-
公开(公告)号：CN113923104B
公开(公告)日：2022-03-11
申请号：CN202111479699.0
申请日：2021-12-07
Applicant: 南京信息工程大学
IPC: H04L41/0631 , H04L41/0677 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于小波神经网络的网络故障诊断方法，步骤如下：S1，获取故障和正常状态下的网络数据；S2，对网络故障数据进行数值化和归一化处理，并采用PCA降维算法进行数据降维；S3，创建小波神经网络模型，选用改进的灰狼优化算法，将优化得到的参数作为小波神经网络模型的参数；再将步骤S2处理后的网络故障数据作为输入，反向调整参数时增加动量因子，通过不断训练，完成网络故障诊断模型建立；S4,输入实时网络状态数据，判断网络是否出现故障；S5,输出网络故障诊断结果及故障类别。本发明引入动量因子，提高诊断模型的局部寻优能力；采用改进灰狼算法，优化故障诊断模型的初始参数，避免初始参数选取的随机性。
-
公开(公告)号：CN113923104A
公开(公告)日：2022-01-11
申请号：CN202111479699.0
申请日：2021-12-07
Applicant: 南京信息工程大学
IPC: H04L41/0631 , H04L41/0677 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于小波神经网络的网络故障诊断方法，步骤如下：S1，获取故障和正常状态下的网络数据；S2，对网络故障数据进行数值化和归一化处理，并采用PCA降维算法进行数据降维；S3，创建小波神经网络模型，选用改进的灰狼优化算法，将优化得到的参数作为小波神经网络模型的参数；再将步骤S2处理后的网络故障数据作为输入，反向调整参数时增加动量因子，通过不断训练，完成网络故障诊断模型建立；S4,输入实时网络状态数据，判断网络是否出现故障；S5,输出网络故障诊断结果及故障类别。本发明引入动量因子，提高诊断模型的局部寻优能力；采用改进灰狼算法，优化故障诊断模型的初始参数，避免初始参数选取的随机性。
-
公开(公告)号：CN112350899A
公开(公告)日：2021-02-09
申请号：CN202110018129.5
申请日：2021-01-07
Abstract: 本发明公开了一种基于图卷积网络融合多特征输入的网络流量预测方法，步骤为：获取网络流量数据；利用皮尔森相关系数对流量进行相关性分析；采用时空特征提取单元来提取流量间的时空特征；提取历史上每周同一时刻的网络流量数据；特征融合得到预测结果。本发明解决了传统网络流量预测模型存在无法有效提取流量间的时空特性缺陷而导致的预测误差高、精度低的问题。
-
公开(公告)号：CN119474222B
公开(公告)日：2025-04-04
申请号：CN202510059139.1
申请日：2025-01-15
Applicant: 南京信息工程大学
IPC: G06F16/27 , G06F16/2458 , G06F16/2455 , G06F9/50 , G06F9/48
Abstract: 本发明公开了一种分级分布式的边缘数据汇聚上报方法，包括边缘网络处理任务时，将数据汇聚过程分成S个阶段，构建每个阶段的分级分布式的边缘数据汇聚上报模型；数据汇聚过程的每个阶段包括多个集群，每个集群包括多个集群成员，集群成员是边缘数据中心EDC，每个集群中选择一个边缘数据中心作为当前集群的集群中心，根据选择的集群中心，划分集群成员，最终完成全部EDC的集群划分，存储在边缘数据中心的数据转移到当前阶段的集群中心；分级分布式的边缘数据汇聚上报模型包括当前阶段任务完成时间模型和工作完成总时间模型。本发明还公开了一种分级分布式的边缘数据汇聚上报装置，更好地满足智能化应用对低延迟、高带宽、高效处理的需求。
-
Patent Agency Ranking
公开(公告)号：CN115963731A
公开(公告)日：2023-04-14
申请号：CN202310253612.0
申请日：2023-03-16
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于改进遗传算法的指挥控制体系网络结构优化方法，包括：建立多目标优化模型，初始化参数；采用上三角编码方法，将网络结构的邻接矩阵中有效元素进行编码形成染色体；将基础隶属网络结构和协同式网络结构作为启发式信息以生成初始种群，获得初始种群的全部个体；利用适应度函数计算种群中每个个体的适应度；选择出父代个体并采用自适应交叉和变异机制对父代个体进行进化操作，进而得到子代个体；采用精英保留策略更新种群，重复迭代直到满足终止条件，最终输出最优的指挥控制体系网络结构；本发明算法可获得抗毁性和时效性最高的网络结构，实现了指挥控制体系网络结构的优化，并表现出较好的收敛性和准确性。
-
公开(公告)号：CN115348215A
公开(公告)日：2022-11-15
申请号：CN202210876800.4
申请日：2022-07-25
Applicant: 南京信息工程大学
IPC: H04L47/2441 , H04L47/2483 , H04L69/22 , G06K9/62
Abstract: 本发明公开了一种基于时空注意力机制的加密网络流量分类方法，包括如下步骤：步骤1，解析报文，获取网络流量数据X，并进行归一化处理；步骤2，将归一化处理后的网络流量数据输入到空间特征提取组件SAtt，提取网络流量的空间特征Zs；步骤3，将归一化处理后的网络流量数据输入到时间特征提取组件TAtt，提取网络流量的时间特征Zt；步骤4，将空间特征Zs和时间特征Zt进行重构，得到网络流量特征Z。本发明利用空间特征提取组件SAtt和时间特征提取组件TAtt分别提取空间特征和时间特征，对网络流量分类效果明显提高，在不同类别的流量下均有不错的分类表现，且算法收敛速度较快。
-
公开(公告)号：CN112769619B
公开(公告)日：2022-08-16
申请号：CN202110021897.6
申请日：2021-01-08
Applicant: 南京信息工程大学
IPC: H04L41/0631 , H04L41/14 , H04L41/147 , G06N20/00 , G06K9/62
Abstract: 本发明提供一种基于决策树的多分类网络故障预测方法，通过对预设数据集内各个样本所对应的网络状态类型，构建与各个网络状态类型一一对应的各个大类，分别将各个大类构建为将所对应网络状态类型作为一大类中的一小类和预设数据集中除该网络状态类型以外、其余各个网络状态类型的非一小类，根据一小类和非一小类的类中心确定各个大类的类间距，并按照类间距从大到小的顺序，调取预设数据集内的各个大类所对应的网络状态的样本进行机器学习，获得各个网络状态类型所对应的网络分类模型，根据网络状态类型之间的排序、以及各个网络状态类型分别所对应的网络分类模型，构建多分类网络故障决策树模型。
-
公开(公告)号：CN114004052B
公开(公告)日：2022-04-01
申请号：CN202210000687.3
申请日：2022-01-04
Applicant: 南京信息工程大学
IPC: G06F30/18 , G06F30/27 , G06K9/62 , G06N20/00 , G06F111/02
Abstract: 本发明公开了一种面向网络管理系统的故障检测方法，包括以下步骤：步骤1、获取原始不均衡网络故障数据集NF，对NF进行压缩和过滤操作，得到处理后数据集NF＇，NF＇包括样本，样本包括两种类型样本，两种类型样本是指非故障样本和故障样本；步骤2、获取不均衡比例I，所述不均衡比例I=非故障样本的数目/故障样本的数目；步骤3、预先设置一个采样后的两种类型样本数目的比例,根据获取新合成故障数据样本的数目N；步骤4、构建新合成故障数据样本的空间分布分配规则；步骤5、构建新合成故障数据样本的合成规则；步骤6、建立XGB‑RF网络故障检测模型。本发明有效提高了网络故障检测的准确率。
-
公开(公告)号：CN112769619A
公开(公告)日：2021-05-07
申请号：CN202110021897.6
申请日：2021-01-08
Applicant: 南京信息工程大学
Abstract: 本发明提供一种基于决策树的多分类网络故障预测方法，通过对预设数据集内各个样本所对应的网络状态类型，构建与各个网络状态类型一一对应的各个大类，分别将各个大类构建为将所对应网络状态类型作为一大类中的一小类和预设数据集中除该网络状态类型以外、其余各个网络状态类型的非一小类，根据一小类和非一小类的类中心确定各个大类的类间距，并按照类间距从大到小的顺序，调取预设数据集内的各个大类所对应的网络状态的样本进行机器学习，获得各个网络状态类型所对应的网络分类模型，根据网络状态类型之间的排序、以及各个网络状态类型分别所对应的网络分类模型，构建多分类网络故障决策树模型。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.01 seconds)
