“叶可江”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果147个，建议您升级VIP下载更多相关专利

[发明专利]一种网络流量分类方法-CN201811535347.0有效
发明人：赵世林;叶可江;须成忠 -专利权人：深圳先进技术研究院
申请日： 2018-12-14 - 公布日： 2020-11-10 - 主分类号： G06K9/62 文献下载
摘要：本申请属于网络流量管理技术领域，特别是涉及一种网络流量分类方法。随着未知流量的多变化和复杂化，已存在的分类方法在特征提取模块和分类算法模块却不能达到很好的分类效果；不能精确检测和识别出未知流量。本申请提供了一种网络流量分类方法，采集网络流量样本数据；对样本数据进行预处理，得到样本数据集；对样本数据打标签，得到标签数据集；将有标签的数据集和未知标签的数据集整合，得到混合训练数据集；对标签数据集的网络流进行分层协议特征提取，得到特征流数据集；采用聚类算法对混合训练数据集和特征流数据集进行训练建模和测试验证；输出分类结果。能充分利用网络流间关联信息，经过训练，对未知流量进行精准的分类和识别。
一种网络流量分类方法

[发明专利]一种基于深度学习的网络流量分类方法、系统及电子设备-CN201811507380.2有效
发明人：赵世林;叶可江;须成忠 -专利权人：深圳先进技术研究院
申请日： 2018-12-11 - 公布日： 2020-10-27 - 主分类号： H04L12/24 文献下载
摘要：本申请涉及一种基于深度学习的网络流量分类方法、系统及电子设备。所述方法包括：步骤a：捕获网络流量样本数据；步骤b：通过深度学习分类算法提取所述网络流量样本数据的全局特征数据集；步骤c：根据所述全局特征数据集构建随机森林分类模型，通过随机森林分类模型输出网络流量分类结果。本申请利用提取的全局特征训练随机森林分类模型，结果表现出稳定的分类性能，能够处理很高维度的流量数据，并且不用做特征选择。相比现有技术，本申请能够有效的保障网络流量分类的高精度和高性能，同时，可以提高分类效率，缩短训练时间，降低计算开销。
一种基于深度学习网络流量分类方法系统电子设备

[发明专利]一种基于资源分配的人避难行踪的位置预测方法及其系统-CN201811317487.0有效
发明人：张昱航;李煜煜;叶可江;须成忠 -专利权人：深圳先进技术研究院
申请日： 2018-11-07 - 公布日： 2020-07-24 - 主分类号： G01C21/20 文献下载
摘要：本发明涉及公共安全技术领域，特别涉及一种基于资源分配的人避难行踪的位置预测方法及其系统；本发明先构建二维平面模型；再在二维平面模型中确定环境体的容纳量、灾难点位置、人的位置及出口位置，从而可以确定出人的位置与灾难点位置的距离S及人的位置与出口位置的距离D；然后计算出人的位置与可供选择去的环境体的距离；而再计算出人在下一时刻的位置；实时循环进行前一步骤，直至得到人的稳定下来的最终位置；本发明额外增加了资源的动态调整，这样就保证了信息变更的同时资源也是动态消耗的且使用数据少，实际操作方便。
一种基于资源分配避难行踪位置预测方法及其系统

[发明专利]一种云计算负载聚类方法、系统及电子设备-CN201811188871.5有效
发明人： 叶可江;陈文艳;须成忠 -专利权人：深圳先进技术研究院
申请日： 2018-10-12 - 公布日： 2020-05-19 - 主分类号： G06F9/50 文献下载
摘要：本申请涉及一种云计算负载聚类方法、系统及电子设备。该方法包括：步骤a：采集集群监控数据，并提取所述集群监控数据中的特征向量；步骤b：计算每个特征向量的平均轮廓系数，确定所述平均轮廓系数最大时每个特征向量对应的K值；步骤c：将所述每个特征向量对应的K值代入K‑Means聚类算法进行聚类，得到各个维度的聚类结果；步骤d：将各个维度的聚类结果进行组合划分，形成具有相似特征的负载类别。本申请在生产型的云计算环境中基于特征集轮廓系数估计对特征向量进行聚类，再将所有的特征向量进行组合，形成相似度较高的负载类型，使得产生的类簇具有更强的相似性，确保了聚类效果的准确性。
一种计算负载方法系统电子设备

[发明专利]一种基于深度学习的智能合约漏洞检测方法-CN201911257654.1在审
发明人：王锐;叶可江;须成忠 -专利权人：中国科学院深圳先进技术研究院
申请日： 2019-12-10 - 公布日： 2020-05-15 - 主分类号： G06F11/36 文献下载
摘要：本发明属于区块链领域，涉及一种基于深度学习的智能合约漏洞检测方法，包括以下步骤：1)学习训练阶段：针对智能合约代码进行处理，选择合适的神经网络进行训练；2)检测阶段：将需要检测代码进行处理，输入到训练好的神经网络进行检测，得出结果。本发明漏洞检测方法通过深度学习的方法进行漏洞检测，实现了自动化，提高了效率。
一种基于深度学习智能合约漏洞检测方法

[发明专利]一种姿态检测系统及方法-CN201911232459.3在审
发明人：张昱航;叶可江;须成忠 -专利权人：中国科学院深圳先进技术研究院
申请日： 2019-12-05 - 公布日： 2020-05-12 - 主分类号： G06K9/00 文献下载
摘要：本申请属于图像处理技术领域，特别是涉及一种姿态检测系统及方法。现有的一些姿态检测方法在部件组合上也容易受到不同角度、不同姿态的人体体态从而导致识别准确度不高。本申请提供了一种姿态检测系统，包括依次连接的图像获取单元、图像检测单元和结果输出单元，所述图像检测单元包括依次连接的半身姿态检测模块、图像矫正模块和全身姿态检测模块，所述半身姿态检测模块与所述图像获取单元连接，所述半身姿态检测模块与所述全身姿态检测模块连接，所述全身姿态检测模块与所述结果输出单元连接。实现更准确的姿态识别，同时姿态矫正环节有效的补充了通常情况下姿态多样导致的检测结果不准确现象。
一种姿态检测系统方法

[发明专利]网络流量异常检测模型的训练方法及检测方法-CN201911268314.9在审
发明人： 叶可江;纪书鉴;须成忠 -专利权人：中国科学院深圳先进技术研究院
申请日： 2019-12-11 - 公布日： 2020-04-24 - 主分类号： H04L29/06 文献下载
摘要：本发明公开了一种网络流量异常检测模型的训练方法即检测方法，所述网络流量异常检测模型包括特征提取网络和分类网络，所述训练方法包括：根据训练样本确定隐藏层的层数和每层隐藏层中的神经元个数；根据所述隐藏层的层数和每层隐藏层中的神经元个数构建初始的特征提取网络；利用训练样本对所述初始特征提取网络进行训练，得到训练完成的特征提取网络；利用训练完成的特征提取网络提取训练样本的抽象特征数据，并利用所述抽象特征数据训练分类网络，以完成网络流量检测模型的训练。本申请的网络结构可适应网络流量数据，避免检测模型的结构过于复杂和过于简单，从而降低了泛化误差，能明显减少检测时间和提高检测准确率。
网络流量异常检测模型训练方法

[发明专利]一种基于注意力机制的大规模网络群实时故障预测方法-CN201911264827.2在审
发明人：林彦颖;叶可江;须成忠 -专利权人：中国科学院深圳先进技术研究院
申请日： 2019-12-11 - 公布日： 2020-04-21 - 主分类号： H04L12/24 文献下载
摘要：本发明属于计算机网络领域，涉及一种基于注意力机制的大规模网络群实时故障预测方法。本发明提出一种基于注意力机制的大规模网络群实时故障预测方法，该方法从拓扑和时空角度出发，不会丢失远期的权重信息，不会丢失低频故障设备的权重信息，并且可以批量预测一个有序的序列，这就是故障会发生的顺序。
一种基于注意力机制大规模网络实时故障预测方法

[发明专利]容器云环境下的任务调度方法、装置、服务器及存储装置-CN201911198319.9在审
发明人： 叶可江;孙永仲;须成忠 -专利权人：中国科学院深圳先进技术研究院
申请日： 2019-11-29 - 公布日： 2020-04-17 - 主分类号： G06F9/50 文献下载
摘要：本发明公开了一种容器云环境下的任务调度方法、装置、服务器及存储装置，其中方法包括：获取云数据中心每台服务器的历史资源利用率，并基于历史资源利用率预测下一时刻每台服务器的预测资源利用率；接收到应用任务时，确认应用任务所需占用资源；获取将每台服务器的当前资源利用率，并结合预测资源利用率、所需占用资源和每台服务器的资源阈值进行优化计算，得到应用任务与服务器之间的部署矩阵；根据部署矩阵和应用任务在目标服务器上生成一组或多组容器。本发明通过对容器云服务器未来负载进行预测，再结合当前负载情况对应用任务进行合理部署，避免任务调度后在未来时刻出现容器云服务器过载。
容器环境任务调度方法装置服务器存储

[发明专利]离线混部作业的资源调度方法及服务器系统-CN201911282169.X在审
发明人： 叶可江;陈文艳;须成忠 -专利权人：深圳先进技术研究院
申请日： 2019-12-13 - 公布日： 2020-04-17 - 主分类号： G06F9/50 文献下载
摘要：本发明提供一种离线混部作业的资源调度方法，包括：监测服务器中负载的数据请求类型；在监测到所述负载为离线型负载时，采集所述离线型负载在不同设置参数下的运行时间，所述设置参数包括输入数据量大小、Map、Reduce数据大小、迭代次数、BatchSize大小等；采用LWLR模型对所述运行时间进行训练，预测所述离线型负载的运行时间；根据预测的所述运行时间，选择相应的服务器资源对所述离线型负载进行处理。考虑了离线型负载在不同参数设置下的运行时间的预测，有效实现了服务器中负载资源的合理调度，在合理的资源配置和混部状态下，缩短离线应用的运行时间也能在一定程度上提升容器云服务系统性能，保证用户服务体验的质量。
离线作业资源调度方法服务器系统

[发明专利]一种交通流量的预测方法、系统及终端设备-CN201911279828.4在审
发明人： 叶可江;田科烺;须成忠 -专利权人：深圳先进技术研究院
申请日： 2019-12-13 - 公布日： 2020-04-07 - 主分类号： G08G1/01 文献下载
摘要：本申请适用于交通预测技术领域，提供了一种交通流量的预测方法、系统及终端设备，所述方法包括：采集目标地区指定时间段内的交通数据，对交通数据进行图卷积网络训练，捕获城市道路网络的拓扑结构以获得空间特征，将空间特征的时间序列输入到门控循环单元模型中，通过单元之间的信息传递获得动态变化，以捕获时间特征；根据空间特征和时间特征建立预测模型，以根据预测模型对目标地区的交通流量进行预测。本申请将基于注意力机制的图卷积神经网络应用于交通领域的预测问题中，该方法在复杂道路结构中能够更好的挖掘道路交通网络中的高维特征，搭配上经过改良的循环神经网络提高了交通流量预测的准确度，特别是在中长期的预测中提升效果明显。
一种交通流量预测方法系统终端设备

[发明专利]一种基于差分隐私联合学习的垃圾短信识别方法及系统-CN201911284688.X在审
发明人：阳文斯;叶可江;须成忠 -专利权人：中国科学院深圳先进技术研究院
申请日： 2019-12-13 - 公布日： 2020-04-03 - 主分类号： G06F16/35 文献下载
摘要：本发明涉及无线通讯技术领域，特别涉及一种基于差分隐私联合学习的垃圾短信识别方法及系统；在本发明内，手机客户端无需上传自己的短信数据至数据中心，利用手机本地短信数据集训练基于卷积神经网络的分类模型，然后将本地模型参数上传至服务器，服务器整合参与联合学习的手机客户端垃圾短信识别分类模型的参数，构建共享垃圾短信分类模型，加入差分隐私的联合学习保证了即使在共享参数的情况下也不泄露参与联合学习的手机用户信息，进一步保护手机客户端的数据隐私性和敏感性。
一种基于隐私联合学习垃圾短信识别方法系统

[发明专利]一种基于深度学习的交通流量预测方法及装置-CN201911289190.2在审
发明人：叶洁瑕;赵娟娟;须成忠;叶可江 -专利权人：中国科学院深圳先进技术研究院
申请日： 2019-12-13 - 公布日： 2020-03-27 - 主分类号： G06Q10/04 文献下载
摘要：本发明涉及时空数据挖掘或智慧交通领域，具体涉及基于深度学习的交通流量预测方法及装置。该方法及装置通过接收用户终端发送的流量预测请求；然后，响应流量预测请求，并获取与目标节点标识相对应的目标路网的交通流量信息；基于交通流量信息获取时空特征信息；将时空特征信息输入至时空图卷积模型进行模型预测操作，获取流量预测结果；向用户终端输出流量预测结果，便于更全面地从时空相关角度考虑了整个路网交通流量的时空特征对目标节点的交通流量的影响，本发明基于深度学习的交通流量预测方法及装置能够提高预测公路网络的交通流量的准确度。
一种基于深度学习交通流量预测方法装置

[发明专利]电信网络告警预测方法及系统-CN201910707723.8在审
发明人： 叶可江;林鹏;须成忠 -专利权人：中国科学院深圳先进技术研究院
申请日： 2019-08-01 - 公布日： 2019-11-26 - 主分类号： G06Q10/04 文献下载
摘要：本发明涉及一种电信网络告警预测方法，包括：按时间顺序分批读入电信网络告警数据并对所述告警数据预处理；对预处理后的告警数据按照Unix时间戳进行DBSCAN聚类；对DBSCAN聚类后的告警数据挖掘频繁项集和告警关联规则；合并并保存所有批次告警数据挖掘出的告警关联规则；利用合并并保存的上述告警关联规则预测未发生的告警。本发明能够很好地处理具有突发性特点的告警数据，使用时间聚类提高了关联规则的有效性，采用分批处理的思路提高了处理大批量数据的能力。
告警数据告警关联规则聚类预处理告警电信网络分批处理关联规则频繁项集时间顺序保存合并挖掘时间戳预测读入

[发明专利]一种面向Docker容器的Spark大数据应用程序性能建模方法、设备及存储设备-CN201810401153.5在审
发明人：扣彦敏;叶可江;须成忠 -专利权人：深圳先进技术研究院
申请日： 2018-04-28 - 公布日： 2019-11-08 - 主分类号： G06F9/50 文献下载
摘要：本发明实施方式公开了一种面向Docker容器的Spark大数据应用程序性能建模方法，还公开了相应的设备以及存储设备。本发明实施例中，通过获取影响Docker容器及Spark大数据应用程序性能的关键参数及相应的实验数据，然后将实验数据放入机器学习中进行模型训练，并获取对应的资源分配模型，再根据资源分配模型以及输入的测试数据获取最优资源分配模型；本发明通过对Docker容器和Spark大数据应用程序的资源参数进行联合调优，找出Spark大数据应用程序的资源参数与Docker容器的资源参数之间的对应关系，依据Docker容器的资源参数的大小来设置最佳的Spark大数据应用程序的资源分配参数值，从而使基于Docker容器的Spark大数据应用程序更加稳定。
应用程序大数据资源参数资源分配模型存储设备实验数据性能建模测试数据获取关键参数机器学习模型训练资源分配放入联合