CN111461237A - 一种基于QPSO优化K-Means的ABAC模型 - Google Patents
一种基于QPSO优化K-Means的ABAC模型 Download PDFInfo
- Publication number
- CN111461237A CN111461237A CN202010259186.8A CN202010259186A CN111461237A CN 111461237 A CN111461237 A CN 111461237A CN 202010259186 A CN202010259186 A CN 202010259186A CN 111461237 A CN111461237 A CN 111461237A
- Authority
- CN
- China
- Prior art keywords
- particle
- attribute
- qpso
- clustering
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于QPSO优化K‑Means的ABAC模型，所述ABAC模型把属性权值作为输入，利用QPSO优化的K‑Means算法进行属性权值的聚类，并根据聚类结果为PAP策略库添加访问控制策略。由此，本发明通过引入QPSO优化K‑Means算法，为策略库添加一种自动化的访问控制策略，来进一步丰富ABAC模型的策略库，使ABAC模型的授权决策过程更加灵活、智能、高效。
Description
技术领域
本发明涉及访问控制技术领域，尤其是一种基于QPSO优化K-Means的 ABAC模型。
背景技术
基于属性的访问控制(Attribute-Based Access Control，ABAC)模型是利 用属性把访问控制中所涉及的主体、客体、环境、授权统一建模，从而使访问 控制策略的制定和约束的表达更加准确和灵活。
ABAC模型与传统的基于身份的访问控制模型相比最大的优势主要体现 在两个方面：
(1)它可以利用属性对实体的任意特征进行描述，实现从不同的角度对 实体进行刻画；
(2)通过属性或者属性的组合不但可以使一些复杂的访问控制策略的表 达粒度更加细化，而且简化了传统访问控制复杂的授权方式，使访问控制系统 的灵活性和通用性得以加强。
但是当前针对ABAC模型中属性的定义、量化比较模糊，并且访问控制 策略的定义存在很大的主观性，缺少一种智能化的策略定义方法，使ABAC 模型的应用具有一定阻碍。
发明内容
本发明的目的是，针对ABAC模型中的不足进行优化和改进，提供一种 基于QPSO优化K-Means的ABAC模型，以解决以下技术问题：
(1)对于模型中的属性没有明确的定义；
(2)对于模型中属性的量化比较模糊，存在一定的主观性和任意性；
(3)对于访问控制策略的定义存在很大的主观性，缺少一种智能化的策 略定义方法。
本发明采用的技术方案如下：
一种基于QPSO优化K-Means的ABAC模型，所述ABAC模型的执行过 程包括如下步骤：
(1)用户访问资源，发送原始访问请求；
(2)PEP组件接收用户发来的原始访问请求，并将原始访问请求发送至 ContextHandler组件；
(3)Context Handler组件通过PIP组件向AA组件发送和原始访问请求 相关的属性请求；
(4)对于AA组件中与原始访问请求匹配的属性，针对不同属性的重要 程度，以权值的数值化形式将不同属性的重要程度进行量化，得到数值化的属 性权值；
(5)AA组件将与原始访问请求匹配的实体属性和属性值，以及其对应的 属性权值返回给Context Handler组件处理；
(6)Context Handler组件构建基于属性的访问请求，并将其发送至PDP 组件；
(7)把属性权值作为输入，利用QPSO优化的K-Means算法进行属性权 值的聚类，并根据聚类结果为PAP策略库添加访问控制策略；
(8)PDP组件根据获得的属性和属性值及PAP策略库中预定义的访问控 制策略进行授权决策，PEP组件根据授权决策结果对资源实施访问操作。
进一步地，步骤(7)中利用QPSO优化的K-Means算法进行属性权值的 聚类的方法，包括如下子步骤：
(7.1)对属性权值进行网格化处理，并利用网格聚类确定簇的个数K，并 随机初始化K个聚类中心；
(7.2)初始化QPSO算法的粒子种群，对K个聚类中心进行编码，将其 作为粒子的初始位置，初始化粒子的速度；通过重复循环N次，各粒子完成初 始化；
(7.3)计算每个粒子的适应度值fitness；
(7.4)更新粒子个体的局部最优位置pbest；以及粒子种群的全局最优位 置gbest；
(7.5)更新粒子的速度和位置；
(7.6)根据K-Means算法中的最邻近法则，将样本重新归类，得到新的 聚类划分；
(7.7)根据新的聚类划分重新计算聚类中心，并更新适应度值fitness；
(7.8)若粒子群的最好适应度值在给定的迭代次数内不发生改变或达到给 定的最大达代次数，则输出聚类结果的最优解；否则返回(7.3)；
(7.9)根据聚类结果的最优解，为PAP策略库添加访问控制策略。
进一步地，步骤(7)中根据聚类结果为PAP策略库添加的访问控制策略 为：同一类中的用户能够互相访问资源，不同类的用户不允许进行访问操作。
进一步地，步骤(7.2)中对第k个聚类中心进行编码的公式如下：
其中，Centerk代表第k个聚类中心的编码，ck代表第k个类别数据的向量 集合，xi代表ck中的第i条数据。
进一步地，步骤(7.3)中计算每个粒子的适应度值fitness的公式如下：
其中，ck代表第k个类别数据的向量集合，xi代表ck中的第i条数据，Centerk代表第k个聚类中心的编码。
进一步地，步骤(7.4)中更新粒子个体的局部最优位置pbest；以及粒子 种群的全局最优位置gbest的方法为：把每个粒子当前位置与其个体局部最佳 位置进行适应度值大小的对比，如果每个粒子当前位置的适应度值更小，则将 其设置为其局部最佳位置pbest；把全部粒子的位置与当前粒子种群全局最佳位 置进行适应度值大小对比，若某一粒子当前所在的位置的适应度值更小，则将 其设置为粒子种群的全局最佳位置gbest。
进一步地，步骤(7.5)中更新粒子的速度和位置的公式如下：
vi(t+1)＝vi(t)+c1r1(pbest-xi(t))+c2r2(gbest-xi(t))
xi(t+1)＝xi(t)+vi(t+1)
其中，t是当前迭代次数，c1和c2是学习因子；vi(t+1)代表粒子i在第t+1 次循环时的速度，vi(t)代表粒子i在第t次循环时的速度，xi(t+1)代表粒子i在 第t+1次循环时的位置，xi(t)代表粒子i在第t次循环时的位置，pbest代表粒 子i当前的局部最优位置，gbest代表粒子种群当前的全局最优位置。
进一步地，步骤(4)中对于AA组件中与原始访问请求匹配的属性，采 用层次分析法，针对不同属性的重要程度，以权值的数值化形式将不同属性的 重要程度进行量化，得到数值化的属性权值。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明通过引入QPSO优化K-Means算法，为策略库添加一种自动化 的访问控制策略，来进一步丰富ABAC模型的策略库，使ABAC模型的授权 决策过程更加灵活、智能、高效。
2、本发明通过层次分析法对用户的属性进行初始量化处理，避免了传统 ABAC模型在属性的定义、量化等方面的主观性和任意性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使 用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例， 因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创 造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明基于QPSO优化K-Means的ABAC模型的执行过程示意图。
图2为本发明利用QPSO优化的K-Means算法生成自动化访问控制策略 的流程框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅 用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部 分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施 例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的 本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅 表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出 创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
本实施例提供的一种基于QPSO(量子粒子群算法，Quantum-behaved ParticleSwarm Optimization)优化K-Means的ABAC模型，如图1所示，所述 ABAC模型的执行过程包括如下步骤：
(1)用户访问资源，发送原始访问请求；
(2)PEP组件接收用户发来的原始访问请求，并将原始访问请求发送至 ContextHandler组件；
(3)Context Handler组件通过PIP组件向AA组件发送和原始访问请求 相关的属性请求；
(4)对于AA组件中与原始访问请求匹配的属性，针对不同属性的重要 程度，以权值的数值化形式将不同属性的重要程度进行量化，得到数值化的属 性权值；本实施例中，对于AA组件中与原始访问请求匹配的属性，采用层次 分析法(Analytic HierarchyProcess，AHP)，针对不同属性的重要程度，以权 值的数值化形式将不同属性的重要程度进行量化，得到数值化的属性权值。
(5)AA组件将与原始访问请求匹配的实体属性和属性值，以及其对应的 属性权值返回给Context Handler组件处理；
(6)Context Handler组件构建基于属性的访问请求，并将其发送至PDP 组件；
(7)把属性权值作为输入，利用QPSO优化的K-Means算法进行属性权 值的聚类，并根据聚类结果为PAP策略库添加访问控制策略；其中，通过属性 权值的聚类，同一类中的用户具有相同的属性相似度，因此可以将访问控制策 略设置为：同一类中的用户能够互相访问资源，不同类的用户不允许进行访问 操作。
该利用QPSO优化的K-Means算法进行属性权值的聚类的过程，包括如 下子步骤：
(7.1)对属性权值进行网格化处理，并利用网格聚类确定簇的个数K，并 随机初始化K个聚类中心；
(7.2)初始化QPSO算法的粒子种群：对K个聚类中心进行编码，将其 作为粒子的初始位置，初始化粒子的速度；通过重复循环N次，各粒子完成初 始化；其中，对第k个聚类中心进行编码的公式如下：
其中，Centerk代表第k个聚类中心的编码，ck代表第k个类别数据的向量 集合，xi代表ck中的第i条数据。
(7.3)计算每个粒子的适应度值fitness，公式如下：
其中，ck代表第k个类别数据的向量集合，xi代表ck中的第i条数据，Centerk代表第k个聚类中心的编码。
(7.4)更新粒子个体的局部最优位置pbest；以及粒子种群的全局最优位 置gbest；具体地：把每个粒子当前位置与其个体局部最佳位置进行适应度值 大小的对比，如果每个粒子当前位置的适应度值更小，则将其设置为其局部最 佳位置pbest；把全部粒子的位置与当前粒子种群全局最佳位置进行适应度值大 小对比，若某一粒子当前所在的位置的适应度值更小，则将其设置为粒子种群 的全局最佳位置gbest。
(7.5)更新粒子的速度和位置，公式如下：
vi(t+1)＝vi(t)+c1r1(pbest-xi(t))+c2r2(gbest-xi(t))
xi(t+1)＝xi(t)+vi(t+1)
其中，t是当前迭代次数，c1和c2是学习因子；vi(t+1)代表粒子i在第t+1 次循环时的速度，vi(t)代表粒子i在第t次循环时的速度，xi(t+1)代表粒子i在 第t+1次循环时的位置，xi(t)代表粒子i在第t次循环时的位置，pbest代表粒 子i当前的局部最优位置，gbest代表粒子种群的全局最优位置。
(7.6)根据K-Means算法中的最邻近法则，将属性权值样本重新归类， 得到新的聚类划分；
(7.7)根据新的聚类划分重新计算聚类中心，并更新适应度值fitness；
(7.8)若粒子群的最好适应度值在给定的迭代次数内不发生改变或达到给 定的最大达代次数，则输出聚类结果的最优解；否则返回(7.3)；
(7.9)根据聚类结果的最优解，为PAP策略库添加访问控制策略。
(8)PDP组件根据获得的属性和属性值及PAP策略库中预定义的访问控 制策略进行授权决策，PEP组件根据授权决策结果对资源实施访问操作。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发 明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明 的保护范围之内。
Claims (8)
1.一种基于QPSO优化K-Means的ABAC模型，其特征在于，所述ABAC模型的执行过程包括如下步骤：
(1)用户访问资源，发送原始访问请求；
(2)PEP组件接收用户发来的原始访问请求，并将原始访问请求发送至ContextHandler组件；
(3)ContextHandler组件通过PIP组件向AA组件发送和原始访问请求相关的属性请求；
(4)对于AA组件中与原始访问请求匹配的属性，针对不同属性的重要程度，以权值的数值化形式将不同属性的重要程度进行量化，得到数值化的属性权值；
(5)AA组件将与原始访问请求匹配的实体属性和属性值，以及其对应的属性权值返回给ContextHandler组件处理；
(6)ContextHandler组件构建基于属性的访问请求，并将其发送至PDP组件；
(7)把属性权值作为输入，利用QPSO优化的K-Means算法进行属性权值的聚类，并根据聚类结果为PAP策略库添加访问控制策略；
(8)PDP组件根据获得的属性和属性值及PAP策略库中预定义的访问控制策略进行授权决策，PEP组件根据授权决策结果对资源实施访问操作。
2.根据权利要求1所述的基于QPSO优化K-Means的ABAC模型，其特征在于，步骤(7)中利用QPSO优化的K-Means算法进行属性权值的聚类的方法，包括如下子步骤：
(7.1)对属性权值进行网格化处理，并利用网格聚类确定簇的个数K，并随机初始化K个聚类中心；
(7.2)初始化QPSO算法的粒子种群，对K个聚类中心进行编码，将其作为粒子的初始位置，初始化粒子的速度；通过重复循环N次，各粒子完成初始化；
(7.3)计算每个粒子的适应度值fitness；
(7.4)更新粒子个体的局部最优位置pbest；以及粒子种群的全局最优位置gbest；
(7.5)更新粒子的速度和位置；
(7.6)根据K-Means算法中的最邻近法则，将样本重新归类，得到新的聚类划分；
(7.7)根据新的聚类划分重新计算聚类中心，并更新适应度值fitness；
(7.8)若粒子群的最好适应度值在给定的迭代次数内不发生改变或达到给定最大达代次数，则输出聚类结果的最优解；否则返回(7.3)；
(7.9)根据聚类结果的最优解，为PAP策略库添加访问控制策略。
3.根据权利要求2所述的基于QPSO优化K-Means的ABAC模型，其特征在于，步骤(7)中根据聚类结果为PAP策略库添加的访问控制策略为：同一类中的用户能够互相访问资源，不同类的用户不允许进行访问操作。
4.根据权利要求2所述的基于QPSO优化K-Means的ABAC模型，其特征在于，步骤(7.2)中对第k个聚类中心进行编码的公式如下：
其中，Centerk代表第k个聚类中心的编码，ck代表第k个类别数据的向量集合，xi代表ck中的第i条数据。
5.根据权利要求2所述的基于QPSO优化K-Means的ABAC模型，其特征在于，步骤(7.3)中计算每个粒子的适应度值fitness的公式如下：
其中，ck代表第k个类别数据的向量集合，xi代表ck中的第i条数据，Centerk代表第k个聚类中心的编码。
6.根据权利要求2所述的基于QPSO优化K-Means的ABAC模型，其特征在于，步骤(7.4)中更新粒子个体的局部最优位置pbest；以及粒子种群的全局最优位置gbest的方法为：把每个粒子当前位置与其个体局部最佳位置进行适应度值大小的对比，如果每个粒子当前位置的适应度值更小，则将其设置为其局部最佳位置pbest；把全部粒子的位置与当前粒子种群全局最佳位置进行适应度值大小对比，若某一粒子当前所在的位置的适应度值更小，则将其设置为粒子种群的全局最佳位置gbest。
7.根据权利要求2所述的基于QPSO优化K-Means的ABAC模型，其特征在于，步骤(7.5)中更新粒子的速度和位置的公式如下：
vi(t+1)＝vi(t)+c1r1(pbest-xi(t))+c2r2(gbest-xi(t))
xi(t+1)＝xi(t)+vi(t+1)
其中，t是当前迭代次数，c1和c2是学习因子；vi(t+1)代表粒子i在第t+1次循环时的速度，vi(t)代表粒子i在第t次循环时的速度，xi(t+1)代表粒子i在第t+1次循环时的位置，xi(t)代表粒子i在第t次循环时的位置，pbest代表粒子i当前的局部最优位置，gbest代表粒子种群当前的全局最优位置。
8.根据权利要求1-7任一项所述的基于QPSO优化K-Means的ABAC模型，其特征在于，步骤(4)中对于AA组件中与原始访问请求匹配的属性，采用层次分析法，针对不同属性的重要程度，以权值的数值化形式将不同属性的重要程度进行量化，得到数值化的属性权值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010259186.8A CN111461237A (zh) | 2020-04-03 | 2020-04-03 | 一种基于QPSO优化K-Means的ABAC模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010259186.8A CN111461237A (zh) | 2020-04-03 | 2020-04-03 | 一种基于QPSO优化K-Means的ABAC模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111461237A true CN111461237A (zh) | 2020-07-28 |
Family
ID=71684418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010259186.8A Pending CN111461237A (zh) | 2020-04-03 | 2020-04-03 | 一种基于QPSO优化K-Means的ABAC模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111461237A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967046A (zh) * | 2020-08-17 | 2020-11-20 | 中国人民解放军战略支援部队信息工程大学 | 一种面向大数据资源的自适应访问控制方法 |
| CN117436063A (zh) * | 2023-09-22 | 2024-01-23 | 中国人民解放军战略支援部队信息工程大学 | 基于层次聚类和关系提取的abac策略生成方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101763476A (zh) * | 2009-12-25 | 2010-06-30 | 中国科学院计算技术研究所 | 多级安全策略转换方法 |
| CN101997876A (zh) * | 2010-11-05 | 2011-03-30 | 重庆大学 | 基于属性的访问控制模型及其跨域访问方法 |
| CN105678404A (zh) * | 2015-12-30 | 2016-06-15 | 东北大学 | 基于网购电和动态关联因子的微电网负荷预测系统及方法 |
| CN109711182A (zh) * | 2018-12-27 | 2019-05-03 | 中国电子科技集团公司第三十研究所 | 一种基于区块链的跨领域共享数据安全决策方法及模型 |
-
2020
- 2020-04-03 CN CN202010259186.8A patent/CN111461237A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101763476A (zh) * | 2009-12-25 | 2010-06-30 | 中国科学院计算技术研究所 | 多级安全策略转换方法 |
| CN101997876A (zh) * | 2010-11-05 | 2011-03-30 | 重庆大学 | 基于属性的访问控制模型及其跨域访问方法 |
| CN105678404A (zh) * | 2015-12-30 | 2016-06-15 | 东北大学 | 基于网购电和动态关联因子的微电网负荷预测系统及方法 |
| CN109711182A (zh) * | 2018-12-27 | 2019-05-03 | 中国电子科技集团公司第三十研究所 | 一种基于区块链的跨领域共享数据安全决策方法及模型 |
Non-Patent Citations (2)
| Title |
|---|
| 居红云: "无监督聚类算法和支持向量机及其应用研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
| 岳玮等: "基于改进K-Means算法的ABAC模型优化", 《山东理工大学学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111967046A (zh) * | 2020-08-17 | 2020-11-20 | 中国人民解放军战略支援部队信息工程大学 | 一种面向大数据资源的自适应访问控制方法 |
| CN111967046B (zh) * | 2020-08-17 | 2022-08-30 | 中国人民解放军战略支援部队信息工程大学 | 一种面向大数据资源的自适应访问控制方法 |
| CN117436063A (zh) * | 2023-09-22 | 2024-01-23 | 中国人民解放军战略支援部队信息工程大学 | 基于层次聚类和关系提取的abac策略生成方法及系统 |
| CN117436063B (zh) * | 2023-09-22 | 2024-05-31 | 中国人民解放军战略支援部队信息工程大学 | 基于层次聚类和关系提取的abac策略生成方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xie et al. | An efficient two-phase approach for reliable collaboration-aware service composition in cloud manufacturing | |
| CN110390345B (zh) | 一种基于云平台的大数据集群自适应资源调度方法 | |
| US6115708A (en) | Method for refining the initial conditions for clustering with applications to small and large database clustering | |
| CN113222096B (zh) | 一种面向云计算任务调度的改进粒子群算法 | |
| CN109002858B (zh) | 一种用于用户行为分析的基于证据推理的集成聚类方法 | |
| Gao et al. | A novel hybrid PSO-K-means clustering algorithm using Gaussian estimation of distribution method and Lévy flight | |
| CN113723514B (zh) | 一种基于混合采样的安全接入日志数据平衡处理方法 | |
| CN108805193A (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
| CN111461237A (zh) | 一种基于QPSO优化K-Means的ABAC模型 | |
| CN111459988A (zh) | 一种机器学习流水线自动化设计的方法 | |
| CN108833302A (zh) | 云环境下基于模糊聚类及严格双边匹配的资源分配方法 | |
| Metiaf et al. | Searching with direction awareness: Multi-objective genetic algorithm based on angle quantization and crowding distance MOGA-AQCD | |
| CN113255873A (zh) | 一种聚类天牛群优化方法、系统、计算机设备和存储介质 | |
| Jia et al. | Weighted k‐Prototypes Clustering Algorithm Based on the Hybrid Dissimilarity Coefficient | |
| CN111160461A (zh) | 基于模糊聚类的加权在线极限学习机大数据分类方法 | |
| CN114781611A (zh) | 自然语言处理方法、语言模型训练方法及其相关设备 | |
| Singhal et al. | Greedy shapley client selection for communication-efficient federated learning | |
| CN115690476A (zh) | 一种基于改进和声搜索算法的数据自动聚类方法 | |
| CN111966447A (zh) | 一种基于双排列遗传算法的容器放置方法 | |
| Hu et al. | Adaptive affinity propagation algorithm based on new strategy of dynamic damping factor and preference | |
| CN115658979A (zh) | 基于加权GraphSAGE的上下文感知方法、系统及数据访问控制方法 | |
| Wang et al. | Hierarchical Particle Swarm Optimization Based on Mean Value. | |
| Chen et al. | HSDP: a hybrid sampling method for imbalanced big data based on data partition | |
| Liu et al. | A novel fuzzy c-means clustering algorithm based on local density | |
| Tareq et al. | A new density-based method for clustering data stream using genetic algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201204 Address after: 610000, No. 6, pioneering Road, hi tech Zone, Sichuan, Chengdu Applicant after: The 30th Research Institute of China Electronics Technology Group Corporation Applicant after: CETC KEDA BIG DATA RESEARCH INSTITUTE Co.,Ltd. Address before: 610000, No. 6, pioneering Road, hi tech Zone, Sichuan, Chengdu Applicant before: The 30th Research Institute of China Electronics Technology Group Corporation |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |
|
| RJ01 | Rejection of invention patent application after publication |