TWI683224B - 群集分析方法及採用該方法之資料探勘系統 - Google Patents
群集分析方法及採用該方法之資料探勘系統 Download PDFInfo
- Publication number
- TWI683224B TWI683224B TW107145915A TW107145915A TWI683224B TW I683224 B TWI683224 B TW I683224B TW 107145915 A TW107145915 A TW 107145915A TW 107145915 A TW107145915 A TW 107145915A TW I683224 B TWI683224 B TW I683224B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- cluster
- projection
- clusters
- grouping
- Prior art date
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一種巨量資料分群方法，用以解決習知分群方法分析效率不佳的問題。係包含：將巨量資料以直方圖的方式呈現，該直方圖具有一第一資料、一第二資料，以及該第一資料與該第二資料的條件均成立時的資料數量；依據該第一資料及該資料數量投影產生一第一投影結果，藉由一分群策略設定一分割基準點，並從該第一投影結果中選擇該資料數量低於該分割基準點的峰谷作為分群的依據，以產生數個第一群集；及對各該第一群集以該第二資料投影產生數個第二投影結果，各該第二投影結果藉由該分群策略進行分群，以產生數個第二群集。
Description
本發明係關於一種群集分析方法及採用該方法之資料探勘系統，尤其是一種用以對巨量資料進行分群的群集分析方法及採用該方法之資料探勘系統。
隨著科技進步與網際網路的蓬勃發展，目前網路上所產生的資料數量已達到巨量資料（Big Data）的程度。然而，由於巨量資料之資料量過於龐大，且係由各種不同來源的結構性資料及非結構性資料所組成。因此，在進行資料探勘過程中會相當耗時費力，而無法在有效時間內完成對巨量資料的分析並取得分析結果。
為了有效地分析巨量資料，係會預先以習知資料分群方法（如：K-means、CLIQUE）將巨量資料進行分群，以改善資料探勘之效率與準確性。惟，當巨量資料之資料量增加時，該習知資料分群方法相對增加的時間成本會呈現大幅度的增長，而無法取得即時的分析結果，係具有分析效率不佳之問題。
有鑑於此，習知資料分群方法確實仍有加以改善之必要。
為解決上述問題，本發明的目的是提供一種群集分析方法，能夠用以對巨量資料進行分群。
本發明的次一目的是提供一種資料探勘系統，能夠用以對巨量資料進行分群，並找出巨量資料之間的關聯性特徵所隱含的資訊。
本發明全文所述「巨量資料（Big Data）」，係指傳統資料處理之應用軟體不足以處理的海量資料量，或是高複雜程度的大量結構化與非結構化的資料，係具有資料種類多變性（Variety）、資料量（Volume）及資料處理速度（Velocity）等特性，係本發明所屬技術領域中具有通常知識者可以理解。
本發明全文所述「直方圖（Histogram）」，係指一種藉由圖形表示的方式呈現數據分布情況，係本發明所屬技術領域中具有通常知識者可以理解。
本發明的群集分析方法，包含：將欲進行分群的巨量資料以直方圖的方式呈現，該直方圖的橫軸係表示為一第一資料，縱軸係表示為一第二資料，該橫軸與該縱軸所形成的平面上之數據點之數值，係表示為該第一資料與該第二資料的條件均成立時的資料數量；依據該第一資料及該數據點之數值進行投影，以產生一第一投影結果，藉由一分群策略設定一分割基準點，並從該第一投影結果中選擇該數據點之數值低於該分割基準點的峰谷作為分群的依據，以產生數個第一群集；及對各該第一群集以該第二資料進行投影，以產生數個第二投影結果，各該第二投影結果藉由該分群策略進行分群，以產生數個第二群集。
本發明的資料探勘系統，包含：係用以接收欲進行分群的巨量資料，並將該巨量資料以以直方圖的方式呈現，該直方圖的橫軸係表示為一第一資料，縱軸係表示為一第二資料，該橫軸與該縱軸所形成的平面上之數據點之數值，係表示為該第一資料與該第二資料的條件均成立時的資料數量；依據該第一資料及該數據點之數值進行投影，以產生一第一投影結果，藉由一分群策略設定一分割基準點，並從該第一投影結果中選擇該數據點之數值低於該分割基準點的峰谷作為分群的依據，以產生數個第一群集；及對各該第一群集以該第二資料進行投影，以產生數個第二投影結果，各該第二投影結果藉由該分群策略進行分群，以產生數個第二群集；一關聯分析模組，耦接該群集分析模組，並用以透過一關聯規則學習取得各該第二群集中的第一資料與該第二資料之間的一關聯性規則模型；及一資料解析模組，耦接該關聯分析模組，並用以透過該關聯性規則模型，以推導出與各該第二群集中的第一資料及該第二資料具有關聯性的特徵所隱含的資訊。
據此，本發明的群集分析方法及採用該方法之資料探勘系統，能夠將巨量資料透過以直方圖方式呈現，僅以X軸與Y軸二維度資料量進行投影，使減少計算複雜度。如此，係具有提升巨量資料分群效率的功效。
其中，對所輸入的巨量資料預先進行彙整，並進行特徵標準化。如此，係具有提升資料分群後的精確度的功效。
其中，設置一第一群集門檻值，並將該第一投影結果中數據點之數值低於該第一群集門檻值的第一群集去除。如此，係具有過濾雜訊資料的功效。
其中，分別對該數個第二投影結果各自設定一第二群集門檻值，並將各該第二投影結果中數據點之數值低於各該第二群集門檻值的第二群集去除。如此，係具有進一步過濾雜訊資料的功效。
為讓本發明之上述及其他目的、特徵及優點能更明顯易懂，下文特舉本發明之較佳實施例，並配合所附圖式，作詳細說明如下：
請參照第1圖所示，其係本發明群集分析方法的一較佳實施例，係包含一資料轉化步驟S1、一第一分群步驟S2及一第二分群步驟S3。
該資料轉化步驟S1係將欲進行分群的巨量資料以直方圖（Histogram）的方式呈現。該直方圖的橫軸係表示為一第一資料，縱軸係表示為一第二資料，該橫軸與該縱軸所形成的平面上之數據點之數值，係表示為該第一資料與該第二資料的條件均成立時的資料數量。
該第一分群步驟S2係依據該第一資料及該數據點之數值進行投影，以產生一第一投影結果。該第一投影結果可藉由一分群策略進行群集分析，以產生數個第一群集。詳言之，該分群策略係可以設定一分割基準點，並從該第一投影結果中，選擇該數據點之數值低於該分割基準點的峰谷（valley）作為分群的依據，以產生該數個第一群集。
值得一提的是，該第一分群步驟S2還可以具有一過濾群集步驟S21，該過濾群集步驟S21係用以對該數個第一群集進行篩選，以將該數個第一群集中無效的群集去除。具體而言，該第一分群步驟S2係可以設置一第一群集門檻值，並將該數據點之數值低於該第一群集門檻值的第一群集去除。該第一群集門檻值係可以依據群集分析的需求，而設定不同的門檻值參數，在本實施例中，該第一群集門檻值係等同於該分割基準點的數值。
舉例而言，本發明的群集分析方法係可以應用於對網路管理的巨量資料進行群集分析，在本實施例中，係分別以網路設備（如：GNK）蒐集3,000筆、7,500筆、580,000筆與1,000,000筆網路資料，並分別進行群集分析。各該網路資料係可以包含一來源IP（Source IP）、一目的IP（Destination IP）、一來源埠（Source Port）、一目的埠（Destination Port）、一訊號時間、一防禦策略及一網路協定（Protocal），在本實施例中，該第一資料係為該來源IP，該第二資料係為該防禦策略，該數據點之數值係為針對該來源IP所啟用的防禦策略次數。該資料轉化步驟S1係用以將上述網路資料轉化為以直方圖的方式呈現。
請參照第2圖所示，該第一分群步驟S2係將上述直方圖的第一資料及數據點之數值進行投影（即，針對來源IP及啟用的防禦策略次數進行投影），以產生一第一投影結果P1。再且，藉由該分群策略設定一分割基準點為15，並以該第一投影結果P1中數據點之數值低於15的峰谷進行分割（即，依據15次以下的防禦策略次數進行分割），以產生六個第一群集C1~C6。此外，為了將該六個第一群集C1~C6中的無效群集去除，該過濾群集步驟S21係可以設定一第一群集門檻值為15，並判斷該六個第一群集C1~C6各自的數據點之數值是否低於15，若判斷結果為是，則將該群集去除；若判斷結果為否，則保留該群集。由於該第一群集C1，C6的數據點之數值低於15，因此，將該二個第一群集C1，C6去除。
該第二分群步驟S3係對各該第一群集，再進一步以該第二資料進行投影，以產生數個第二投影結果。各該第二投影結果再藉由該分群策略進行分群，以產生數個第二群集。值得一提的是，該第二分群步驟S3還可以包含一過濾群集步驟S31，該過濾群集步驟S31係可以對各該第二投影結果中的第二群集各別設置一第二群集門檻值，以對各該第二投影結果中的第二群集進行篩選，以將各該第二投影結果中無效的群集去除。
請參照第2、3a~3d圖所示，係分別對該數個第一群集C2~C5進一步以防禦策略的次數進行投影，以產生數個第二投影結果P2
1~P2
4。該數個第二投影結果P2
1~P2
4可依據該分群策略各別設定另一分割基準點，在本實施例中，該數個第二投影結果P2
1~P2
4的分割基準點可以分別為0、28、2及30，以分別產生三個第二群集C2
1~C2
3、十一個第二群集C3
1~C3
11、四個第二群集C4
1~C4
4，以及十個第二群集C5
1~C5
10。此外，為了將該數個第二群集C2
1~C2
3、C3
1~C3
11、C4
1~C4
4及C5
1~C5
10中的無效群集去除，該過濾群集步驟S31係可以依據群集分析的需求，分別對該數個第二投影結果P2
1~P2
4各自設定一第二群集門檻值，在本實施例中，該數個第二投影結果P2
1~P2
4的第二群集門檻值，係可以各自等同於該數個第二投影結果P2
1~P2
4的分割基準點的數值。如此，係可以分別去除該第二群集C3
1 、 4 、 6 、 9 、 11、C4
1 、 4及C5
1 、 3 、 8 、 10等群集。
較佳地，本發明的群集分析方法還可以具有一預先處理步驟S0，該預先處理步驟S0係對所輸入的巨量資料預先進行彙整，並進行特徵標準化（normalization），以提升資料分群後的精確度。
由下表一可以得知，本發明的群集分析方法相對於習知群集分析方法：K-means、CLIQUE，在處理相同筆數的資料量時，係可以花費較少的時間成本。再且，當資料數量由580,000筆提升至1,000,000筆時，本發明的時間成本只增長約32%，相較於K-means的時間成本增長約63%、CLIQUE的時間成本增長約46%，本發明比較不會因為資料數量的急遽成長而受到限制，相對習知群集分析方法而言係比較穩定。
表一 時間成本
| 方法 資料數量 | 本發明 | K-means | CLIQUE |
| 3,000 | 0.091s | 0.115s | 0.109s |
| 7,500 | 0.107s | 0.171s | 0.156s |
| 580,000 | 2.892s | 3.989s | 3.620s |
| 1,000,000 | 4.273s | 10.892s | 6.748s |
請參照第4圖所示，其係本發明資料探勘系統的一較佳實施例，係包含一群集分析模組1、一關聯分析模組2及一資料解析模組3，該關聯分析模組2耦接該群集分析模組1，該資料解析模組3耦接該關聯分析模組2。
該群集分析模組1係用以接收欲進行分群的巨量資料，並將該巨量資料以直方圖的方式呈現，該直方圖的橫軸係表示為一第一資料，縱軸係表示為一第二資料，該橫軸與該縱軸所形成的平面上之數據點之數值，係表示為該第一資料與該第二資料的條件均成立時的資料數量；依據該第一資料及該數據點之數值進行投影，以產生一第一投影結果，藉由一分群策略設定一分割基準點，並從該第一投影結果中選擇該數據點之數值低於該分割基準點的峰谷作為分群的依據，以產生數個第一群集；及對各該第一群集以該第二資料進行投影，以產生數個第二投影結果，各該第二投影結果藉由該分群策略進行分群，以產生數個第二群集。較佳地，該數個第二群集係可以分配至不同的伺服器中進行平行運算。如此，係具有降低運算量及運算時間等功效。
該關聯分析模組2耦接該群集分析模組1，並用以透過一關聯規則學習（Association Rule Learning）取得各該第二群集中的第一資料與該第二資料之間的一關聯性規則模型。該關聯規則學習的演算法係可以為Apriori演算法，惟不以此為限。
該資料解析模組3耦接該關聯分析模組2，並用以透過該關聯性規則模型，以推導出與各該第二群集中的第一資料及該第二資料具有關聯性的特徵所隱含的資訊。
舉例而言，本發明的資料探勘系統可以應用於對網路管理的巨量資料進行群集分析，並推導出該巨量資料之間具有關聯性的特徵所隱含的資訊。具體而言，依據第3a~3d圖分群後所產生的第二群集，以及下表二可以得知，C2
1群集的使用者最常啟用之防禦政策類型係為Stream Media，且透過資料顯示可知，係由於使用者皆為觀看PPS所影響。C2
2群集的使用者最常啟用之防禦政策類型係為DOS與SCAN，由於DOS與SCAN係屬相同類型的防禦政策，因此，將C2
1群集與C2
2群集的使用者歸納為同一個群集。然而， C2
1群集的防禦政策之啟用次數為1235，遠超於C2
2群集的589次。因此，可以推導出C2
1群集相對於C2
2群集，較容易對整體網路造成影響。
表二 針對目的IP140.127.1~140.127.4
| 群集 | 主要使用防禦政策 | 啟用 次數 |
| 政策名稱 (政策類型) | ||
| C21 | MEDIA PPStream media via UDP -5 (Stream Media) | 1235 |
| MEDIA PPStream media via UDP -3 (Stream Media) | ||
| C22 | TCP SYN FLOOD (DOS) | 589 |
| IP SWEEP (SCAN) |
由表三無法正確得知C3
1~3群集的主要啟用防禦政策類型，係因為C3
1~3群集各自所包含防禦政策類型大多不相同，僅能推斷出140.127.6~140.127.19網段的各使用者的網路行為較不一致，類型係涵蓋有P2P、Access Control及Stream Media等，但因為影響網路的程度不一，因而被歸類為不同群集。C3
1群集的防禦政策之啟用次數係為66次，相較於C3
2群集僅有16次而言，C3
1群集比較可能會對整體網路造成影響。因此，網路管理員能夠優先對C3
1群集此網段的使用者的網路行為進行改善。
表三 針對目的IP140.127.6~140.127.19
| 群集 | 主要使用防禦政策 | 啟用 次數 |
| 政策名稱 (政策類型) | ||
| C31 | EXT_SKYPE_LOGIN (Access Control) | 66 |
| P2P BT-BitTorrent announce access via UDP -2 (P2P) | ||
| MEDIA PPTV media via TCP -7 (Stream Media) | ||
| VOIP Skype login via SSL -1 (Access Control) | ||
| EXPLOIT MS Windows Server Service RPC Request Handling Buffer Overflow -3 (MS08-067 (Buffer Overflow) | ||
| MEDIA PPStream media via UDP -5 (Stream Media) | ||
| C32 | VOIP Skype login via SSL -1 (Access Control) | 16 |
| MEDIA PPTV media via TCP -7 (Stream Media) | ||
| C33 | TCP SYN FLOOD (DOS) | 49 |
| IP SWEEP (SCAN) |
由表四中可以得知，主要影響網路的群集係以C4
6群集為主要控管對象，因此，網路管理員能夠優先針對使用者觀看YouTube的網路行為進行管控。
表四 針對目的IP140.127.20~140.127.33
| 群集 | 主要使用防禦政策 | 啟用 次數 |
| 政策名稱 (政策類型) | ||
| C41 | EXT_SKYPE_LOGIN (Access Control) | 1032 |
| C42 | NETWORK SSL/TLS Handshake connect via SSL -3 (Access Control) | 1734 |
| NETWORK SSL/TLS Handshake connect via SSL -4 (Access Control) | ||
| C43 | MEDIA PPStream media via UDP -3 (Stream Media) | 1264 |
| MEDIA BaiduMusic access via TCP -1 (Stream Media) | ||
| C44 | MEDIA BaiduMusic access via UDP -1 (Stream Media) | 727 |
| MEDIA BaiduMusic access via TCP -2 (Stream Media) | ||
| C45 | MEDIA PPStream media via UDP -5 (Stream Media) | 756 |
| MEDIA Sina Video media via TCP -1 (Stream Media) | ||
| C46 | MEDIA YouTube access via TCP -2 (Stream Media) | 4239 |
| MEDIA Sohu TV access via TCP -3 (Stream Media) | ||
| C47 | MEDIA YouTube media via TCP -5 (Stream Media) | 620 |
| P2P myMusic access via TCP -1 (P2P) |
由表五可以得知，C5
1群集與C5
2群集的網路行為皆由Skype Access Control與一項不同的Stream Media所構成。除了因為啟用次數的差異而被分割為兩個不同的群集外，C5
1群集之使用者可能是登入社群網路通訊軟體，並同時進行PPTV觀看影片之行為。相對的，C5
2群集之使用者則可能是利用社群網路通訊進行VoIP語音通話，並進行MP4多媒體服務。雖然C5
1群集與C5
2群集的網路行為模式相近似，但不難從中發現更多使用者的網路行為習慣，以提供給網路管理者可利用不同方式進行網路限流或分流。
表五 針對目的IP為虛擬IP
| 群集 | 主要使用防禦政策 | 啟用 次數 |
| 政策名稱 (政策類型) | ||
| C51 | EXT_SKYPE_LOGIN (Access Control) | 366 |
| MEDIA PPTV media via TCP -7 (Stream Media) | ||
| C52 | MEDIA MP4 file media via TCP -1 (Stream Media) | 163 |
| VOIP Skype connect via TCP -1 (Access Control) | ||
| C53 | NETWORK SSL/TLS Handshake connect via SSL -3 (Access Control) | 1514 |
| NETWORK SSL/TLS Handshake connect via SSL -4 (Access Control) | ||
| C54 | NETWORK SSL/TLS Handshake connect via SSL -5 (Access Control) | 540 |
| C55 | NETWORK SSL/TLS Handshake connect via SSL -6 (Access Control) | 415 |
| MEDIA BaiduMusic access via UDP -1 (Stream Media) | ||
| MEDIA BaiduMusic access via TCP -2 (Stream Media) | ||
| C56 | MEDIA YouTube access via TCP -2 (Stream Media) | 527 |
| MEDIA Sohu TV access via TCP -5 (Stream Media) | ||
| C57 | MEDIA YouTube access via TCP -5 (Stream Media) | 262 |
| MEDIA YouTube access via TCP -3 (Stream Media) |
綜上所述，本發明的群集分析方法及採用該方法之資料探勘系統，能夠將巨量資料透過以直方圖方式呈現，僅以X軸與Y軸二維度資料量進行投影，使減少計算複雜度。如此，係具有提升巨量資料分群效率的功效。
雖然本發明已利用上述較佳實施例揭示，然其並非用以限定本發明，任何熟習此技藝者在不脫離本發明之精神和範圍之內，相對上述實施例進行各種更動與修改仍屬本發明所保護之技術範疇，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
﹝本發明﹞
S0‧‧‧預先處理步驟
S1‧‧‧資料轉化步驟
S2‧‧‧第一分群步驟
S21‧‧‧過濾群集步驟
S3‧‧‧第二分群步驟
S31‧‧‧過濾群集步驟
1‧‧‧群集分析模組
2‧‧‧關聯分析模組
3‧‧‧資料解析模組
P1‧‧‧第一投影結果
P21~P24‧‧‧第二投影結果
C1~C6‧‧‧第一群集
C21~C23‧‧‧第二群集
C31~C311‧‧‧第二群集
C41~C44‧‧‧第二群集
C51~C510‧‧‧第二群集
［第1圖］ 本發明一較佳實施例的方法流程圖。 ［第2圖］ 本發明一較佳實施例以直方圖之X軸資料投影的資料數據圖。 ［第3a~3d圖］對第2圖以直方圖之Y軸資料投影的資料數據圖。 ［第4圖］ 本發明一較佳實施例的系統方塊圖
S0‧‧‧預先處理步驟
S1‧‧‧資料轉化步驟
S2‧‧‧第一分群步驟
S21‧‧‧過濾群集步驟
S3‧‧‧第二分群步驟
S31‧‧‧過濾群集步驟
Claims (5)
- 一種群集分析方法，包含： 將欲進行分群的巨量資料以直方圖的方式呈現，該直方圖的橫軸係表示為一第一資料，縱軸係表示為一第二資料，該橫軸與該縱軸所形成的平面上之數據點之數值，係表示為該第一資料與該第二資料的條件均成立時的資料數量； 依據該第一資料及該數據點之數值進行投影，以產生一第一投影結果，藉由一分群策略設定一分割基準點，並從該第一投影結果中選擇該數據點之數值低於該分割基準點的峰谷作為分群的依據，以產生數個第一群集；及 對各該第一群集以該第二資料進行投影，以產生數個第二投影結果，各該第二投影結果藉由該分群策略進行分群，以產生數個第二群集。
- 如申請專利範圍第1項所述之群集分析方法，其中，對所輸入的巨量資料預先進行彙整，並進行特徵標準化。
- 如申請專利範圍第1項所述之群集分析方法，其中，設置一第一群集門檻值，並將該第一投影結果中數據點之數值低於該第一群集門檻值的第一群集去除。
- 如申請專利範圍第1項所述之群集分析方法，其中，分別對該數個第二投影結果各自設定一第二群集門檻值，並將各該第二投影結果中數據點之數值低於各該第二群集門檻值的第二群集去除。
- 一種資料探勘系統，包含： 一群集分析模組，係用以接收欲進行分群的巨量資料，並將該巨量資料以以直方圖的方式呈現，該直方圖的橫軸係表示為一第一資料，縱軸係表示為一第二資料，該橫軸與該縱軸所形成的平面上之數據點之數值，係表示為該第一資料與該第二資料的條件均成立時的資料數量；依據該第一資料及該數據點之數值進行投影，以產生一第一投影結果，藉由一分群策略設定一分割基準點，並從該第一投影結果中選擇該數據點之數值低於該分割基準點的峰谷作為分群的依據，以產生數個第一群集；及對各該第一群集以該第二資料進行投影，以產生數個第二投影結果，各該第二投影結果藉由該分群策略進行分群，以產生數個第二群集； 一關聯分析模組，耦接該群集分析模組，並用以透過一關聯規則學習取得各該第二群集中的第一資料與該第二資料之間的一關聯性規則模型；及 一資料解析模組，耦接該關聯分析模組，並用以透過該關聯性規則模型，以推導出與各該第二群集中的第一資料及該第二資料具有關聯性的特徵所隱含的資訊。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107145915A TWI683224B (zh) | 2018-12-19 | 2018-12-19 | 群集分析方法及採用該方法之資料探勘系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107145915A TWI683224B (zh) | 2018-12-19 | 2018-12-19 | 群集分析方法及採用該方法之資料探勘系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI683224B true TWI683224B (zh) | 2020-01-21 |
| TW202024947A TW202024947A (zh) | 2020-07-01 |
Family
ID=69942926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107145915A TWI683224B (zh) | 2018-12-19 | 2018-12-19 | 群集分析方法及採用該方法之資料探勘系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI683224B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI340345B (en) * | 2006-08-10 | 2011-04-11 | Uniminer Inc | Method for selecting critical variables |
| TW201636750A (zh) * | 2014-10-23 | 2016-10-16 | ３Ｍ新設資產公司 | 用於辨識及遵守公共網格中的標準操作限制條件之系統及方法 |
| TWM570519U (zh) * | 2018-07-10 | 2018-11-21 | 國立臺中科技大學 | Disease prevention and health care system using huge amounts of data |
-
2018
- 2018-12-19 TW TW107145915A patent/TWI683224B/zh active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI340345B (en) * | 2006-08-10 | 2011-04-11 | Uniminer Inc | Method for selecting critical variables |
| TW201636750A (zh) * | 2014-10-23 | 2016-10-16 | ３Ｍ新設資產公司 | 用於辨識及遵守公共網格中的標準操作限制條件之系統及方法 |
| TWM570519U (zh) * | 2018-07-10 | 2018-11-21 | 國立臺中科技大學 | Disease prevention and health care system using huge amounts of data |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202024947A (zh) | 2020-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220070065A1 (en) | Enriched flow data for network analytics | |
| CN107623697B (zh) | 一种基于攻防随机博弈模型的网络安全态势评估方法 | |
| Tjhai et al. | A preliminary two-stage alarm correlation and filtering system using SOM neural network and K-means algorithm | |
| CN112668726A (zh) | 一种高效通信且保护隐私的个性化联邦学习方法 | |
| US11196759B2 (en) | SIEM system and methods for exfiltrating event data | |
| CN106130806B (zh) | 数据层实时监控方法 | |
| CN103078856B (zh) | 一种基于访问标记的应用层DDoS攻击的检测过滤方法 | |
| Rong et al. | Umvd-fsl: Unseen malware variants detection using few-shot learning | |
| Gong et al. | Deepfake forensics, an ai-synthesized detection with deep convolutional generative adversarial networks | |
| Gu et al. | Realtime Encrypted Traffic Identification using Machine Learning. | |
| CN110876072B (zh) | 一种批量注册用户识别方法、存储介质、电子设备及系统 | |
| CN113139603A (zh) | 一种基于emd距离融合多源异构数据的联邦学习方法 | |
| CN114925286B (zh) | 舆情数据处理方法及装置 | |
| WO2022067539A1 (zh) | 网络流量处理方法、装置、存储介质及计算机设备 | |
| CN115456192A (zh) | 一种联邦学习模型投毒防御方法、终端及存储介质 | |
| CN116527362A (zh) | 一种基于LayerCFL入侵检测的数据保护方法 | |
| Wang et al. | Spatial-temporal frequency forgery clue for video forgery detection in VIS and NIR scenario | |
| TWI683224B (zh) | 群集分析方法及採用該方法之資料探勘系統 | |
| CN114510615A (zh) | 一种基于图注意力池化网络的细粒度加密网站指纹分类方法和装置 | |
| CN109450889A (zh) | 一种物联网中汇聚数据流的隐私保护发布方法 | |
| CN117473415A (zh) | 基于融合特征和自适应权重的物联网流量分类方法 | |
| CN115604032B (zh) | 一种电力系统复杂多步攻击检测方法及系统 | |
| CN116684528A (zh) | 一种视频彩铃不同视角的推荐方法 | |
| Dong et al. | Effective and efficient photo quality assessment | |
| CN114124565A (zh) | 一种基于图嵌入的网络入侵检测方法 |