公开(公告)号：CN118981658A

公开(公告)日：2024-11-19

申请号：CN202411013426.0

申请日：2024-07-26

Applicant: 电子科技大学

Inventor： 罗光春 ,  王勇 ,  詹思瑜 ,  张智成 ,  罗裕杰 ,  黄睿正

IPC: G06F18/23213 ,  H04L9/40 ,  G06F21/57 ,  G06F21/56 ,  G06N3/0455 ,  G06N3/042 ,  G06N3/0895

Abstract: 本发明公开了一种基于异构图自编码器的APT攻击者聚类方法，包括：情报获取与STIX情报映射、异构图自编码器训练和攻击者聚类几个基础步骤；本方案针对APT攻击者的聚类问题，使用异构图来表示全面、复杂的威胁知识；同时使用异构图自编码器来在标签数据不足时，从数据本身提取攻击者的特征，并用于攻击者聚类，在自编码的自监督学习过程中，以元路径重建作为学习目标，使该自编码器可以有效提取包含语义信息的APT攻击者特征，可将其用于APT攻击者聚类任务，提高攻击者特征提取的准确性，更好地完成了攻击者聚类任务。

公开(公告)号：CN117271902A

公开(公告)日：2023-12-22

申请号：CN202311470917.3

申请日：2023-11-07

Applicant: 电子科技大学

Inventor： 赵太银 ,  许毅 ,  詹思瑜 ,  段贵多 ,  罗光春 ,  孙宇栋

IPC: G06F16/9535 ,  G06F16/25 ,  G06F18/22 ,  G06F40/30 ,  G06N3/042 ,  G06N3/0464 ,  G06Q10/0633 ,  G06Q10/10 ,  G06Q10/105

Abstract: 本发明涉及微服务编排技术，其公开了一种基于接口匹配的微服务编排推荐方法，提高微服务编排的推荐效果，帮助建模人员高效、准确地完成整个微服务的编排。本发明使用基于语义的方法对微服务编排数据库中的微服务的输入、输出接口的描述信息进行语义抽取，根据各个微服务的输出接口与其它微服务的输入接口之间的语义匹配，确定微服务之间的调用关系，从而构建微服务依赖关系图，在微服务依赖关系图的基础上，采用图卷积神经网络为每个微服务生成嵌入向量；在推荐时，通过计算用户已编排的当前微服务工作流的向量与微服务编排数据库中的微服务的嵌入向量的相似度，从而向用户推荐编排工作的下一步可能使用的微服务。本发明适用于微服务编排。

公开(公告)号：CN112988802B

公开(公告)日：2022-07-15

申请号：CN202110475590.3

申请日：2021-04-29

Applicant: 电子科技大学

Inventor： 范淑焕 ,  侯孟书 ,  杨键 ,  詹思瑜 ,  周世杰

IPC: G06F16/2453 ,  G06F16/242 ,  G06F16/22 ,  G06F16/28 ,  G06N3/04 ,  G06N3/08 ,  G06N20/00

Abstract: 本发明公开了一种基于强化学习的关系型数据库查询优化方法及系统，方法包括以下步骤：步骤1：通过树卷积神经网络提取逻辑计划树及优化器状态信息特征；步骤2：利用强化学习模型获得匹配的优化规则应用顺序；步骤3：优化器选择适合当前查询的优化规则；系统包括规则应用与信息采集模块、机器学习模块和数据交换模块；所述规则应用与信息采集模块和机器学习模块通过数据交换模块连接，通过本地RPC请求实现数据库与规则应用与信息采集模块和机器学习模块的数据交互。本发明使用强化学习让数据库能够根据当前处理的SQL查询语句自动选择每一步的逻辑优化规则，增加了逻辑优化的可扩展性，提高了逻辑优化阶段的灵活性，进而提高数据查新效率。

公开(公告)号：CN112328578A

公开(公告)日：2021-02-05

申请号：CN202011351761.3

申请日：2020-11-26

Applicant: 电子科技大学

Inventor： 詹思瑜 ,  周维清 ,  王玉林 ,  卢国明 ,  戴波

IPC: G06F16/21 ,  G06F16/22 ,  G06F16/242 ,  G06F16/245 ,  G06F16/25 ,  G06N20/00

Abstract: 本发明涉及数据库技术领域，提供了一种基于强化学习和图注意力网络的数据库查询优化方法，目的在于解决现有查询语句的连接关系非常复杂时，查询执行计划空间会非常庞大，搜索整个查询执行空间会耗费大量时间的技术问题。主要方案包括，在数据库中随机生成查询语句并执行，将查询语句对应的执行计划树，从根节点开始拆分，并记录各个节点的连接关系；初始化DQN模型中的Q‑network网络参数w，DQN模型中的Q‑network网络采用GAT图注意力网络，将编码特征矩阵与图描述集合Edge作为网络输入，对DQN模型进行训练；对于一条查询语句，初始化其图描述和编码，使用步骤2中训练得到的DQN模型生成连接关系，直到所有表都被连接就生成了完整的查询计划。

公开(公告)号：CN110517538A

公开(公告)日：2019-11-29

申请号：CN201910720926.0

申请日：2019-08-06

Applicant: 电子科技大学

Inventor： 王玉林 ,  罗瑜 ,  詹思瑜 ,  刘鹏飞

IPC: G08G5/00 ,  G08G5/04 ,  G06Q10/04

Abstract: 本发明公开了一种飞行器主动发现与协同防碰撞方法与系统，涉及多飞行器协同领域。所述方法针对多飞行器共域飞行场景，飞行器通过已有信息预测其未来短时飞行路经四维信息，并在邻近飞行器之间主动信息共享，实现协同防碰撞和协同能力评价。所述方法包括：未来短时飞行线路信息预测与广播、广播接收及空间冲突分析与避免、避撞返回。所述系统包括：飞行轨迹与状态记录模块、未来短时飞行路线预测模块、广播发送模块、广播接收模块、空间冲突分析模块、冲突避免决策处理模块、协同能力评价模块和避撞返回决策处理模块。本发明具有实时性高、计算开销小、成本低、相同空域容纳的飞行器多等优点。

公开(公告)号：CN119149734A

公开(公告)日：2024-12-17

申请号：CN202411126644.5

申请日：2024-08-16

Applicant: 电子科技大学

Inventor： 许毅 ,  詹思瑜 ,  王勇 ,  文祎 ,  董悦洲 ,  杨涵杰

IPC: G06F16/35 ,  G06F40/30 ,  G06F40/289 ,  G06N3/042 ,  G06N3/0464

Abstract: 为解决现有技术中根据顺序文本序列难以捕捉与目标方面词相关上下文能力的问题，本发明提供一种结合语法树和图网络的方面级情感分析方法，包括训练过程和预测过程；在训练过程，首先获取文本样本数据并进行预处理；接着，通过BERT编码器对文本数据进行词向量提取；再通过计算方面感知注意力、自注意力、句法依赖树和语义组成树构成掩码矩阵；将词向量和掩码矩阵输入到图神经网络中并将最终的输出作为情感极性预测结果，采用梯度下降法训练模型参数，获得训练好的BERT编码器模型和图神经网络。应用在预测过程，通过已经学习到通过解析语法树结构能力的图神经网络对从文本提取出的词向量进行预测，最终获得目标方面词的情感极性。

公开(公告)号：CN118711660A

公开(公告)日：2024-09-27

申请号：CN202410708214.8

申请日：2024-06-03

Applicant: 电子科技大学

Inventor： 詹思瑜 ,  喻浩 ,  刘爽 ,  郭璐

IPC: G16B25/10 ,  G16B40/00 ,  G06F18/2431 ,  G06N3/0464 ,  G06N3/0499 ,  G06N3/048 ,  G06N3/082 ,  G06N3/042 ,  G06N3/084

Abstract: 本发明提供了一种基于深度学习技术的肺癌亚型基因表达分类方法，使用DEseq2方法进行基因差异表达分析，并采用辅助代码进行特征选择，随后利用改进的深度学习WGANs模型进行样本扩充，最后采用一维卷积神经网络进行预测。包括如下步骤：步骤1：获取肺癌基因表达数据并进行预处理，包括数据清洗、归一化等操作；步骤2：利用DEseq2方法进行基因差异表达分析，识别出与肺癌亚型相关的差异基因；步骤3：借助辅助代码进行特征选择，筛选出最具代表性和区分性的基因特征；步骤4：采用改进的深度学习WGANs模型对样本进行扩充，生成具有多样性的新样本数据；步骤5：利用一维卷积神经网络对提取的特征进行模型训练，并进行亚型分类预测。应用本技术方案可广泛应用于基因表达分析领域，为肺癌的分类诊断和个性化治疗提供了重要的支持。

公开(公告)号：CN116483863A

公开(公告)日：2023-07-25

申请号：CN202310551661.2

申请日：2023-05-16

Applicant: 电子科技大学

Inventor： 詹思瑜 ,  周维清 ,  陈爱国 ,  秦科 ,  卢国明 ,  段贵多

IPC: G06F16/2453 ,  G06F16/2455 ,  G06N3/0464 ,  G06N3/092 ,  G06F16/901

Abstract: 本发明涉及数据库查询领域，提供了一种基于树注意力和基数感知的查询优化方法及存储介质。主旨在于解决目前的技术方案没有考虑查询优化中基数这一最为关键的影响因素，导致了长期代价的计算不准确的问题。主要方案包括数据收集，在数据库中随机生成查询语句并执行，获得其查询执行时间；DQN模型训练，利用步骤1中所收集的数据训练DQN中包含状态特征网络、动作特征网络和基数特征网络的q‑network，得到DQN模型；DQN模型应用，对于一条查询语句，使用步骤2中训练得到的DQN模型分别计算长期奖励，选择长期奖励最大的值即可选择最优连接，进而生成完整的执行计划，即得到生成完整的查询计划。

公开(公告)号：CN112328578B

公开(公告)日：2023-03-28

申请号：CN202011351761.3

申请日：2020-11-26

Applicant: 电子科技大学

Inventor： 詹思瑜 ,  周维清 ,  王玉林 ,  卢国明 ,  戴波

IPC: G06F16/21 ,  G06F16/22 ,  G06F16/242 ,  G06F16/245 ,  G06F16/25 ,  G06N20/00

Abstract: 本发明涉及数据库技术领域，提供了一种基于强化学习和图注意力网络的数据库查询优化方法，目的在于解决现有查询语句的连接关系非常复杂时，查询执行计划空间会非常庞大，搜索整个查询执行空间会耗费大量时间的技术问题。主要方案包括，在数据库中随机生成查询语句并执行，将查询语句对应的执行计划树，从根节点开始拆分，并记录各个节点的连接关系；初始化DQN模型中的Q‑network网络参数w，DQN模型中的Q‑network网络采用GAT图注意力网络，将编码特征矩阵与图描述集合Edge作为网络输入，对DQN模型进行训练；对于一条查询语句，初始化其图描述和编码，使用步骤2中训练得到的DQN模型生成连接关系，直到所有表都被连接就生成了完整的查询计划。

公开(公告)号：CN112883066B

公开(公告)日：2022-07-08

申请号：CN202110330790.X

申请日：2021-03-29

Applicant: 电子科技大学

Inventor： 詹思瑜 ,  周维清 ,  王玉林 ,  黄飞腾 ,  段贵多

IPC: G06F16/2455 ,  G06F16/2457 ,  G06F16/28 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及数据库数据处理领域，提供了一种数据库上的多维范围查询基数估计方法。本发明的目的在于解决了编码单纯使用热编码的形式，这种编码方式易受量纲不一致的影响，且编码位数不能灵活调整的问题。主要方案包括：步骤1、数据收集，在数据库中随机生成多维范围查询语句，并在数据库中执行以获得真实的查询基数，获得表中的真实记录数据。步骤2、模型训练，使用步骤1中收集的数据训练模型；步骤3：用训练好的模型对解析查询语句，得到最终基数估计值。