CN111125539A - 一种基于人工智能的cdn有害信息阻断方法及*** - Google Patents
一种基于人工智能的cdn有害信息阻断方法及*** Download PDFInfo
- Publication number
- CN111125539A CN111125539A CN201911414631.7A CN201911414631A CN111125539A CN 111125539 A CN111125539 A CN 111125539A CN 201911414631 A CN201911414631 A CN 201911414631A CN 111125539 A CN111125539 A CN 111125539A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- artificial intelligence
- hidden layer
- harmful information
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 56
- 230000000903 blocking effect Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000000977 initiatory effect Effects 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 30
- 238000012544 monitoring process Methods 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
- G06F16/9566—URL specific, e.g. using aliases, detecting broken or misspelled links
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于人工智能的CDN有害信息阻断方法及***,涉及网络安全技术领域,具体包括以下步骤:获取所有CDN节点中用户的请求操作日志数据;根据请求操作日志数据发起相应的业务请求并获取返回的数据;将返回的数据中的非结构化数据采用人工智能模型得到非结构化数据的检测结果,将返回的数据中的结构化数据通过关键字过滤及URL过滤得到结构化数据的检测结果;检测结果判断为有害信息时,生成与有害信息对应的请求操作日志数据的阻断规则,并将阻断规则发送至所有CDN节点,本发明能够完成对非结构化数据进行检测,并进行阻断隔离。
Description
技术领域
本发明涉及网络安全技术领域,具体涉及一种基于人工智能的CDN有害信息阻断方法及***。
背景技术
随着硬件设备不断的升级,CDN(Content Delivery Network,内容分发网络)***的内容存储量越来越大、服务类型日益丰富,参与***的介质也日趋复杂;钓鱼网站、涉黄、涉恐、虚假信息等不健康信息越来越隐蔽、数据结构也越来越复杂,传统的基于关键字及URL的过滤无法对视频、音频等非结构化数据进行分析处理,进而对非结构化数据无法进行有效的阻断隔离。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种基于人工智能的CDN有害信息阻断方法及***,能够完成对非结构化数据进行检测,并进行阻断隔离。
为达到以上目的,本发明采取的技术方案是:
第一方面,提供一种基于人工智能的CDN有害信息阻断方法,具体包括以下步骤:
获取所有CDN节点中用户的请求操作日志数据;
根据请求操作日志数据发起相应的业务请求并获取返回的数据;
将返回的数据中的非结构化数据采用人工智能模型得到非结构化数据的检测结果,将返回的数据中的结构化数据通过关键字过滤及URL过滤得到结构化数据的检测结果;
检测结果判断为有害信息时,生成与有害信息对应的请求操作日志数据的阻断规则,并将阻断规则发送至所有CDN节点。
在上述技术方案的基础上,所述人工智能模型采用人工智能算法完成对非结构化数据的检测,在采用人工智能算法完成对非结构化数据的检测时,所述人工智能算法通过若干已知检测结果的非结构化数据进行修正。
在上述技术方案的基础上,所述人工智能算法包括输入层、隐含层和输出层,且所述人工智能算法通过若干已知检测结果的非结构化数据进行修正,具体包括以下步骤:
初始化输入层到隐含层单元的连接权值和隐含层到输出层的连接权值;
依次输入多个已知检测结果的数据样本,得到每个数据样本隐含层和输出层的输出;
根据每个数据样本隐含层和输出层的输出得到每个数据样本输出层到隐含层的反传误差和隐含层到输入层的反传误差;
确定输出层的阈值,并根据每个数据样本输出层到隐含层的反传误差和隐含层到输入层的反传误差得到修正后的各层间的连接权值。
在上述技术方案的基础上,根据每个数据样本隐含层和输出层的输出得到每个数据样本输出层到隐含层的反传误差和隐含层到输入层的反传误差,满足以下公式:
δk=(dk-0k)f′(netk)
式中,δk为输出层到隐含层的反传误差,dk为隐含层第K层神经元目标值,0k为输出层第K个神经元输出值,f′(netk)为0k与dk的偏差方差值,δj为隐含层到输入层的反传误差,f′(netj)为输入层第j层神经元目标值与隐含层第j个神经元输出值,ωjk为隐含层到输出层第j层的第k个神经元的连接权值。
在上述技术方案的基础上,根据每个数据样本输出层到隐含层的反传误差和隐含层到输入层的反传误差得到修正后的各层间的连接权值,满足以下公式:
式中,Etotal为整体误差,N为检测样本数量,P为已知检测结果的数据样本个数,p为第p个已知检测结果的数据样本,且p∈(1,2,3,...,P),K为隐含层神经元的层数,为隐含层第K层第P个神经元目标值,隐含层第K层第P个神经元输出值,Δωjk为隐含层到输出层第j层的第k个神经元的最优连接权值,Δυij为输入层到隐含层第i层的第j个神经元的最优连接权值,η为学习率,为输出层的神经元个数,m为隐含层的神经元个数。
在上述技术方案的基础上,所述非结构化数据包括音频数据、视频数据和图片数据。
在上述技术方案的基础上,所述非结构化数据为音频数据时,将返回的数据中的非结构化数据采用人工智能模型得到非结构化数据的检测结果,具体包括以下步骤:先对音频数据解码,并对解码后的音频帧进行识别,将识别后的文字信息进行关键字匹配检索,在关键字匹配时,与关键字匹配的有害信息达到预设阈值时,则判断为该音频数据有害信息。
在上述技术方案的基础上,所述非结构化数据为视频数据时,将返回的数据中的非结构化数据采用人工智能模型得到非结构化数据的检测结果,具体包括以下步骤:先对视频数据解码,并对解码后的视频帧按照指定规则进行抽帧检测,进而判断该视频数据是否为有害信息。
第二方面,还提供一种基于人工智能的CDN有害信息阻断***,包括日志采集模块、日志处理模块和监控任务处理模块;
所述日志采集模块用于采集CDN节点中用户的请求操作日志数据,并将请求操作日志数据发送至所述日志处理模块;
所述日志处理模块用于对请求操作日志数据进行分类、排序和去重处理,并将处理后的请求操作日志数据发送至所述监控任务处理模块;
所述监控任务处理模块用于对处理后的请求操作日志数据进行有害信息判断,并生成与判断为有害信息的请求操作日志数据对应的阻断规则,并将阻断规则发送至所有CDN节点中。
在上述技术方案的基础上,所述监控任务处理模块设有多个,所述日志处理模块通过负载均衡算法,以使分配至每个所述监控任务处理模块的负载均衡。
与现有技术相比,本发明的优点在于:
本发明的一种基于人工智能的CDN有害信息阻断方法,通过人工智能模型完成对音频、视频和图片等非结构化数据的检测,并根据检测的结果完成对有害信息的阻断隔离。
附图说明
图1为本发明实施例中CDN有害信息阻断方法的流程框图。
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
参见图1所示,本发明实施例提供一种基于人工智能的CDN有害信息阻断方法,具体包括以下步骤:
获取所有CDN节点中用户的请求操作日志数据;
根据请求操作日志数据发起相应的业务请求并获取返回的数据;
将返回的数据中的非结构化数据采用人工智能模型得到非结构化数据的检测结果,将返回的数据中的结构化数据通过关键字过滤及URL过滤得到结构化数据的检测结果,其中,结构化数据为已知格式或者带有特殊流程的数据来描述一个协议流程或应用操作流程,例如媒体协议请求流程、一个标准资源查询的http请求等,非结构化数据为明确的流程或者协议格式,只能对其整体进行存储,例如图片、音视频数据、各种文档等。
检测结果判断为有害信息时,生成与有害信息对应的请求操作日志数据的阻断规则,并将阻断规则发送至所有CDN节点。
由于人工智能模型能够识别涉黄、涉恐视频,解决了传统CDN无法检测视频数据的缺陷,同时,避免了采用人工审核的传统方式,极大程度的简化了视频资源的审核流程、全面覆盖了检测内容、提高了检测精度。
人工智能模型采用人工智能算法完成对非结构化数据的检测,在采用人工智能算法完成对非结构化数据的检测时,人工智能算法通过若干已知检测结果的非结构化数据进行修正,其中,人工智能算法进行修正时的采用人工神经网络BP(ErrorBackPropagation,误差反向传播算法)算法,通过若干已知检测结果的非结构化数据进行更新权值和阈值完成对算法的修正,从而使最终的人工智能算法能够满足非结构化数据检测的准确性。
人工智能算法包括输入层、隐含层和输出层,且人工智能算法通过若干已知检测结果的非结构化数据进行修正,具体包括以下步骤:
初始化输入层到隐含层单元的连接权值和隐含层到输出层的连接权值;
依次输入多个已知检测结果的数据样本,得到每个数据样本隐含层和输出层的输出;
根据每个数据样本隐含层和输出层的输出得到每个数据样本输出层到隐含层的反传误差和隐含层到输入层的反传误差;
根据每个数据样本输出层到隐含层的反传误差和隐含层到输入层的反传误差得到修正后的各层间的连接权值、以及输出层的阈值。其中,阈值为经验值,根据场景确定,要求匹配度越高值越大,阈值的取值范围为【0,1】。
进一步的,根据每个数据样本隐含层和输出层的输出得到每个数据样本输出层到隐含层的反传误差和隐含层到输入层的反传误差,满足以下公式:
δk=(dk-0k)f′(netk)
式中,δk为输出层到隐含层的反传误差,dk为为隐含层第K层神经元目标值(样本值),0k为输出层第K个神经元输出值,f′(netk)为0k与dk的偏差方差值,δj为隐含层到输入层的反传误差,f′(netj)为输入层第j层神经元目标值与隐含层第j个神经元输出值,ωjk为隐含层到输出层第j层的第k个神经元的连接权值。
根据每个数据样本输出层到隐含层的反传误差和隐含层到输入层的反传误差得到修正后的各层间的连接权值,满足以下公式:
式中,Etotal为整体误差,N为检测样本数量,P为已知检测结果的数据样本个数,p为第p个已知检测结果的数据样本,且p∈(1,2,3,...,P),K为隐含层神经元的层数,为隐含层第K层第P个神经元目标值,隐含层第K层第P个神经元输出值,Δωjk为隐含层到输出层第j层的第k个神经元的最优连接权值,Δυij为输入层到隐含层第i层的第j个神经元的最优连接权值,进一步的,Δωjk和Δυij分别为隐含层到输出层的连接权值和输入层到隐含层的连接权值,η为学习率,进一步的η取0.5,为输出层的神经元个数,m为隐含层的神经元个数。
非结构化数据包括音频数据、视频数据和图片数据;非结构化数据为音频数据时,先对音频数据解码,并对解码后的音频帧进行实时语音翻译识别,将识别后的文字信息进行关键字匹配检索,在关键字匹配时,与关键字匹配的有害信息达到预设阈值时,则判断为该音频数据有害信息;
非结构化数据为视频数据时,将返回的数据中的非结构化数据采用人工智能模型得到非结构化数据的检测结果,具体包括以下步骤:先对视频数据解码,并对解码后的视频帧按照指定规则进行抽帧检测,进而判断该视频数据是否为有害信息;在通过人工智能算法完成对非结构化数据的检测时,将音频数据、视频数据和图片数据分别输入到对应已进行修正的人工智能算法中,并根据最终得到的结果,与各自对应阈值比较,当通过人工智能算法得到的结果达到阈值时,则判断为有害信息。
非结构化数据为图片数据时,将图片数据按照训练图片预处理的方式进行预处理,将预处理后的图片输入训练形成的最优模型,模型输出得到的类别和类别概率,通过阈值过滤类别概率较低的类别,得到最终检测结果。
本发明实施例还提供一种基于人工智能的CDN有害信息阻断***,包括日志采集模块、日志处理模块和监控任务处理模块;
日志采集模块用于采集CDN节点中用户的请求操作日志数据,并将请求操作日志数据发送至日志处理模块;
日志处理模块用于对请求操作日志数据进行分类、排序和去重处理,并将处理后的请求操作日志数据发送至监控任务处理模块;
监控任务处理模块用于对处理后的请求操作日志数据进行有害信息判断,并生成与判断为有害信息的请求操作日志数据对应的阻断规则,并将阻断规则发送至所有CDN节点中。
通过该阻断***的一次检测,能够达到全网阻断,快捷、方便、及时的分享了检测成果,同时,根据检测结果来源的跟踪能够及时、准确的追溯到源头,为后期的资源整顿、整合提供了准确、有力的数据依据。
监控任务处理模块设有多个,日志处理模块通过负载均衡算法,以使分配至每个监控任务处理模块的负载均衡,能够提高该阻断***的反应速度和总体性能。
监控任务处理模块包括音频监控子模块、视频监控子模块、图片监控子模块和结构化数据监控子模块,音频监控子模块、视频监控子模块和图片监控子模块均采用人工智能算法分别对音频、视频和图片进行检测,结构化数据监控子模块通过关键字过滤及URL过滤对文字进行检测。
该阻断***还包括存储器,通过存储器用于存储请求操作日志数据、与请求操作日志数据对应返回的数据、以及阻断规则。
其中,日志处理模块对请求操作日志数据进行分类时,采用人工智能算法进行分类,通过已知类别的请求操作日志数据完成对人工智能算法的修正,从而保证日志处理模块对请求操作日志数据分类的准确性。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于人工智能的CDN有害信息阻断方法,其特征在于,具体包括以下步骤:
获取所有CDN节点中用户的请求操作日志数据;
根据请求操作日志数据发起相应的业务请求并获取返回的数据;
将返回的数据中的非结构化数据采用人工智能模型得到非结构化数据的检测结果,将返回的数据中的结构化数据通过关键字过滤及URL过滤得到结构化数据的检测结果;
检测结果判断为有害信息时,生成与有害信息对应的请求操作日志数据的阻断规则,并将阻断规则发送至所有CDN节点。
2.如权利要求1所述的一种基于人工智能的CDN有害信息阻断方法,其特征在于:所述人工智能模型采用人工智能算法完成对非结构化数据的检测,在采用人工智能算法完成对非结构化数据的检测时,所述人工智能算法通过若干已知检测结果的非结构化数据进行修正。
3.如权利要求2所述的一种基于人工智能的CDN有害信息阻断方法,其特征在于,所述人工智能算法包括输入层、隐含层和输出层,且所述人工智能算法通过若干已知检测结果的非结构化数据进行修正,具体包括以下步骤:
初始化输入层到隐含层单元的连接权值和隐含层到输出层的连接权值;
依次输入多个已知检测结果的数据样本,得到每个数据样本隐含层和输出层的输出;
根据每个数据样本隐含层和输出层的输出得到每个数据样本输出层到隐含层的反传误差和隐含层到输入层的反传误差;
确定输出层的阈值,并根据每个数据样本输出层到隐含层的反传误差和隐含层到输入层的反传误差得到修正后的各层间的连接权值。
5.如权利要求3所述的一种基于人工智能的CDN有害信息阻断方法,其特征在于,根据每个数据样本输出层到隐含层的反传误差和隐含层到输入层的反传误差得到修正后的各层间的连接权值,满足以下公式:
6.如权利要求1所述的一种基于人工智能的CDN有害信息阻断方法,其特征在于:所述非结构化数据包括音频数据、视频数据和图片数据。
7.如权利要求6所述的一种基于人工智能的CDN有害信息阻断方法,其特征在于,所述非结构化数据为音频数据时,将返回的数据中的非结构化数据采用人工智能模型得到非结构化数据的检测结果,具体包括以下步骤:先对音频数据解码,并对解码后的音频帧进行识别,将识别后的文字信息进行关键字匹配检索,在关键字匹配时,与关键字匹配的有害信息达到预设阈值时,则判断为该音频数据有害信息。
8.如权利要求6所述的一种基于人工智能的CDN有害信息阻断方法,其特征在于,所述非结构化数据为视频数据时,将返回的数据中的非结构化数据采用人工智能模型得到非结构化数据的检测结果,具体包括以下步骤:先对视频数据解码,并对解码后的视频帧按照指定规则进行抽帧检测,进而判断该视频数据是否为有害信息。
9.一种基于人工智能的CDN有害信息阻断***,其特征在于,包括日志采集模块、日志处理模块和监控任务处理模块;
所述日志采集模块用于采集CDN节点中用户的请求操作日志数据,并将请求操作日志数据发送至所述日志处理模块;
所述日志处理模块用于对请求操作日志数据进行分类、排序和去重处理,并将处理后的请求操作日志数据发送至所述监控任务处理模块;
所述监控任务处理模块用于对处理后的请求操作日志数据进行有害信息判断,并生成与判断为有害信息的请求操作日志数据对应的阻断规则,并将阻断规则发送至所有CDN节点中。
10.如权利要求9所述的一种基于人工智能的CDN有害信息阻断***,其特征在于:所述监控任务处理模块设有多个,所述日志处理模块通过负载均衡算法,以使分配至每个所述监控任务处理模块的负载均衡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911414631.7A CN111125539B (zh) | 2019-12-31 | 2019-12-31 | 一种基于人工智能的cdn有害信息阻断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911414631.7A CN111125539B (zh) | 2019-12-31 | 2019-12-31 | 一种基于人工智能的cdn有害信息阻断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111125539A true CN111125539A (zh) | 2020-05-08 |
CN111125539B CN111125539B (zh) | 2024-02-02 |
Family
ID=70506641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911414631.7A Active CN111125539B (zh) | 2019-12-31 | 2019-12-31 | 一种基于人工智能的cdn有害信息阻断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111125539B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449782A (zh) * | 2021-06-18 | 2021-09-28 | 中电积至(海南)信息技术有限公司 | 一种基于图半监督分类的cdn托管节点检测方法 |
WO2021226656A1 (en) * | 2020-05-09 | 2021-11-18 | Gt Systems Pty Ltd | Media distribution and management system and apparatus |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012152771A2 (en) * | 2011-05-12 | 2012-11-15 | Telefonica, S.A | Content server of a service provider's cdn |
CN103634692A (zh) * | 2013-12-06 | 2014-03-12 | 南京理工大学连云港研究院 | 基于cdn和p2p的混合流媒体视频点播*** |
CN105844238A (zh) * | 2016-03-23 | 2016-08-10 | 乐视云计算有限公司 | 视频鉴别方法及*** |
WO2016164403A1 (en) * | 2015-04-10 | 2016-10-13 | Level 3 Communications, Llc | Systems and methods for generating network threat intelligence |
US20160344751A1 (en) * | 2015-05-19 | 2016-11-24 | Fastly, Inc. | Customized record handling in a content delivery network |
CN106210057A (zh) * | 2016-07-13 | 2016-12-07 | 成都知道创宇信息技术有限公司 | 一种基于cdn的云安全防护方法 |
CN106778590A (zh) * | 2016-12-09 | 2017-05-31 | 厦门大学 | 一种基于卷积神经网络模型的暴恐视频检测方法 |
US20170223029A1 (en) * | 2016-01-29 | 2017-08-03 | Zscaler, Inc. | Content delivery network protection from malware and data leakage |
CN107211035A (zh) * | 2014-12-05 | 2017-09-26 | 瑞典爱立信有限公司 | 用于在内容递送网络中监测服务的方法和网络节点 |
US20170331913A1 (en) * | 2016-05-11 | 2017-11-16 | Fastly, Inc. | Content based content delivery network purging |
CN107992578A (zh) * | 2017-12-06 | 2018-05-04 | 任明和 | 敏感视频源的数据库自动检测方法 |
CN108229535A (zh) * | 2017-12-01 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 涉黄图像审核方法、装置、计算机设备及存储介质 |
CN108419091A (zh) * | 2018-03-02 | 2018-08-17 | 北京未来媒体科技股份有限公司 | 一种基于机器学习的视频内容审核方法及装置 |
CN108509649A (zh) * | 2018-04-13 | 2018-09-07 | 郑俊杰 | 一种违禁视频内容检索*** |
CN109376634A (zh) * | 2018-10-15 | 2019-02-22 | 北京航天控制仪器研究所 | 一种基于神经网络的公交司机违规行为检测*** |
CN109446461A (zh) * | 2018-10-29 | 2019-03-08 | 成都思维世纪科技有限责任公司 | 一种cdn及cache缓存不良信息内容审计的方法 |
CN109508402A (zh) * | 2018-11-15 | 2019-03-22 | 上海指旺信息科技有限公司 | 违规用语检测方法及装置 |
CN109754306A (zh) * | 2018-11-13 | 2019-05-14 | 北京码牛科技有限公司 | 信息处理方法及装置、电子设备和计算机可读介质 |
KR101993158B1 (ko) * | 2019-01-03 | 2019-06-27 | 넷마블 주식회사 | Cdn 선택 방법 및 장치 |
CN110210542A (zh) * | 2019-05-24 | 2019-09-06 | 厦门美柚信息科技有限公司 | 图片文字识别模型训练方法、装置及文字识别*** |
CN110532866A (zh) * | 2019-07-22 | 2019-12-03 | 平安科技(深圳)有限公司 | 视频数据检测方法、装置、计算机设备及存储介质 |
-
2019
- 2019-12-31 CN CN201911414631.7A patent/CN111125539B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012152771A2 (en) * | 2011-05-12 | 2012-11-15 | Telefonica, S.A | Content server of a service provider's cdn |
CN103634692A (zh) * | 2013-12-06 | 2014-03-12 | 南京理工大学连云港研究院 | 基于cdn和p2p的混合流媒体视频点播*** |
CN107211035A (zh) * | 2014-12-05 | 2017-09-26 | 瑞典爱立信有限公司 | 用于在内容递送网络中监测服务的方法和网络节点 |
WO2016164403A1 (en) * | 2015-04-10 | 2016-10-13 | Level 3 Communications, Llc | Systems and methods for generating network threat intelligence |
US20160344751A1 (en) * | 2015-05-19 | 2016-11-24 | Fastly, Inc. | Customized record handling in a content delivery network |
US20170223029A1 (en) * | 2016-01-29 | 2017-08-03 | Zscaler, Inc. | Content delivery network protection from malware and data leakage |
CN105844238A (zh) * | 2016-03-23 | 2016-08-10 | 乐视云计算有限公司 | 视频鉴别方法及*** |
US20170331913A1 (en) * | 2016-05-11 | 2017-11-16 | Fastly, Inc. | Content based content delivery network purging |
CN106210057A (zh) * | 2016-07-13 | 2016-12-07 | 成都知道创宇信息技术有限公司 | 一种基于cdn的云安全防护方法 |
CN106778590A (zh) * | 2016-12-09 | 2017-05-31 | 厦门大学 | 一种基于卷积神经网络模型的暴恐视频检测方法 |
CN108229535A (zh) * | 2017-12-01 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 涉黄图像审核方法、装置、计算机设备及存储介质 |
CN107992578A (zh) * | 2017-12-06 | 2018-05-04 | 任明和 | 敏感视频源的数据库自动检测方法 |
CN108419091A (zh) * | 2018-03-02 | 2018-08-17 | 北京未来媒体科技股份有限公司 | 一种基于机器学习的视频内容审核方法及装置 |
CN108509649A (zh) * | 2018-04-13 | 2018-09-07 | 郑俊杰 | 一种违禁视频内容检索*** |
CN109376634A (zh) * | 2018-10-15 | 2019-02-22 | 北京航天控制仪器研究所 | 一种基于神经网络的公交司机违规行为检测*** |
CN109446461A (zh) * | 2018-10-29 | 2019-03-08 | 成都思维世纪科技有限责任公司 | 一种cdn及cache缓存不良信息内容审计的方法 |
CN109754306A (zh) * | 2018-11-13 | 2019-05-14 | 北京码牛科技有限公司 | 信息处理方法及装置、电子设备和计算机可读介质 |
CN109508402A (zh) * | 2018-11-15 | 2019-03-22 | 上海指旺信息科技有限公司 | 违规用语检测方法及装置 |
KR101993158B1 (ko) * | 2019-01-03 | 2019-06-27 | 넷마블 주식회사 | Cdn 선택 방법 및 장치 |
CN110210542A (zh) * | 2019-05-24 | 2019-09-06 | 厦门美柚信息科技有限公司 | 图片文字识别模型训练方法、装置及文字识别*** |
CN110532866A (zh) * | 2019-07-22 | 2019-12-03 | 平安科技(深圳)有限公司 | 视频数据检测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
袁冰清等: "BP神经网络基本原理", pages 28 - 29 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021226656A1 (en) * | 2020-05-09 | 2021-11-18 | Gt Systems Pty Ltd | Media distribution and management system and apparatus |
CN113449782A (zh) * | 2021-06-18 | 2021-09-28 | 中电积至(海南)信息技术有限公司 | 一种基于图半监督分类的cdn托管节点检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111125539B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102605599B1 (ko) | 뉴럴 네트워크 트레이닝을 위한 방법, 컴퓨터 제품 및 디바이스 | |
US10438091B2 (en) | Method and apparatus for recognizing image content | |
CN113255755B (zh) | 一种基于异质融合网络的多模态情感分类方法 | |
CN110232109A (zh) | 一种网络舆情分析方法以及*** | |
CN105931633A (zh) | 语音识别的方法及*** | |
CN111639240A (zh) | 一种基于注意力感知机制的跨模态哈希检索方法及*** | |
CN113988314B (zh) | 一种选择客户端的分簇联邦学习方法及*** | |
CN111291015B (zh) | 一种用户行为异常检测方法及装置 | |
CN107563407B (zh) | 一种面向网络空间多模态大数据的特征表示学习*** | |
CN111340105A (zh) | 一种图像分类模型训练方法、图像分类方法、装置及计算设备 | |
US20230206928A1 (en) | Audio processing method and apparatus | |
CN107066951B (zh) | 一种人脸自发表情的识别方法及*** | |
CN114743020A (zh) | 一种结合标签语义嵌入和注意力融合的食物识别方法 | |
CN111125539B (zh) | 一种基于人工智能的cdn有害信息阻断方法及*** | |
CN113850162A (zh) | 一种视频审核方法、装置及电子设备 | |
WO2021092632A2 (en) | Weakly-supervised text-based video moment retrieval via cross attention modeling | |
CN112016601A (zh) | 基于知识图谱增强小样本视觉分类的网络模型构建方法 | |
WO2021092631A9 (en) | Weakly-supervised text-based video moment retrieval | |
CN117079299B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN113901990A (zh) | 多视角集成学习的案件与新闻相关性分析方法 | |
CN110019827B (zh) | 一种语料库生成方法、装置、设备和计算机存储介质 | |
Cheng et al. | Hearing like seeing: Improving voice-face interactions and associations via adversarial deep semantic matching network | |
CN111401527A (zh) | 基于ga-bp网络的机器人行为校验识别方法 | |
CN114357203B (zh) | 多媒体检索方法、装置及计算机设备 | |
CN112750448B (zh) | 声音场景的识别方法、装置、设备及存储介质 |
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 |