盛益强
- 作品数：3 被引量：14H指数：2
- 供职机构：中国科学院更多>>
- 发文基金：国家科技重大专项更多>>
- 相关领域：自动化与计算机技术更多>>
- 用于个性化数据挖掘的粗粒度分布式深度学习被引量：2
- 2016年
- 针对深度学习用于处理带有个性化特征的广域分布式数据时,处理精度、通信代价和响应速度等性能难以进一步提升的问题,本论文提议了一种适用于广域网络的粗粒度分布式深度学习方法及系统。分布式深度学习方法一般分为数据分布式和模型分布式,还可以在网络范畴上分为局域分布式和广域分布式。其中,数据分布式比模型分布式更易实现,但模型分布式在参数规模的扩展性上更具优势;相比于局域分布式,广域分布式在通信代价上更具挑战性,但它可以距离用户更近,从而在响应速度上更具优势。在论文中,分布式深度学习方法被进一步分为细粒度分布式和粗粒度分布式。相比于细粒度分布式,粗粒度分布式的相对通信时间更短,从而更适合于广域网络。论文所提议的系统可以作为粗粒度分布式深度学习方法的一个范例,适用于在广域网络上处理具有个性化特征的分布式数据。评价结果表明,粗粒度分布式系统不仅自然保证了更好的通信代价和响应速度,而且提升了个性化数据的处理精度。
- 盛益强赵震宇廖怡
- 关键词：粗粒度细粒度通信代价
- 基于递归神经网络的网络安全事件预测被引量：12
- 2017年
- 针对现有安全事件预测算法所存在的过分依赖数据包头信息、所需历史数据较多、预测值误差较大、易陷入局部最优、训练时间较长等缺点,本文提出了一种基于递归神经网络进行分析数据包及其有效负载而在攻击发生前对安全事件进行预测的算法。该算法首先从数据包中提取源IP地址、协议类型和有效负载作为递归神经网络模型的输入,之后采用训练集对模型进行训练,同时引入批量梯度下降更新模型参数,最后采用测试集评估模型预测的准确率。通过递归神经网络分析有效负载可以更准确判断攻击性,大幅度提升网络安全事件的预测精度。
- 郝怡然盛益强王劲林李超鹏
- 关键词：递归神经网络
- 基于分区的有向超团模式社交网络影响最大化算法
- 2018年
- 针对社交网络影响最大化算法存在的在大规模社交网络中没有充分考虑网络中有向拓扑结构、对I/O的访问次数过高、选择的初始激活节点聚集程度较高等问题,提出一种基于分区的有向超团模式的社交网络影响最大化算法。该算法首先发现社交网络中的极大连通子图,并从每个子图内发现关联规则,以减少I/O次数。从每个子图中分别挖掘社交网络中的有向超团,引入Apriori的改进算法发现有序频繁集,并从有序频繁集中挖掘关联规则;之后在关联规则的基础上结合节点的度数对种子节点进行选取,将选出的种子节点在独立级联模型上进行传播。其中,由于传统的Apriori算法仅适用于从无序项集中发现频繁集,因此对项集合并时的重组规则进行改进,使其适用于发现有序频繁集。采用KDD2012数据集进行了实验,结果表明:该模型在很大程度上避免了节点影响所产生的重叠效果,进而取得比现有启发式算法更优的影响效果;初始激活节点小于1 000时,该算法最终影响节点数可以达到最新影响力算法(k-核算法)的两倍。
- 郝怡然盛益强盛益强
- 关键词：APRIORI改进算法社交网络
