类器以获得分类结果,所述分类结果用于表示网络资源状态是否有异常情况。
在本申请实施例的步骤S110中,获取由资源设备中采集的网络资源,所述网络资源包括软件资源、硬件资源、权限资源和共享资源。应可以理解,为了全面了解和监控网络环境的各个方面,包括软件、硬件、权限和共享资源,以便进行有效的网络资源管理和故障诊断。软件资源涵盖应用程序、操作系统等信息,硬件资源包括服务器、路由器等设备状态,权限资源涉及用户权限和访问控制,共享资源指网络中可共享的资源如存储空间等,综合这些方面的数据能够帮助系统更准确地判断网络状态、预测问题并进行相应的调整和优化。定时从资源设备中采集网络资源并实时监控网络资源状态的主要目的是确保网络的稳定性、安全性和高效性。通过定期采集和监控网络资源,系统可以实时了解网络设备的运行状态、资源利用情况、权限设置以及共享资源的使用情况。及时发现网络资源的异常情况,如性能下降、硬件故障、权限泄露等问题,从而及时采取措施解决,防止问题扩大影响整个网络的稳定性。实时监控网络资源状态有助于快速定位和解决问题,提高故障诊断的效率,减少系统维护时间,降低系统故障对业务的影响。因此,定时从资源设备中采集网络资源并实时监控网络资源状态是网络管理和运维中非常重要的一环,有助于保障网络的正常运行和安全性。
在本申请实施例的步骤S120中,从所述软件资源、所述硬件资源、所述权限资源和所述共享资源提取网络资源特征矩阵,并将所述网络资源特征矩阵通过卷积编码以得到网络资源关联特征矩阵。应可以理解,通过从软件资源、硬件资源、权限资源和共享资源中提取特征矩阵,可以将网络资源的各个方面转化为结构化的特征表示,便于计算机进行处理和分析。将特征矩阵通过卷积编码得到网络资源关联特征矩阵可以帮助揭示不同网络资源之间的关联性和相互作用,有助于理解网络资源之间的联系和影响。通过对网络资源特征矩阵进行卷积编码,可以帮助系统发现隐藏在网络资源数据中的模式、规律和异常情况,从而支持数据挖掘和模式识别任务。提取网络资源特征矩阵并通过卷积编码得到关联特征矩阵有助于构建机器学习模型和深度学习模型,用于网络资源管理、异常检测、安全分析等领域。因此,从软件资源、硬件资源、权限资源和共享资源提取网络资源特征矩阵,并通过卷积编码得到网络资源关联特征矩阵,可以帮助系统更好地理解和利用网络资源的信息,支持各种网络管理和分析任务。
具体地,图2图示了根据本申请实施例的网络资源智能化管理方法中从所述软件资源、所述硬件资源、所述权限资源和所述共享资源提取网络资源特征矩阵,并将所述网络资源特征矩阵通过卷积编码以得到网络资源关联特征矩阵的流程图。如图2所示,在如图1所示的实施例的基础上,所述步骤S120,包括:S210,从所述软件资源、所述硬件资源、所述权限资源和所述共享资源通过编码以提取所述网络资源特征矩阵;S220,将所述网络资源特征矩阵通过特征提取以得到所述网络资源关联特征矩阵。
具体地,在本申请一个具体的示例中,所述步骤S210,从所述软件资源、所述硬件资源、所述权限资源和所述共享资源通过编码以提取所述网络资源特征矩阵。应可以理解,软件资源、硬件资源、权限资源和共享资源都包含了关于网络系统的重要信息,例如软件版本、硬件配置、权限设置等。通过对这些资源进行编码和处理,可以提取出代表网络资源特征的重要信息,比如特定软件的版本号、硬件设备的型号、权限设置的类型等。不同类型的资源可能具有不同的数据格式和表示方式。通过对这些资源进行编码和标准化,可以将它们转换为统一的特征表示形式,使得它们可以被计算机系统有效地处理和比较。提取网络资源特征矩阵可以为后续的数据分析和处理提供基础。这些特征矩阵可以用于识别网络资源之间的关联性、进行资源管理和优化,以及检测潜在的安全风险或问题等。通过从各种资源中提取特征矩阵,可以为网络资源的智能化管理提供更多的数据支持。这有助于建立更准确的模型和算法,以实现自动化的资源管理和决策。因此,从软件资源、硬件资源、权限资源和共享资源中提取网络资源特征矩阵是为了将网络资源的关键信息提取出来,以支持后续的数据处理和智能化管理。
相应地,图3图示了根据本申请实施例的网络资源智能化管理方法中从所述软件资源、所述硬件资源、所述权限资源和所述共享资源通过编码以提取所述网络资源特征矩阵的流程图。如图3所示,在如图2所示的实施例的基础上,所述步骤S210,包括:S2101,将所述软件资源、所述硬件资源、所述权限资源和所述共享资源分别通过所述包含嵌入层的语义编码器以获得软件资源特征向量、硬件资源特征向量、权限资源特征向量和共享资源特征向量;S2102,将所述软件资源特征向量、所述硬件资源特征向量、所述权限资源特征向量和所述共享资源特征向量进行二维排列以得到所述网络资源特征矩阵。
具体地,所述步骤S2101,将所述软件资源、所述硬件资源、所述权限资源和所述共享资源分别通过所述包含嵌入层的语义编码器以获得软件资源特征向量、硬件资源特征向量、权限资源特征向量和共享资源特征向量。应可以理解,通过使用语义编码器,可以将不同类型的资源(软件、硬件、权限、共享资源)转换为统一的特征向量表示形式。这种统一性有助于简化后续的数据处理和分析步骤。嵌入层的语义编码器能够捕获资源之间的语义信息和关联性,将资源的关键特征转化为向量形式。这有助于提高对资源之间关系的理解和分析能力。通过编码器生成的特征向量通常是经过降维和提取重要特征的,这有助于减少数据的维度,消除冗余信息,同时保留最重要的特征,提高数据处理效率和模型性能。将不同类型资源的特征向量分别提取出来后,可以更轻松地将它们整合在一起形成网络资源特征矩阵。这样做有助于综合考虑不同资源对网络系统的影响,为后续的管理和决策提供更全面的数据支持。因此,通过使用包含嵌入层的语义编码器分别对软件资源、硬件资源、权限资源和共享资源进行编码以获得各自的特征向量,可以使得资源的特征表示更加统一、语义信息更加准确、数据更具可解释性,从而为网络资源的智能化管理提供更有效的支持。
进一步,将所述软件资源、所述硬件资源、所述权限资源和所述共享资源分别通过所述包含嵌入层的语义编码器以获得软件资源特征向量、硬件资源特征向量、权限资源特征向量和共享资源特征向量,包括:将所述软件资源通过所述包含嵌入层的语义编码器以获得所述软件资源特征向量;将所述硬件资源通过所述包含嵌入层的语义编码器以获得所述硬件资源特征向量;将所述权限资源通过所述包含嵌入层的语义编码器以获得所述权限资源特征向量;将所述共享资源通过所述包含嵌入层的语义编码器以获得所述共享资源特征向量。
具体地,将所述软件资源通过所述包含嵌入层的语义编码器以获得所述软件资源特征向量,包括:对所述软件资源进行分词以获得词序列;对所述词序列进行清洗以获得清洗后词序列,其中,对所述词序列进行清洗包括如下操作至少之一:删除重复词、去掉标点符号和删除特殊符号;使用所述语义编码器的嵌入层将所述清洗后词序列中各个词映射为词向量以获得词向量序列;使用所述语义编码器的Bert模型对所述词向量序列进行语义编码以生成所述软件资源特征向量。
相应地,对所述软件资源进行分词以获得词序列。应可以理解,分词可以将连续的文本分解为单词或短语,有助于捕捉文本中的语义信息。单词是语言的基本单位,每个单词都携带着特定的含义,因此将文本分解为单词序列有助于保留文本的语义信息。将文本进行分词可以降低数据的复杂性。相比于连续的文本,单词序列更易于处理和分析,可以帮助算法更好地理解文本内容。 分词是自然语言处理任务中的一个重要预处理步骤。在许多自然语言处理任务中,如文本分类、信息检索、情感分析等,需要将文本转换为向量表示。将文本分词后,可以更方便地将单词映射为向量,进而进行后续的特征提取和建模。
相应地,对所述词序列进行清洗以获得清洗后词序列,其中,对所述词序列进行清洗包括如下操作至少之一:删除重复词、去掉标点符号和删除特殊符号。应可以理解,重复词可能会导致某些词在特征表示中过度强调,影响模型的泛化能力。去除重复词可以减少处理文本数据时的计算复杂度,提高处理效率。标点符号通常不携带太多语义信息,去除它们有助于减少噪声,让模型更专注于关键词。标点符号可能会干扰模型对文本的理解,去除它们有助于提高模型的准确性。特殊符号可能是一些无意义字符或噪音,删除它们有助于净化文本数据,使其更易于处理和理解。特殊符号可能会干扰模型的学习过程,删除它们可以提高模型的训练效果。
相应地,使用所述语义编码器的嵌入层将所述清洗后词序列中各个词映射为词向量以获得词向量序列。应可以理解,词向量是将单词转换为连续向量空间中的表示形式,这种表示方式捕捉了单词之间的语义关系。通过将词映射为词向量,可以更好地表达单词的语义信息,使得计算机能够更好地理解和处理文本数据。将单词映射为高维度的词向量可以实现对高维数据的降维处理。这有助于减少特征空间的维度,提高模型的训练效率,并且可以更好地捕捉单词之间的相似性和关联性。在自然语言处理任务中,词向量通常作为神经网络模型的输入,通过学习词向量,模型可以更好地理解语言结构和语义信息,从而提高模型的训练效果和性能。通过将单词映射为词向量,可以使得模型在处理类似但不完全相同的单词时具有更好的泛化能力。词向量的训练过程中会考虑到单词的上下文信息,因此即使是在模型未见过的单词上,也可以提供合理的词向量表示。
相应地,使用所述语义编码器的Bert模型对所述词向量序列进行语义编码以生成所述软件资源特征向量。应可以理解,BERT(Bidirectional Encoder Representationsfrom Transformers)是一种预训练的自然语言处理模型,它能够更好地理解单词在上下文中的含义。通过使用BERT,可以利用上下文信息更准确地编码单词的语义。BERT通过训练大规模文本数据来学习单词的语义表示,能够捕捉词汇之间的复杂语义关系。这样生成的特征向量能更好地表达单词的语义信息。BERT是一个通用的语言模型,通过对其进行微调或特定任务的fine-tuning,可以将其应用于特定领域的任务,如软件资源特征提取。这样可以利用BERT在大规模数据上学到的语言表示能力,来提取软件资源中的语义特征。BERT在许多自然语言处理任务上取得了很好的性能,包括词义相似度、文本分类等。将BERT应用于软件资源特征提取,有望提高模型的准确性和效率。
具体地,所述步骤S2102,将所述软件资源特征向量、所述硬件资源特征向量、所述权限资源特征向量和所述共享资源特征向量进行二维排列以得到所述网络资源特征矩阵。应可以理解,将不同类型的资源特征向量按照一定的顺序排列成一个矩阵,有助于整合不同类型的信息,并且可以将多个特征向量合并为一个更大的特征矩阵,便于整体处理和分析。通过将不同类型的资源特征向量排列在一个矩阵中,可以更清晰地表示网络资源的特征信息。这种整合性的表示方式有助于模型更好地理解不同类型资源之间的关系和相互作用。将不同类型的资源特征向量整合成一个矩阵后,可以更方便地进行后续的数据处理和分析。例如,可以直接将这个特征矩阵输入到模型中进行训练或预测。将不同类型的资源特征向量整合在一起可以提高计算效率,避免在处理过程中频繁地切换数据结构,同时也有助于减少数据处理过程中的数据转换和传输。因此,将软件资源特征向量、硬件资源特征向量、权限资源特征向量和共享资源特征向量进行二维排列以得到网络资源特征矩阵有助于维度整合、提高数据表示的清晰度、方便数据处理以及提高效率。
相应地,在本申请一个具体的示例中,所述步骤S220,将所述网络资源特征矩阵通过特征提取以得到所述网络资源关联特征矩阵。应可以理解,网络资源特征矩阵可能包含大量的特征,其中一些特征可能是冗余的或不太相关的。通过特征提取,可以对原始特征进行降维和特征选择,保留最具代表性的特征,从而提高模型的泛化能力。经过特征提取后得到的网络资源关联特征矩阵可能包含更加有意义和有效的特征,这些特征更能够反映网络资源之间的关联和相互作用,有助于提高建模效果和预测准确性。通过特征提取可以减少特征的数量和维度,简化模型的复杂度,降低过拟合的风险,提高模型的泛化能力。经过特征提取后的网络资源关联特征矩阵可能具有更高的效率和更少的计算成本,可以加速模型训练和推理的过程。特征提取可以帮助提取最具代表性的特征,使得模型的预测结果更易于解释,有助于深入理解网络资源之间的关联。
具体地,将所述网络资源特征矩阵通过特征提取以得到所述网络资源关联特征矩阵,包括:将所述网络资源特征矩阵通过作为特征提取器的文本卷积神经网络模型以得到网络资源特征图;将所述网络资源特征图通过使用空间注意力机制的第一卷积神经网络模型以得到所述网络资源关联特征矩阵。
进一步,将所述网络资源特征矩阵通过作为特征提取器的文本卷积神经网络模型以得到网络资源特征图。应可以理解,卷积神经网络模型在处理图像和文本等结构化数据方面表现出色。对于文本数据,卷积神经网络模型可以有效地捕获局部特征和语义信息,有助于提取文本数据中的重要特征。卷积神经网络模型通过堆叠多个卷积层和池化层,可以逐渐提取并抽象出数据中的重要特征。这些特征可以更好地表示输入数据,有助于提高后续任务的性能。网络资源特征矩阵可能包含非结构化数据,如文本描述、图像信息等。卷积神经网络模型能够有效地处理这种非结构化数据,将其转换为更具代表性的特征表示。通过卷积神经网络模型提取的网络资源特征图可以更好地捕获数据的抽象特征,有助于提高模型的泛化能力,使其在未见过的数据上表现更好。
更进一步,将所述网络资源特征图通过使用空间注意力机制的第一卷积神经网络模型以得到所述网络资源关联特征矩阵。应可以理解,空间注意力机制有助于模型学习不同区域之间的相关性,强调图像或数据中不同部分之间的重要联系。这有助于模型更好地理解数据的内在结构和关联性。通过引入空间注意力机制,模型可以更加集中地关注数据中的关键部分,从而加强对重要信息的捕获和表征。这有助于提高模型的性能和泛化能力。空间注意力机制可以帮助模型对数据进行更细致的分析和建模,从而生成更具关联性和精细化的特征表示。这些更加精细的特征表示可以提高模型在后续任务中的表现。通过空间注意力机制,模型可以更灵活地学习数据中的局部和全局信息,从而增强模型的表达能力和学习能力。这有助于提高模型对复杂数据的处理能力。
相应地,将所述网络资源特征图通过使用空间注意力机制的第一卷积神经网络模型以得到所述网络资源关联特征矩阵,用于:使用所述第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵;其中,所述第一卷积神经网络模型的最后一层输出的所述特征矩阵为所述网络资源关联特征矩阵。
在本申请实施例的步骤S130中,构造所述网络资源特征矩阵和所述网络资源关联特征矩阵之间的网络资源分类特征矩阵,对所述网络资源分类特征矩阵进行特征表示的期望激活活跃化以得到优化网络资源分类特征矩阵。应可以理解,网络资源特征矩阵和网络资源关联特征矩阵分别捕获了资源本身的特征信息和资源之间的关联信息。通过融合这两种信息,可以获得更加丰富和全面的特征表示,有助于提高分类模型对数据的理解和表征能力。网络资源特征矩阵通常包含了资源的本身属性和特征,而网络资源关联特征矩阵则反映了资源之间的关联性和联系。将这两种信息进行融合可以综合不同层次和角度的信息,提高分类模型对数据的多方面理解能力。融合不同类型的特征可以弥补各自特征的不足,提高分类模型的泛化能力和性能。通过综合考虑资源本身特征和资源之间关联特征,可以更好地区分不同类别的网络资源,提高分类准确性。将不同类型的特征进行融合可以增强模型的表达能力,使其能够更好地捕捉数据中的复杂关系和模式。这有助于提高分类模型在处理复杂数据和挑战性任务时的性能。
特别地,在本申请技术方案中,考虑到在实际应用中,正常状态的网络资源可能远多于异常状态的资源,导致训练数据集中异常样本不足,从而在网络资源分类特征矩阵中形成局部异常分布。如果语义编码器和神经网络模型未能充分捕捉到网络资源的所有关键特征,可能导致某些异常特征被忽略或错误表示,从而在网络资源分类特征矩阵中形成异常分布。网络资源的采集和处理过程中可能引入噪声,这些噪声可能会影响特征向量的表示,导致异常分布。局部异常分布可能导致分类器在这些区域的性能下降,因为模型可能未能学习到足够的异常特征来准确分类。如果异常分布未能被模型识别,系统可能会错过真正的异常情况,降低异常检测的敏感性和可靠性。模型可能会过度拟合训练数据中的正常分布,而对未见过的异常分布泛化能力不足。因此,为了减少局部异常分布的影响,在本申请技术方案中,对所述网络资源分类特征矩阵进行特征表示的期望激活活跃化以得到优化网络资源分类特征矩阵。
具体地,在本申请一个具体的示例中,构造所述网络资源特征矩阵和所述网络资源关联特征矩阵之间的网络资源分类特征矩阵,对所述网络资源分类特征矩阵进行特征表示的期望激活活跃化以得到优化网络资源分类特征矩阵,包括:融合所述网络资源特征矩阵和所述网络资源关联特征矩阵以得到所述网络资源分类特征矩阵;对所述网络资源分类特征矩阵进行特征表示的期望激活活跃化以得到所述优化网络资源分类特征矩阵。
相应地,构造所述网络资源特征矩阵和所述网络资源关联特征矩阵之间的网络资源分类特征矩阵,用于:以如下级联公式融合所述网络资源特征矩阵和所述网络资源关联特征矩阵以得到所述网络资源分类特征矩阵;
其中,所述级联公式为:
其中,表示所述网络资源特征矩阵,/>表示所述网络资源关联特征矩阵,/>表示所述网络资源分类特征矩阵,/>表示级联函数。
相应地,在本申请一个具体的示例中,对所述网络资源分类特征矩阵进行特征表示的期望激活活跃化以得到所述优化网络资源分类特征矩阵,包括:计算以所述网络资源分类特征矩阵的预定位置的特征值为幂的指数函数值再减去一以得到指数调整特征值;计算所述指数调整特征值除以所述网络资源分类特征矩阵的预定位置的特征值,并对结果计算绝对值以得到归一化指数调整特征值比;将所述归一化指数调整特征值比通过softmax函数进行激活后再乘以所述网络资源分类特征矩阵的预定位置的特征值以得到所述优化网络资源分类特征矩阵的预定位置的特征值。
这里,针对所述网络资源分类特征矩阵中存在局部异常分布,在本申请的技术方案中,对所述网络资源分类特征矩阵进行特征表示的期望激活活跃化,其通过对网络资源分类特征矩阵中的每个元素进行分析以确定其对最终分类结果的贡献度,通过这种方式,可以对那些对分类结果贡献较大的特征进行强化,同时抑制那些贡献较小或者不稳定的特征。这样,不仅能够提高网络资源分类特征矩阵的整体一致性,还能够增强模型对于数据中重要特征的敏感性和识别能力。
在本申请实施例的步骤S140中,将所述优化网络资源分类特征矩阵通过分类器以获得分类结果,所述分类结果用于表示网络资源状态是否有异常情况。应可以理解,分类器可以被用来区分不同的类别,其中一个类别可以代表正常状态,另一个类别可以代表异常状态。通过将网络资源分类特征矩阵输入分类器,可以识别资源的状态是否与预期的正常状态相符,从而实现异常检测功能。通过分类结果,可以实现对网络资源状态的实时监控。如果分类结果显示资源的状态为异常,系统可以触发警报或采取其他预定的应对措施,以防止潜在的问题进一步恶化。基于分类结果,系统可以自动化地做出决策,例如自动化地调整资源配置、启动故障排除程序或者通知相关人员介入处理异常情况。利用分类器对网络资源状态进行分类,可以帮助减少人工干预的需求,提高系统的效率和响应速度,特别是在大规模网络环境中。
综上,基于本申请实施例的所述网络资源智能化管理方法、装置和电子设备,通过定时采集软件资源、硬件资源、权限资源和共享资源,并结合卷积编码生成网络资源特征矩阵,进而融合关联特征矩阵得到分类特征矩阵,最终通过分类器判断网络资源状态是否异常,实现网络资源智能化管理,提高资源管理效率和网络资源利用率。
图4为根据本申请实施例的网络资源智能化管理装置的框图示意图。如图4所示,根据本申请实施例的所述网络资源智能化管理装置100,包括:获取网络资源模块110,用于获取由资源设备中采集的网络资源,所述网络资源包括软件资源、硬件资源、权限资源和共享资源;提取资源特征模块120,用于从所述软件资源、所述硬件资源、所述权限资源和所述共享资源提取网络资源特征矩阵,并将所述网络资源特征矩阵通过卷积编码以得到网络资源关联特征矩阵;融合资源特征模块130,用于构造所述网络资源特征矩阵和所述网络资源关联特征矩阵之间的网络资源分类特征矩阵,对所述网络资源分类特征矩阵进行特征表示的期望激活活跃化以得到优化网络资源分类特征矩阵;网络资源分析模块140,用于将所述优化网络资源分类特征矩阵通过分类器以获得分类结果,所述分类结果用于表示网络资源状态是否有异常情况。
这里,本领域技术人员可以理解,上述网络资源智能化管理装置中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的网络资源智能化管理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的所述网络资源智能化管理装置100可以实现在各种终端设备中,例如部署有网络资源智能化管理算法的服务器等。在一个示例中,网络资源智能化管理装置100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该网络资源智能化管理装置100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该网络资源智能化管理装置100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该网络资源智能化管理装置100与该终端设备也可以是分立的设备,并且网络资源智能化管理装置100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
具体地,本申请还提供了另一种实施例,下面,参考图5来描述根据本申请实施例的电子设备。
图5图示了根据本申请实施例的电子设备的框图。如图5所示,根据本公开实施例的电子设备50包括存储器501和处理器502。电子设备50中的各组件通过总线系统和/或其它形式的连接机构(未示出)互连。
所述存储器501用于存储计算机可读指令。具体地,存储器501可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
所述处理器502可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元,并且可以控制电子设备50中的其它组件以执行期望的功能。在本公开的一个实施例中,所述处理器502用于运行所述存储器501中存储的所述计算机可读指令,使得所述电子设备50执行参照图1和图3描述的网络资源智能化管理方法或参照图4描述的网络资源智能化管理装置。
此外,需要理解的是,图5所示的电子设备50的组件和结构只是示例性的,而非限制性的,根据需要,电子设备50也可以具有其他组件和结构。例如,监控视频采集装置和输出装置等(未示出)。监控视频采集装置可以用于采集用于视频处理的待处理监控视频,并且将所采集的多个监控视频存储在存储器501中以供其它组件使用。当然,也可以利用其他监控视频采集设备采集所述待处理监控视频,并且将采集的多个监控视频发送给电子设备50,电子设备50可以将接收到的监控视频存储到存储器501中。输出装置可以向外部(例如用户)输出各种信息,例如待检测目标是否存在异常行为。输出装置可以包括显示器、扬声器、投影仪、网卡等中的一个或多个。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电学的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本发明可以
用硬件实现,或固件实现,或它们的组合方式来实现。当使用软件实现时,可以将上述功能存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于:计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。此外。任何连接可以适当的成为计算机可读介质。例如,如果软件是使用同轴电缆、光纤光缆、双绞线、数字用户线(DSL )或者诸如红外线、无线电和微波之类的无线技术从网站、服务器或者其他远程源传输的,那么同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线和微波之类的无线技术包括在所属介质的 定影中。如本发明所使用的,盘(Disk )和碟(disc)包括压缩光碟(CD)、激光碟、光碟、数字通用光碟( DVD )、软盘和蓝光光碟,其中盘通常磁性的复制数据,而碟则用激光来光学的复制数据。上面的组合也应当包括在计算机可读介质的保护范围之内。
总之,以上所述仅为本发明技术方案的较佳实施例而已,并非用于限定本发明的保护范围。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 (10)
1.一种网络资源智能化管理方法,其特征在于,包括:
获取由资源设备中采集的网络资源,所述网络资源包括软件资源、硬件资源、权限资源和共享资源;
从所述软件资源、所述硬件资源、所述权限资源和所述共享资源提取网络资源特征矩阵,并将所述网络资源特征矩阵通过卷积编码以得到网络资源关联特征矩阵;
构造所述网络资源特征矩阵和所述网络资源关联特征矩阵之间的网络资源分类特征矩阵,对所述网络资源分类特征矩阵进行特征表示的期望激活活跃化以得到优化网络资源分类特征矩阵;
将所述优化网络资源分类特征矩阵通过分类器以获得分类结果,所述分类结果用于表示网络资源状态是否有异常情况。
2.根据权利要求1所述的网络资源智能化管理方法,其特征在于,从所述软件资源、所述硬件资源、所述权限资源和所述共享资源提取网络资源特征矩阵,并将所述网络资源特征矩阵通过卷积编码以得到网络资源关联特征矩阵,包括:
从所述软件资源、所述硬件资源、所述权限资源和所述共享资源通过编码以提取所述网络资源特征矩阵;
将所述网络资源特征矩阵通过特征提取以得到所述网络资源关联特征矩阵。
3.根据权利要求2所述的网络资源智能化管理方法,其特征在于,从所述软件资源、所述硬件资源、所述权限资源和所述共享资源通过编码以提取所述网络资源特征矩阵,包括:
将所述软件资源、所述硬件资源、所述权限资源和所述共享资源分别通过所述包含嵌入层的语义编码器以获得软件资源特征向量、硬件资源特征向量、权限资源特征向量和共享资源特征向量;
将所述软件资源特征向量、所述硬件资源特征向量、所述权限资源特征向量和所述共享资源特征向量进行二维排列以得到所述网络资源特征矩阵。
4.根据权利要求3所述的网络资源智能化管理方法,其特征在于,将所述软件资源、所述硬件资源、所述权限资源和所述共享资源分别通过所述包含嵌入层的语义编码器以获得软件资源特征向量、硬件资源特征向量、权限资源特征向量和共享资源特征向量,包括:
将所述软件资源通过所述包含嵌入层的语义编码器以获得所述软件资源特征向量;
将所述硬件资源通过所述包含嵌入层的语义编码器以获得所述硬件资源特征向量;
将所述权限资源通过所述包含嵌入层的语义编码器以获得所述权限资源特征向量;
将所述共享资源通过所述包含嵌入层的语义编码器以获得所述共享资源特征向量。
5.根据权利要求4所述的网络资源智能化管理方法,其特征在于,将所述软件资源通过所述包含嵌入层的语义编码器以获得所述软件资源特征向量,包括:
对所述软件资源进行分词以获得词序列;
对所述词序列进行清洗以获得清洗后词序列,其中,对所述词序列进行清洗包括如下操作至少之一:删除重复词、去掉标点符号和删除特殊符号;
使用所述语义编码器的嵌入层将所述清洗后词序列中各个词映射为词向量以获得词向量序列;
使用所述语义编码器的Bert模型对所述词向量序列进行语义编码以生成所述软件资源特征向量。
6.根据权利要求5所述的网络资源智能化管理方法,其特征在于,将所述网络资源特征矩阵通过特征提取以得到所述网络资源关联特征矩阵,包括:
将所述网络资源特征矩阵通过作为特征提取器的文本卷积神经网络模型以得到网络资源特征图;
将所述网络资源特征图通过使用空间注意力机制的第一卷积神经网络模型以得到所述网络资源关联特征矩阵。
7.根据权利要求6所述的网络资源智能化管理方法,其特征在于,构造所述网络资源特征矩阵和所述网络资源关联特征矩阵之间的网络资源分类特征矩阵,对所述网络资源分类特征矩阵进行特征表示的期望激活活跃化以得到优化网络资源分类特征矩阵,包括:
融合所述网络资源特征矩阵和所述网络资源关联特征矩阵以得到所述网络资源分类特征矩阵;
对所述网络资源分类特征矩阵进行特征表示的期望激活活跃化以得到所述优化网络资源分类特征矩阵。
8.根据权利要求7所述的网络资源智能化管理方法,其特征在于,对所述网络资源分类特征矩阵进行特征表示的期望激活活跃化以得到所述优化网络资源分类特征矩阵,包括:
计算以所述网络资源分类特征矩阵的预定位置的特征值为幂的指数函数值再减去一以得到指数调整特征值;
计算所述指数调整特征值除以所述网络资源分类特征矩阵的预定位置的特征值,并对结果计算绝对值以得到归一化指数调整特征值比;
将所述归一化指数调整特征值比通过softmax函数进行激活后再乘以所述网络资源分类特征矩阵的预定位置的特征值以得到所述优化网络资源分类特征矩阵的预定位置的特征值。
9.一种网络资源智能化管理装置,其特征在于,包括:
获取网络资源模块,用于获取由资源设备中采集的网络资源,所述网络资源包括软件资源、硬件资源、权限资源和共享资源;
提取资源特征模块,用于从所述软件资源、所述硬件资源、所述权限资源和所述共享资源提取网络资源特征矩阵,并将所述网络资源特征矩阵通过卷积编码以得到网络资源关联特征矩阵;
融合资源特征模块,用于构造所述网络资源特征矩阵和所述网络资源关联特征矩阵之间的网络资源分类特征矩阵,对所述网络资源分类特征矩阵进行特征表示的期望激活活跃化以得到优化网络资源分类特征矩阵;
网络资源分析模块,用于将所述优化网络资源分类特征矩阵通过分类器以获得分类结果,所述分类结果用于表示网络资源状态是否有异常情况。
10.一种电子设备,包括:
处理器;
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-8中任一项所述的网络资源智能化管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410478760.7A CN118094341A (zh) | 2024-04-20 | 2024-04-20 | 网络资源智能化管理方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410478760.7A CN118094341A (zh) | 2024-04-20 | 2024-04-20 | 网络资源智能化管理方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118094341A true CN118094341A (zh) | 2024-05-28 |
Family
ID=91144104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410478760.7A Pending CN118094341A (zh) | 2024-04-20 | 2024-04-20 | 网络资源智能化管理方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118094341A (zh) |
-
2024
- 2024-04-20 CN CN202410478760.7A patent/CN118094341A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097037A (zh) | 智能监测方法、装置、存储介质及电子设备 | |
JP2023551029A (ja) | プロアクティブ異常検出 | |
CN116471307B (zh) | 物联网异构数据级联传输方法、装置、设备及介质 | |
CN116049397B (zh) | 基于多模态融合的敏感信息发现并自动分类分级方法 | |
CN111600919A (zh) | 基于人工智能的web检测方法和装置 | |
CN115471216A (zh) | 智慧实验室管理平台的数据管理方法 | |
CN116561748A (zh) | 一种组件子序列相关性感知的日志异常检测装置 | |
CN116164822A (zh) | 基于知识图谱的流量计故障诊断方法、装置、介质 | |
CN116167370A (zh) | 基于日志时空特征分析的分布式系统异常检测方法 | |
Xie et al. | Logm: Log analysis for multiple components of hadoop platform | |
CN117676099B (zh) | 基于物联网的安全预警方法及系统 | |
CN116866054A (zh) | 公共信息安全监测系统及其方法 | |
KR20210011822A (ko) | 인공 지능 기반 비정상 로그를 탐지하는 방법 및 이를 구현하는 시스템 | |
CN116975728B (zh) | 用于煤层气钻井工程的安全管理方法及其系统 | |
CN113674846A (zh) | 基于lstm网络的医院智慧服务舆情监控平台 | |
KR102366787B1 (ko) | 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템 | |
CN116486345A (zh) | 物业服务平台管理系统及其方法 | |
CN118094341A (zh) | 网络资源智能化管理方法、装置和电子设备 | |
CN116389062A (zh) | 基于流量安全分析的工业控制系统行为监测方法及设备 | |
CN113076217B (zh) | 基于国产平台的磁盘故障预测方法 | |
CN114676002A (zh) | 基于phm技术的系统运维方法及装置 | |
CN118069885B (zh) | 一种动态视频内容编码检索方法及系统 | |
CN116595995B (zh) | 动作决策的确定方法、电子设备及计算机可读存储介质 | |
CN117633864A (zh) | 操作行为的检测方法、装置、设备及存储介质 | |
KR20240078684A (ko) | 이종 데이터 융합 방법 및 장치 |
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 |