轨迹异常检测方法和装置、电子设备及可读存储介质.pdf
骊蓉****23
亲,该文档总共18页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
轨迹异常检测方法和装置、电子设备及可读存储介质.pdf
本发明提供一种轨迹异常检测方法和装置、电子设备及可读存储介质,其中所述方法包括:获取目标对象的历史行驶轨迹信息及实时行驶轨迹信息;对历史行驶轨迹信息进行密度聚类,基于所述密度聚类的结果获得目标对象的日间常驻地和夜间常驻地;基于目标对象分别在日间常驻地的第一历史停留时长和夜间常驻地的第二历史停留时长,得到昼伏夜出判断比例;基于实时行驶轨迹信息,获取并基于目标对象分别在日间常驻地的第一实时停留时长和夜间常驻地的第二实时停留时长,得到昼伏夜出实时比例;基于昼伏夜出判断比例、昼伏夜出实时比例的比较结果,检测出目标
异常流量检测方法、装置及可读存储介质和电子设备.pdf
本发明实施例提出异常流量检测方法、装置及可读存储介质和电子设备。方法包括:采用第一分类模型将接收到的第二流量段分类为两组流量:第一流量组和第二流量组;其中,所述第一分类模型为:对接收到的第一流量段采用单分类算法计算得到的,第一流量段和第二流量段为相邻接收到的流量段,且第一流量段在第二流量段之前接收到;从第一流量组和第二流量组中提取异常流量特征,若提取到,则将所述异常流量特征添加到异常流量特征集合中;根据所述异常流量特征集合,检测接收到的流量是否为异常流量,若为异常流量,则丢弃该流量。本发明实施例提高了异常
异常访问的检测方法、装置、电子设备及可读存储介质.pdf
本申请公开了一种异常访问的检测方法、装置、电子设备及可读存储介质,其方法包括:获取目标应用的训练用数据流量;对所述训练用数据流量进行特征提取,得到流量数据特征;基于监督学习与无监督学习的结合,对所述流量数据特征进行特征转换,以学习所述目标应用的底层逻辑、访问逻辑和业务逻辑,得到所述目标应用的安全防护模型;基于所述安全防护模型,对目标应用的异常访问进行识别。本申请基于人工智能方法,能够高效、准确的对攻击行为进行智能识别,尤其是对0‑day漏洞的攻击行为;显著提高了互联网应用系统的安全性,适用性广,准确度高。
页面异常检测方法、装置、电子设备及可读存储介质.pdf
本发明实施例提供了一种页面异常检测方法、装置、电子设备及可读存储介质。所述方法,包括:获取待检测页面的页面数据;对所述页面数据进行渲染,得到所述待检测页面的当前展示页面;判断所述当前展示页面与预设标准页面之间的相似度是否大于第一预设阈值;如果所述当前展示页面与预设标准页面之间的相似度不大于第一预设阈值,确定所述待检测页面为异常页面;根据异常页面与异常数据之间预先建立的映射关系,获取导致所述待检测页面出现异常的异常数据。解决了页面异常检测的人工成本较大的技术问题。取得了通过预先构建的异常页面与异常数据之间的
轨迹数据的处理方法、装置、可读存储介质和电子设备.pdf
本发明提供了一种轨迹数据的处理方法、装置、可读存储介质和电子设备,属于轨迹数据技术领域。方法包括:响应于轨迹数据的处理请求,根据时间信息,按照时间的先后顺序对多个第一轨迹点进行排序,生成轨迹线;在轨迹线中确定目标区域对应的目标轨迹线,以及目标轨迹线内包含的多个第二轨迹点;根据特征信息和目标对象,确定多个第二轨迹点的优先级;获取多个第二轨迹点的数量,并判断数量是否大于数量阈值;基于数量大于数量阈值,根据数量、数量阈值和优先级,确定待删除轨迹点,得到目标轨迹点;展示目标轨迹线和目标轨迹点。本发明提供的技术方案