CN116633809B - 基于人工智能的检测方法和*** - Google Patents
基于人工智能的检测方法和*** Download PDFInfo
- Publication number
- CN116633809B CN116633809B CN202310762753.5A CN202310762753A CN116633809B CN 116633809 B CN116633809 B CN 116633809B CN 202310762753 A CN202310762753 A CN 202310762753A CN 116633809 B CN116633809 B CN 116633809B
- Authority
- CN
- China
- Prior art keywords
- feature
- deep learning
- sample set
- sampling
- characteristic
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 54
- 238000005070 sampling Methods 0.000 claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims description 63
- 238000000034 method Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims description 2
- 238000013459 approach Methods 0.000 abstract description 2
- 230000004069 differentiation Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于人工智能的检测方法和***,通过针对不同类型的数据包,分别提取深度学习、生物和时间三个不同维度的特征,从而可以覆盖网络全类型的数据包。针对深度学习特征采用降维采样和滑动窗二次采样;针对生物特征采用生物指纹匹配和滑动框二次采样;针对时间特征根据差异化结果重新定义采样窗,再次对深度学习和生物两种特征进行采样重组。通过以上步骤,使用两种不同途径的聚类处理,更好地利用模型进行分类。
Description
技术领域
本申请涉及网络安全技术领域,尤其涉及一种基于人工智能的检测方法和***。
背景技术
现有的内容检测方法不足以应对低质量、混合数据的应用场景,需要有一种能够自动调整提取特征的检测方法和***。
因此,急需一种针对性的基于人工智能的检测方法和***。
发明内容
本发明的目的在于提供一种基于人工智能的检测方法和***,解决现有需要应对低质量、混合数据的应用场景的问题。
第一方面,本申请提供一种基于人工智能的检测方法,所述方法包括:
采集网络中不同类型的数据包,提取其中携带的深度学习特征、生物特征和时间特征;
对采集到的所述深度学习特征进行一次离散化处理,得到降维后的第二深度学习特征数据集,将该第二深度学习特征数据集向量化后输入到N层卷积单元,输出卷积后的第一中间结果;
根据所述第一中间结果的特征值分布,确定滑动窗的宽度,使用所述滑动窗对所述采集到的所述深度学习特征进行二次离散化处理,得到第一特征样本集;
对采集到的所述生物特征进行一次离散化采样,将采样值组成序列,与服务器中预先存储的若干生物指纹进行匹配,将符合匹配规则的若干生物指纹生成对应的若干滑动框,使用若干个所述滑动框对所述生物特征进行二次框内采样,重组二次框内采样的采样值,得到第二特征样本集;
对采集到的所述时间特征进行差异比较处理,根据差异度的大小划定不同的采样窗,使用所述采样窗再次对所述深度学习特征和生物特征进行采样,将采样后的采样值重组,得到第三特征样本集;
将所述第一特征样本集、第二特征样本集分别与所述第三特征样本集进行聚类,分两次送入识别模型的卷积层中,利用不同大小的滑动窗口来选择局部特征分量,拼接所述局部特征分量依次得到第一特征矩阵和第二特征矩阵;
将该第一特征矩阵和第二特征矩阵先后按时间顺序送入所述识别模型的池化层,通过选择池化函数来选择有效特征值,再次拼接后依次得到第三特征矩阵和第四特征矩阵;
比较所述第三特征矩阵和第四特征矩阵的差异度,当该差异度小于等于阈值时,则认定为有效,选择所述第三特征矩阵作为对象,与服务器中存储的参考矩阵进行匹配,得到分类结果;
当该差异度大于阈值时,则认定为无效,中止分类识别操作;
根据所述分类结果进行管控。
第二方面,本申请提供一种基于人工智能的检测***,所述***包括:
采集单元,用于采集网络中不同类型的数据包,提取其中携带的深度学习特征、生物特征和时间特征;
第一特征提取单元,用于对采集到的所述深度学习特征进行一次离散化处理,得到降维后的第二深度学习特征数据集,将该第二深度学习特征数据集向量化后输入到N层卷积单元,输出卷积后的第一中间结果;
根据所述第一中间结果的特征值分布,确定滑动窗的宽度,使用所述滑动窗对所述采集到的所述深度学习特征进行二次离散化处理,得到第一特征样本集;
第二特征提取单元,用于对采集到的所述生物特征进行一次离散化采样,将采样值组成序列,与服务器中预先存储的若干生物指纹进行匹配,将符合匹配规则的若干生物指纹生成对应的若干滑动框,使用若干个所述滑动框对所述生物特征进行二次框内采样,重组二次框内采样的采样值,得到第二特征样本集;
第三特征提取单元,用于对采集到的所述时间特征进行差异比较处理,根据差异度的大小划定不同的采样窗,使用所述采样窗再次对所述深度学习特征和生物特征进行采样,将采样后的采样值重组,得到第三特征样本集;
融合单元,用于将所述第一特征样本集、第二特征样本集分别与所述第三特征样本集进行聚类,分两次送入识别模型的卷积层中,利用不同大小的滑动窗口来选择局部特征分量,拼接所述局部特征分量依次得到第一特征矩阵和第二特征矩阵;
将该第一特征矩阵和第二特征矩阵先后按时间顺序送入所述识别模型的池化层,通过选择池化函数来选择有效特征值,再次拼接后依次得到第三特征矩阵和第四特征矩阵;
分类单元,用于比较所述第三特征矩阵和第四特征矩阵的差异度,当该差异度小于等于阈值时,则认定为有效,选择所述第三特征矩阵作为对象,与服务器中存储的参考矩阵进行匹配,得到分类结果;
当该差异度大于阈值时,则认定为无效,中止分类识别操作;
执行单元,用于根据所述分类结果进行管控。
第三方面,本申请提供一种基于人工智能的检测***,所述***包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面四种可能中任一项所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面四种可能中任一项所述的方法。
有益效果
本发明提供一种基于人工智能的检测方法和***,通过针对不同类型的数据包,分别提取深度学习、生物和时间三个不同维度的特征,从而可以覆盖网络全类型的数据包。针对深度学习特征采用降维采样和滑动窗二次采样;针对生物特征采用生物指纹匹配和滑动框二次采样;针对时间特征根据差异化结果重新定义采样窗,再次对深度学习和生物两种特征进行采样重组。通过以上步骤,使用两种不同途径的聚类处理,更好地利用模型进行分类,克服现有技术面对网络中低质量、混合数据场景的不足,实现检测的自动调整。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于人工智能的检测方法的大致流程图;
图2为本发明基于人工智能的检测***的架构图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
图1为本申请提供的基于人工智能的检测方法的大致流程图,所述方法包括:
采集网络中不同类型的数据包,提取其中携带的深度学习特征、生物特征和时间特征;
对采集到的所述深度学习特征进行一次离散化处理,得到降维后的第二深度学习特征数据集,将该第二深度学习特征数据集向量化后输入到N层卷积单元,输出卷积后的第一中间结果;
根据所述第一中间结果的特征值分布,确定滑动窗的宽度,使用所述滑动窗对所述采集到的所述深度学习特征进行二次离散化处理,得到第一特征样本集;
对采集到的所述生物特征进行一次离散化采样,将采样值组成序列,与服务器中预先存储的若干生物指纹进行匹配,将符合匹配规则的若干生物指纹生成对应的若干滑动框,使用若干个所述滑动框对所述生物特征进行二次框内采样,重组二次框内采样的采样值,得到第二特征样本集;
对采集到的所述时间特征进行差异比较处理,根据差异度的大小划定不同的采样窗,使用所述采样窗再次对所述深度学习特征和生物特征进行采样,将采样后的采样值重组,得到第三特征样本集;
将所述第一特征样本集、第二特征样本集分别与所述第三特征样本集进行聚类,分两次送入识别模型的卷积层中,利用不同大小的滑动窗口来选择局部特征分量,拼接所述局部特征分量依次得到第一特征矩阵和第二特征矩阵;
将该第一特征矩阵和第二特征矩阵先后按时间顺序送入所述识别模型的池化层,通过选择池化函数来选择有效特征值,再次拼接后依次得到第三特征矩阵和第四特征矩阵;
比较所述第三特征矩阵和第四特征矩阵的差异度,当该差异度小于等于阈值时,则认定为有效,选择所述第三特征矩阵作为对象,与服务器中存储的参考矩阵进行匹配,得到分类结果;
当该差异度大于阈值时,则认定为无效,中止分类识别操作;
根据所述分类结果进行管控。
其中,当提取网络数据包的过程中,发现缺少某种特征(或称提取失败)时,例如:深度学习特征、生物特征和时间特征三种中缺少生物特征时,后续算法会自动使用深度学习特征按照生物特征的计算方法,得到对应的特征样本集。从而弥补低质量、混合数据的不足。
在一些优选实施例中,训练所述识别模型时,通过反向的传播方式来最小化熵损失函数,避免过饱和,当所述识别模型的精度满足阈值的要求,则表明该识别模型训练完成。然后可用于数据验证。
在一些优选实施例中,所述深度学习特征与数据包的类型存在对应关系,根据所述数据包的类型确定需要提取的所述深度学习特征。
在一些优选实施例中,所述生物特征包括数据包中涉及人物面部活动、生理特征的多媒体信息。
图2为本申请提供的基于人工智能的检测***的架构图,所述***包括:
采集单元,用于采集网络中不同类型的数据包,提取其中携带的深度学习特征、生物特征和时间特征;
第一特征提取单元,用于对采集到的所述深度学习特征进行一次离散化处理,得到降维后的第二深度学习特征数据集,将该第二深度学习特征数据集向量化后输入到N层卷积单元,输出卷积后的第一中间结果;
根据所述第一中间结果的特征值分布,确定滑动窗的宽度,使用所述滑动窗对所述采集到的所述深度学习特征进行二次离散化处理,得到第一特征样本集;
第二特征提取单元,用于对采集到的所述生物特征进行一次离散化采样,将采样值组成序列,与服务器中预先存储的若干生物指纹进行匹配,将符合匹配规则的若干生物指纹生成对应的若干滑动框,使用若干个所述滑动框对所述生物特征进行二次框内采样,重组二次框内采样的采样值,得到第二特征样本集;
第三特征提取单元,用于对采集到的所述时间特征进行差异比较处理,根据差异度的大小划定不同的采样窗,使用所述采样窗再次对所述深度学习特征和生物特征进行采样,将采样后的采样值重组,得到第三特征样本集;
融合单元,用于将所述第一特征样本集、第二特征样本集分别与所述第三特征样本集进行聚类,分两次送入识别模型的卷积层中,利用不同大小的滑动窗口来选择局部特征分量,拼接所述局部特征分量依次得到第一特征矩阵和第二特征矩阵;
将该第一特征矩阵和第二特征矩阵先后按时间顺序送入所述识别模型的池化层,通过选择池化函数来选择有效特征值,再次拼接后依次得到第三特征矩阵和第四特征矩阵;
分类单元,用于比较所述第三特征矩阵和第四特征矩阵的差异度,当该差异度小于等于阈值时,则认定为有效,选择所述第三特征矩阵作为对象,与服务器中存储的参考矩阵进行匹配,得到分类结果;
当该差异度大于阈值时,则认定为无效,中止分类识别操作;
执行单元,用于根据所述分类结果进行管控。
本申请提供一种基于人工智能的检测***,所述***包括:所述***包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面所有实施例中任一项所述的方法。
本申请提供一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面所有实施例中任一项所述的方法。
具体实现中,本发明还提供一种计算机存储介质,其中,该计算机存储介质可以存储有程序,该程序执行时可包括本发明各个实施例中的部分或全部步骤。所述的存储介质可以为磁碟、光盘、只读存储记忆体(简称:ROM)或随机存储记忆体(简称:RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书各个实施例之间相同相似的部分互相参见即可。尤其,对于实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (7)
1.一种基于人工智能的检测方法,其特征在于,所述方法包括:
采集网络中不同类型的数据包,提取其中携带的深度学习特征、生物特征和时间特征;
对采集到的所述深度学习特征进行一次离散化处理,得到降维后的第二深度学习特征数据集,将该第二深度学习特征数据集向量化后输入到N层卷积单元,输出卷积后的第一中间结果;
根据所述第一中间结果的特征值分布,确定滑动窗的宽度,使用所述滑动窗对所述采集到的所述深度学习特征进行二次离散化处理,得到第一特征样本集;
对采集到的所述生物特征进行一次离散化采样,将采样值组成序列,与服务器中预先存储的若干生物指纹进行匹配,将符合匹配规则的若干生物指纹生成对应的若干滑动框,使用若干个所述滑动框对所述生物特征进行二次框内采样,重组二次框内采样的采样值,得到第二特征样本集;
对采集到的所述时间特征进行差异比较处理,根据差异度的大小划定不同的采样窗,使用所述采样窗再次对所述深度学习特征和生物特征进行采样,将采样后的采样值重组,得到第三特征样本集;
将所述第一特征样本集、第二特征样本集分别与所述第三特征样本集进行聚类,分两次送入识别模型的卷积层中,利用不同大小的滑动窗口来选择局部特征分量,拼接所述局部特征分量依次得到第一特征矩阵和第二特征矩阵;
将该第一特征矩阵和第二特征矩阵先后按时间顺序送入所述识别模型的池化层,通过选择池化函数来选择有效特征值,再次拼接后依次得到第三特征矩阵和第四特征矩阵;
比较所述第三特征矩阵和第四特征矩阵的差异度,当该差异度小于等于阈值时,则认定为有效,选择所述第三特征矩阵作为对象,与服务器中存储的参考矩阵进行匹配,得到分类结果;
当该差异度大于阈值时,则认定为无效,中止分类识别操作;
根据所述分类结果进行管控。
2.根据权利要求1所述的方法,其特征在于:训练所述识别模型时,通过反向的传播方式来最小化熵损失函数,避免过饱和,当所述识别模型的精度满足阈值的要求,则表明该识别模型训练完成。
3.根据权利要求1所述的方法,其特征在于:所述深度学习特征与数据包的类型存在对应关系,根据所述数据包的类型确定需要提取的所述深度学习特征。
4.根据权利要求2或3任一项所述的方法,其特征在于:所述生物特征包括数据包中涉及人物面部活动、生理特征的多媒体信息。
5.一种基于人工智能的检测***,其特征在于,所述***包括:
采集单元,用于采集网络中不同类型的数据包,提取其中携带的深度学习特征、生物特征和时间特征;
第一特征提取单元,用于对采集到的所述深度学习特征进行一次离散化处理,得到降维后的第二深度学习特征数据集,将该第二深度学习特征数据集向量化后输入到N层卷积单元,输出卷积后的第一中间结果;
根据所述第一中间结果的特征值分布,确定滑动窗的宽度,使用所述滑动窗对所述采集到的所述深度学习特征进行二次离散化处理,得到第一特征样本集;
第二特征提取单元,用于对采集到的所述生物特征进行一次离散化采样,将采样值组成序列,与服务器中预先存储的若干生物指纹进行匹配,将符合匹配规则的若干生物指纹生成对应的若干滑动框,使用若干个所述滑动框对所述生物特征进行二次框内采样,重组二次框内采样的采样值,得到第二特征样本集;
第三特征提取单元,用于对采集到的所述时间特征进行差异比较处理,根据差异度的大小划定不同的采样窗,使用所述采样窗再次对所述深度学习特征和生物特征进行采样,将采样后的采样值重组,得到第三特征样本集;
融合单元,用于将所述第一特征样本集、第二特征样本集分别与所述第三特征样本集进行聚类,分两次送入识别模型的卷积层中,利用不同大小的滑动窗口来选择局部特征分量,拼接所述局部特征分量依次得到第一特征矩阵和第二特征矩阵;
将该第一特征矩阵和第二特征矩阵先后按时间顺序送入所述识别模型的池化层,通过选择池化函数来选择有效特征值,再次拼接后依次得到第三特征矩阵和第四特征矩阵;
分类单元,用于比较所述第三特征矩阵和第四特征矩阵的差异度,当该差异度小于等于阈值时,则认定为有效,选择所述第三特征矩阵作为对象,与服务器中存储的参考矩阵进行匹配,得到分类结果;
当该差异度大于阈值时,则认定为无效,中止分类识别操作;
执行单元,用于根据所述分类结果进行管控。
6.一种基于人工智能的检测***,其特征在于,所述***包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行实现权利要求1-4任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行实现权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310762753.5A CN116633809B (zh) | 2023-06-26 | 2023-06-26 | 基于人工智能的检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310762753.5A CN116633809B (zh) | 2023-06-26 | 2023-06-26 | 基于人工智能的检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116633809A CN116633809A (zh) | 2023-08-22 |
CN116633809B true CN116633809B (zh) | 2024-01-23 |
Family
ID=87617221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310762753.5A Active CN116633809B (zh) | 2023-06-26 | 2023-06-26 | 基于人工智能的检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116633809B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020159439A1 (en) * | 2019-01-29 | 2020-08-06 | Singapore Telecommunications Limited | System and method for network anomaly detection and analysis |
CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
CN112566174A (zh) * | 2020-12-02 | 2021-03-26 | 中国电子科技集团公司第五十二研究所 | 一种基于深度学习的异常i/q信号识别方法及*** |
CN114915575A (zh) * | 2022-06-02 | 2022-08-16 | 电子科技大学 | 一种基于人工智能的网络流量检测装置 |
CN116150651A (zh) * | 2022-12-13 | 2023-05-23 | 天津市国瑞数码安全***股份有限公司 | 基于ai的深度合成检测方法和*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230171266A1 (en) * | 2021-11-26 | 2023-06-01 | At&T Intellectual Property Ii, L.P. | Method and system for predicting cyber threats using deep artificial intelligence (ai)-driven analytics |
-
2023
- 2023-06-26 CN CN202310762753.5A patent/CN116633809B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020159439A1 (en) * | 2019-01-29 | 2020-08-06 | Singapore Telecommunications Limited | System and method for network anomaly detection and analysis |
CN112464713A (zh) * | 2020-10-21 | 2021-03-09 | 安徽农业大学 | 一种基于深度学习的通信辐射源射频指纹识别方法 |
CN112566174A (zh) * | 2020-12-02 | 2021-03-26 | 中国电子科技集团公司第五十二研究所 | 一种基于深度学习的异常i/q信号识别方法及*** |
CN114915575A (zh) * | 2022-06-02 | 2022-08-16 | 电子科技大学 | 一种基于人工智能的网络流量检测装置 |
CN116150651A (zh) * | 2022-12-13 | 2023-05-23 | 天津市国瑞数码安全***股份有限公司 | 基于ai的深度合成检测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN116633809A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444881B (zh) | 伪造人脸视频检测方法和装置 | |
CN109271958B (zh) | 人脸年龄识别方法及装置 | |
CN112734775B (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
CN109726195B (zh) | 一种数据增强方法及装置 | |
CN111814744A (zh) | 一种人脸检测方法、装置、电子设备和计算机存储介质 | |
CN114913588B (zh) | 一种应用于复杂场景下的人脸图像修复及识别方法 | |
CN114359787A (zh) | 目标属性识别方法、装置、计算机设备及存储介质 | |
CN116206334A (zh) | 一种野生动物识别方法和装置 | |
CN117409419A (zh) | 图像检测方法、设备及存储介质 | |
CN111985340A (zh) | 基于神经网络模型的人脸识别方法、装置和计算机设备 | |
CN111353385A (zh) | 一种基于掩膜对齐与注意力机制的行人再识别方法和装置 | |
CN113449676A (zh) | 一种基于双路互促进解纠缠学习的行人重识别方法 | |
CN116633809B (zh) | 基于人工智能的检测方法和*** | |
CN116866211B (zh) | 一种改进的深度合成检测方法和*** | |
CN115578765A (zh) | 目标识别方法、装置、***及计算机可读存储介质 | |
Karungaru et al. | Face recognition in colour images using neural networks and genetic algorithms | |
CN116843988B (zh) | 一种基于深度学习的目标检测方法和*** | |
CN114299586A (zh) | 一种基于卷积神经网络的智能化深度学习*** | |
CN112733670A (zh) | 指纹特征提取方法、装置、电子设备及存储介质 | |
CN117894041B (zh) | 一种基于物联网的屠宰场智能管理方法及*** | |
CN117851835B (zh) | 一种深度学习的物联网识别***及方法 | |
CN113782033B (zh) | 一种声纹识别方法、装置、设备及存储介质 | |
CN115550684B (zh) | 一种改进的视频内容过滤方法和*** | |
CN113255665B (zh) | 一种目标文本提取方法及*** | |
CN112070023B (zh) | 一种邻域先验嵌入型协同表示模式识别方法 |
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 |