CN112507338B - 一种基于深度学习语义分割算法的改进*** - Google Patents
一种基于深度学习语义分割算法的改进*** Download PDFInfo
- Publication number
- CN112507338B CN112507338B CN202011521918.2A CN202011521918A CN112507338B CN 112507338 B CN112507338 B CN 112507338B CN 202011521918 A CN202011521918 A CN 202011521918A CN 112507338 B CN112507338 B CN 112507338B
- Authority
- CN
- China
- Prior art keywords
- module
- virus
- deep learning
- characteristic
- segmentation algorithm
- 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
Images
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
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/56—Computer malware detection or handling, e.g. anti-virus arrangements
- G06F21/562—Static detection
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Virology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习语义分割算法的改进***,包括总处理器模块、深度学习模块、信息输出模块、无线传输模块、接收终端模块、安全检验模块、数据提交模块、供电模块、分割算法模块、病毒查杀模块、数据记录模块;所述总处理器模块的输出端、深度学习模块、分割算法模块依次连接,所述供电模块的电源输出端连接所述总处理器模块的电源输入端,所述总处理器模块的外部安装有所述数据检验模块;所述供电模块的电源输出端连接有所述总处理器模块的电源输入端,所述总处理器模块的外部固定安装有所述数据检验模块;所述总处理器模块的输出端连接有所述信息输出模块的输入端。
Description
技术领域
本发明属于学习算法范围技术领域,具体为一种基于深度学习语义分割算法的改进***。
背景技术
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。
但是常见的***在使用时,内部缺少数据检验模块,就会使得进行分割算法时,数据容易出现错误,从而造成工作效率低下,同时缺少杀毒软件实时进行保护,不利于***的安全性。
发明内容
本发明的目的在于:为了解决上述提出的问题,提供深度学习语义分割算法的改进***。
本发明至少通过如下技术方案之一实现。
一种基于深度学习语义分割算法的改进***,包括总处理器模块、深度学习模块、信息输出模块、无线传输模块、接收终端模块、安全检验模块、数据提交模块、供电模块、分割算法模块、病毒查杀模块、数据记录模块;所述总处理器模块的输出端、深度学习模块、分割算法模块依次连接,所述供电模块的电源输出端连接所述总处理器模块的电源输入端,所述总处理器模块的外部安装有所述数据检验模块;
所述总处理器模块的输出端、信息输出模块、无线传输模块、接收终端模块、安全检验模块、病毒查杀模块的输入端依次连接;
所述病毒查杀模块的输出端连接所述数据检验模块的输入端;所述安全检验模块的输出端连接所述数据提交模块的输入端,所述数据提交模块的输出端连接有所述数据记录模块的输入端。
优选的,所述数据检验模块的内部设置有所述符号检查模块、所述逻辑检查模块、所述关键词设置模块和所述信息接收模块;所述符号检查模块、所述逻辑检查模块、所述关键词设置模块和所述信息接收模块的输入端均与所述数据检验模块的输出端连接。
优选的,所述病毒查杀模块的外部设置有所述防火墙模块、所述云病毒库升级模块和所述智能警示模块;所述防火墙模块、所述云病毒库升级模块和所述智能警示模块的输入端均与所述病毒查杀模块的输出端连接;所述病毒查杀模块的输出端与所述防火墙模块、所述云病毒库升级模块和所述智能警示模块的输入端连接。
优选的,所述深度学习模块采用卷积神经网络的深度学习方法,所述神经网络由卷积层、池化层、下采样层和全连接层构成的LcNet-5模型,并使用误差梯度反向传播的算法进行监督式的训练学习。
优选的,所述LcNet-5模型引入局部连接、权值共享、池化;所述LcNet-5模型的每个神经元只与一个区域的像素连接,与神经元连接的区域称为局部感受野;实现权值共享是将感受野中的长宽参数直接赋值到卷积核中,形成卷积核的参数即为感受野的大小;将卷积输出上的固定大小区域取均值或者最大值,形成池化pooling。
优选的,所述分割算法模块采用超像素分割算法,通过对原图进行超像素分割,得到由相似特征的像素聚合而成的超像素区域,在分割过程中融入超像素之间的空间位置信息进而提高分割效果。
优选的,防火墙模块包括判断病毒是否感染,病毒特征码扫描和虚拟机;
判断病毒是否感染的方式如下:
通过特征码扫描法用每一种病毒体含有的特定病毒码对被检测的对象进行扫描,如果在被检测对象内部发现一种特定病毒码,则存在该病毒码所代表的病毒,分析出病毒的特征病毒码存放于病毒代码库文件中,所述特征码扫描法分为特征代码扫描和特征字的扫描,特征代码指的是所述的特征病毒码,特征字扫描是从病毒体内抽取关键的特征字,组成特征字库,在扫描时将扫描对象即是特征字与特征代码相比较,若吻合的则判断扫描对象即是特征字感染上病毒;针对通过加密的病毒,特征码扫描法无法特征码扫描的扫描检测,因此,用软件虚拟一套Windows运行环境并让病毒在此环境下打开并攻击运行环境,即虚拟机,加密病毒在执行时最终还是要解密,这样在解密之后通过特征检验来确认病毒。
优选的,所述数据检验模块的外部设置有人机交互模块,人机交互模块包括操作键盘、手写输入板、操控鼠标,且操作键盘、手写输入板、操控鼠标与人机交互模块的内部的USB接口连接。
优选的,所述所述总处理器模块为CPU Intel i5。
优选的,所述所述符号检查模块、逻辑检查模块、关键词设置模块均使用LMS匹配算法。
综上所述,与现有的技术相比,本发明的有益效果是:
1、本发明中,数据检验模块可以在分割算法模块和深度学习模块工作的过程中,对分割算法模块和深度学习模块需要进行处理的数据进行检验,从而保证了数据的整洁性,避免了错误的数据一起被处理,从而提高了该***的工作效率,使得该***内部的处理能力得到了加强,从而减轻了工作人员的工作操作负担。
2、本发明中,病毒查杀模块配合安全检验模块可以实时的对处理的数据进行病毒查杀,防止病毒混入到数据的内部,造成数据损毁丢失等情况,提高了该***的抗病毒能力,从而保障了该***安全流畅的运行。
附图说明
图1为本发明一种基于深度学习语义分割算法的改进******框图;
图2为本发明中数据检验模块框图;
图3为本发明中病毒查杀模块框图;
图中标记:1-总处理器模块、2-深度学习模块、3-信息输出模块、4-无线传输模块、5-接收终端模块、6-安全检验模块、7-数据提交模块、8-供电模块、9-分割算法模块、10-数据检验模块、11-病毒查杀模块、12-数据记录模块、13-符号检查模块、14-逻辑检查模块、15-关键词设置模块、16-信息接收模块、17-防火墙模块、18-云病毒库升级模块、19-智能警示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示的一种基于深度学习语义分割算法的改进***,包括总处理器模块1、深度学习模块2、信息输出模块3、无线传输模块4、接收终端模块5、安全检验模块6、数据提交模块7、供电模块8、分割算法模块9、数据检验模块10、病毒查杀模块11、数据记录模块12、符号检查模块13、逻辑检查模块14、关键词设置模块15、信息接收模块16、防火墙模块17、云病毒库升级模块18、智能警示模块19。
所述总处理器模块1的输出端连接所述深度学习模块2的输入端,所述深度学习模块2的输出端连接所述分割算法模块9的输入端。
所述分割算法模块9采用超像素分割算法,超像素就是由相邻像素构成的不规则区域,这些像素在纹理、颜色、亮度等方面相似;通过对原图进行超像素分割,可以得到许多由相似特征的像素聚合而成的超像素区域;使用超像素作为基本单元进行分割时可以减小图像中噪声点对分割结果的影响,另外因为超像素的个数相对比较小,可以在分割过程中融入超像素之间的空间位置信息进而提高分割效果;基于图论的超像素分割方法把图像中的像素当做带权无向图中的节点,图中的边表示相邻像素的关系,边的权重用像素之间的相似度或者差异度来表示,最后使用不同的规则划分像素完成分割。
如对于一张输入图片,大小为W*H,如果使用全连接网络,生成一张X*Y的featuremap,需要X*Y*F*F个参数,如果原图长宽是10^2级别的,而且W*H大小和X*Y大小差不多,那么这样一层网络需要的参数个数是108~1012级别,减少参数的个数对于输出层featuremap上的每一个像素,使原图片的每一个像素都有连接,每一个链接都需要一个参数;但由于图像一般都是局部相关,如果输出层的每一个像素只和输入层图片的一个局部相连则需要参数的个数将会大大减少;假设输出层每个像素只与输入图片上W*H的一个小方块有连接,也就是说输出层的这个像素值,只是通过原图的这个F*F的小方形中的像素值计算而来,那么对于输出层的每个像素,需要的参数个数就从原来的W*H*X*Y减小到了F*F。
所述深度学习模块2采用卷积神经网络的深度学习方法,所述卷积神经网络中每一层的响应是用一组参数相同的神经元作用到上一层不同位置上的局部区域激励得到的,因此对于位置、形状和尺度不敏感;所述卷积神经网络由卷积层、池化层、下采样层和全连接层构成的LcNet-5模型,并使用误差梯度反向传播的算法进行了监督式的训练学习;这种网络模型在手写数字识别上取得了巨大的成功;所述LcNet-5模型包含局部连接、权值共享、池化的思想;在LcNet-5模型的神经网络中,每层中的每个节点都要与上层中所有的点连接,这会导致网络中存在大量的参数,以致增加训练网络模型的复杂度;为了降低网络中参数量,每个神经元只与一个区域的像素有连接,与神经元连接的区域被称为局部感受野;另外,因为使用卷积运算得到的图像统计特征与位置无关,因此引入了权值共享,这样一个卷积核的参数就是感受野的大小;为了进一步缩减网络参数,同时提高网络模型的泛化能力,可以将卷积输出上的固定大小区域取均值或者最大值,这种聚合操作即为池化pooling;CNN中局部连接、权值共享和池化的引入大大减少网络的参数,使得对于更深层次的网络的训练学习也变得可能。
所述总处理器模块为CPU Intel i5;信息输出模块使用python中的输出模块;无线传输模块使用Wifi无线传输;接收终端模块使用python中的输入模块;安全检验模块使用前缀树敏感词过滤;数据提交模块和数据记录模块均使用logging日志;供电模块使用600W电源供应器。
所述供电模块8的电源输出端连接所述总处理器模块1的电源输入端,所述总处理器模块1的外部固定安装有所述数据检验模块10。
如图2所示所示数据检验模块10的内部设置有所述符号检查模块13、逻辑检查模块14、关键词设置模块15和信息接收模块16,所述数据检验模块10的输出端连接所述符号检查模块13、所述逻辑检查模块14、所述关键词设置模块15和所述信息接收模块16的输入端。
所述符号检查模块13、逻辑检查模块14、关键词设置模块15均使用LMS匹配算法。
所述总处理器模块1的输出端连接所述信息输出模块3的输入端,所述信息输出模块3的输出端连接所述无线传输模块4的输入端,所述无线传输模块4的输出端连接所述接收终端模块5的输入端。
如图3所示,所述病毒查毒模块11的外部设置有所述防火墙模块17、云病毒库升级模块18、述智能警示模块19,所述病毒查毒模块11的输出端连接所述防火墙模块17、所述云病毒库升级模块18和所述智能警示模块19的输入端。
所述防火墙模块17包括判断病毒是否感染,病毒特征码扫描和虚拟机,
判断病毒是否感染的方式如下:
通过特征码扫描法用每一种病毒体含有的特定病毒码对被检测的对象进行扫描。如果在被检测对象内部发现了一种特定病毒码,就表明发现了该病毒码所代表的病毒,分析出病毒的特征病毒码并机中存放于病毒代码库文件中,所述特征码扫描法分为特征代码扫描和特征字的扫描,特征代码指的是所述的特征病毒码,特征字扫描是从病毒体内抽取关键的特征字,特征字有比如皇家、游戏等,组成特征字库,在扫描时将扫描对象即是特征字与特征代码相比较,若吻合的则判断扫描对象即是特征字感染上病毒;针对通过加密的病毒,特征码扫描法无法特征码扫描的扫描检测,因此,用软件虚拟一套Windows运行环境并让病毒在此环境下打开并攻击运行环境,即虚拟机,加密病毒在执行时最终还是要解密,这样在解密之后通过特征检验(图表1所示)来确认病毒。
表1特征检验
所述接收终端模块5的输出端连接所述安全检验模块6的输入端,所述安全检验模块6的输出端连接所述病毒查杀模块11的输入端,所述病毒查杀模块11的输出端连接有所述数据检验模块10的输入端;所述安全检验模块6的输出端连接有所述数据提交模块7的输入端,所述数据提交模块7的输出端连接有所述数据记录模块12的输入端。
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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于深度学习语义分割算法的改进***,其特征在于:包括总处理器模块(1)、深度学习模块(2)、信息输出模块(3)、无线传输模块(4)、接收终端模块(5)、安全检验模块(6)、数据提交模块(7)、供电模块(8)、分割算法模块(9)、病毒查杀模块(11)、数据记录模块(12);所述总处理器模块(1)的输出端、深度学习模块(2)、分割算法模块(9)依次连接,所述供电模块(8)的电源输出端连接所述总处理器模块(1)的电源输入端,所述总处理器模块(1)的外部安装有数据检验模块(10);
所述总处理器模块(1)的输出端、信息输出模块(3)、无线传输模块(4)、接收终端模块(5)、安全检验模块(6)、病毒查杀模块(11)的输入端依次连接;
所述病毒查杀模块(11)的输出端连接所述数据检验模块(10)的输入端;所述安全检验模块(6)的输出端连接所述数据提交模块(7)的输入端,所述数据提交模块(7)的输出端连接有所述数据记录模块(12)的输入端;
所述数据检验模块(10)的内部设置有符号检查模块(13)、逻辑检查模块(14)、关键词设置模块(15)和信息接收模块(16);所述符号检查模块(13)、所述逻辑检查模块(14)、所述关键词设置模块(15)和所述信息接收模块(16)的输入端均与所述数据检验模块(10)的输出端连接。
2.如权利要求1所述的基于深度学习语义分割算法的改进***,其特征在于:所述病毒查杀模块(11)的外部设置有防火墙模块(17)、云病毒库升级模块(18)和智能警示模块(19);所述防火墙模块(17)、所述云病毒库升级模块(18)和所述智能警示模块(19)的输入端均与所述病毒查杀模块(11)的输出端连接;所述病毒查杀模块(11)的输出端与所述防火墙模块(17)、所述云病毒库升级模块(18)和所述智能警示模块(19)的输入端连接。
3.如权利要求2所述的基于深度学习语义分割算法的改进***,其特征在于:所述深度学习模块(2)采用卷积神经网络的深度学习方法,所述神经网络由卷积层、池化层、下采样层和全连接层构成的LcNet-5模型,并使用误差梯度反向传播的算法进行监督式的训练学习。
4.如权利要求3所述的基于深度学习语义分割算法的改进***,其特征在于:所述LcNet-5模型引入局部连接、权值共享、池化;所述LcNet-5模型的每个神经元只与一个区域的像素连接,与神经元连接的区域称为局部感受野;实现权值共享是将感受野中的长宽参数直接赋值到卷积核中,形成卷积核的参数即为感受野的大小;将卷积输出上的固定大小区域取均值或者最大值,形成池化pooling。
5.如权利要求4所述的基于深度学习语义分割算法的改进***,其特征在于:所述分割算法模块(9)采用超像素分割算法,通过对原图进行超像素分割,得到由相似特征的像素聚合而成的超像素区域,在分割过程中融入超像素之间的空间位置信息进而提高分割效果。
6.如权利要求5所述的基于深度学习语义分割算法的改进***,其特征在于:防火墙模块(17)包括判断病毒是否感染,病毒特征码扫描和虚拟机;
判断病毒是否感染的方式如下:
通过特征码扫描法用每一种病毒体含有的特定病毒码对被检测的对象进行扫描,如果在被检测对象内部发现一种特定病毒码,则存在该病毒码所代表的病毒,分析出病毒的特征病毒码存放于病毒代码库文件中,所述特征码扫描法分为特征代码扫描和特征字的扫描,特征代码指的是所述的特征病毒码,特征字扫描是从病毒体内抽取关键的特征字,组成特征字库,在扫描时将扫描对象即是特征字与特征代码相比较,若吻合的则判断扫描对象即是特征字感染上病毒;针对通过加密的病毒,特征码扫描法无法特征码扫描的扫描检测,因此,用软件虚拟一套Windows运行环境并让病毒在此环境下打开并攻击运行环境,即虚拟机,加密病毒在执行时最终还是要解密,这样在解密之后通过特征检验来确认病毒。
7.如权利要求6所述的基于深度学习语义分割算法的改进***,其特征在于:所述数据检验模块(10)的外部设置有人机交互模块,人机交互模块包括操作键盘、手写输入板、操控鼠标,且操作键盘、手写输入板、操控鼠标与人机交互模块的内部的USB接口连接。
8.如权利要求7所述的基于深度学习语义分割算法的改进***,其特征在于:所述总处理器模块(1)为CPU Intel i5。
9.如权利要求8所述的基于深度学习语义分割算法的改进***,其特征在于:所述符号检查模块(13)、逻辑检查模块(14)、关键词设置模块(15)均使用LMS匹配算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011521918.2A CN112507338B (zh) | 2020-12-21 | 2020-12-21 | 一种基于深度学习语义分割算法的改进*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011521918.2A CN112507338B (zh) | 2020-12-21 | 2020-12-21 | 一种基于深度学习语义分割算法的改进*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507338A CN112507338A (zh) | 2021-03-16 |
CN112507338B true CN112507338B (zh) | 2023-02-14 |
Family
ID=74922837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011521918.2A Active CN112507338B (zh) | 2020-12-21 | 2020-12-21 | 一种基于深度学习语义分割算法的改进*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507338B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409322B (zh) * | 2021-06-18 | 2022-03-08 | 中国石油大学(华东) | 面向遥感影像语义分割的深度学习训练样本增强方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
CN109740615A (zh) * | 2018-12-29 | 2019-05-10 | 武汉大学 | 一种对抗攻击样本扰动的去除方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019014487A1 (en) * | 2017-07-12 | 2019-01-17 | The Regents Of The University Of California | DETECTION AND PREVENTION OF DEEP ANTAGONIST LEARNING |
-
2020
- 2020-12-21 CN CN202011521918.2A patent/CN112507338B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740615A (zh) * | 2018-12-29 | 2019-05-10 | 武汉大学 | 一种对抗攻击样本扰动的去除方法 |
CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
Non-Patent Citations (1)
Title |
---|
深度学习模型的中毒攻击与防御综述;陈晋音 等;《信息安全学报》;20200731;第5卷(第4期);第14-26页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112507338A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Adversarial examples: Opportunities and challenges | |
Bozkir et al. | Catch them alive: A malware detection approach through memory forensics, manifold learning and computer vision | |
Baptista et al. | A novel malware detection system based on machine learning and binary visualization | |
Ito et al. | Web application firewall using character-level convolutional neural network | |
CN110704840A (zh) | 一种基于卷积神经网络cnn的恶意软件检测方法 | |
Tang et al. | Dynamic API call sequence visualisation for malware classification | |
Zhao et al. | A review of computer vision methods in network security | |
Lazzarini et al. | A stacking ensemble of deep learning models for IoT intrusion detection | |
CN113159045A (zh) | 一种结合图像预处理与卷积神经网络的验证码识别方法 | |
Khan et al. | Malware classification framework using convolutional neural network | |
Anandhi et al. | Malware visualization and detection using DenseNets | |
CN112507338B (zh) | 一种基于深度学习语义分割算法的改进*** | |
Wang et al. | Improving adversarial robustness of deep neural networks by using semantic information | |
Van Dao et al. | An Attention Mechanism for Combination of CNN and VAE for Image-Based Malware Classification | |
Sharif et al. | A deep learning based technique for the classification of malware images | |
Xu et al. | SeqNet: An efficient neural network for automatic malware detection | |
Naeem et al. | A malware detection scheme via smart memory forensics for windows devices | |
CN111917781A (zh) | 一种智能内部恶意行为网络攻击识别方法及电子设备 | |
CN116805245A (zh) | 基于图神经网络与解耦表示学习的欺诈检测方法及*** | |
Marcinowski | Top interpretable neural network for handwriting identification | |
Demirezen | Image based Malware classification with multimodal deep learning | |
CN114021136A (zh) | 针对人工智能模型的后门攻击防御*** | |
CN113361422A (zh) | 一种基于角度空间损失承数的人脸识别方法 | |
CN112733144A (zh) | 一种基于深度学习技术的恶意程序智能检测方法 | |
Yi et al. | Malicious code detection based on convolutional neural network and information enhancement algorithms |
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 |