一种异常网络协议地点简直定要领和装置-明略科技

首页明略研究一种异常网络协议地点简直定要领和装置

一种异常网络协议地点简直定要领和装置

2021-10-15

本申请提供了一种异常网络协议地点简直定要领和装置，，，，，属于智能营销手艺领域。。。。。。。要领包括：通过广告流量监测系统从流量日志中剖析出多类特征字段，，，，，其中，，，，，每类特征字段包括多个用户标识和每个用户标识对应的网络协议地点；；；；；；；；获取在相同时段内接纳目的网络协议地点的多个目的用户标识；；；；；；；；凭证多个目的用户标识和目的网络协议地点构建目的图谱；；；；；；；；将目的图谱输入目的图注重力网络，，，，，获得目的图注重力网络输出的标签数据；；；；；；；；在标签数据指示目的图谱中的目的网络协议地点异常的情形下，，，，，将目的网络协议地点确定为异常网络协议地点。。。。。。。本申请有使用查找玄色工业团伙的网络协议地点。。。。。。。

一种异常网络协议地点简直定要领，，，，，其特征在于，，，，，所述要领包括：通过广告流量监测系统从流量日志中剖析出多类特征字段，，，，，其中，，，，，每类所述特征字段包括多个用户标识和每个所述用户标识对应的网络协议地点；；；；；；；；获取在相同时段内接纳目的网络协议地点的多个目的用户标识；；；；；；；；凭证多个所述目的用户标识和所述目的网络协议地点构建目的图谱，，，，，其中，，，，，所述目的图谱包括多个目的节点，，，，，每个所述目的节点指示一个目的用户标识，，，，，每两个所述目的用户标识之间具有关联关系；；；；；；；；将所述目的图谱输入目的图注重力网络，，，，，获得所述目的图注重力网络输出的标签数据；；；；；；；；在所述标签数据指示所述目的图谱中的目的网络协议地点异常的情形下，，，，，将所述目的网络协议地点确定为异常网络协议地点。。。。。。。

申请号：CN202110815253.4
申请（专利权）人：btt博天堂
果真日期（果真）：2021.08.13
果真日期（授权）：2021.10.15

推荐阅读

全球双榜SOTA！明略科技专有大模子 Mano开启GUI智能操作新时代

2025-09-28

明略科技推出的GUI大模子Mano在Mind2Web和OSWorld两大基准测试中取得了创纪录的SOTA效果，，，，，乐成率抵达40.1%。。。。。。。通过在线强化学习和自动数据收罗，，，，，Mano为GUI智能体领域提供了可扩展的新范式，，，，，显著提升了重大使命的执行能力。。。。。。。该手艺的突破不但推动了自动化界线的扩展，，，，，也为企业智能化转型提供了强有力的支持

相识更多

官宣！明略科技推出专有大模子产品线DeepMiner，，，，，可信商业数据剖析智能体终于能用了！

2025-09-22

明略科技推出专有大模子产品线DeepMiner，，，，，以“可信智能体+可信数据”双轮驱动，，，，，解决企业智能体落地中幻觉率高、历程不透明等痛点。。。。。。。该产品通过多智能体协同架构、企业级数据整合及全流程透明化设计，，，，，降低幻觉率并支持知识沉淀，，，，，其自研Mano和Cito模子划分实现精准执行与深度推理，，，，，助力企业构建可信生产力。。。。。。。

相识更多

明略科技 Mano Technical Report

2025-09-18

Graphical user interfaces (GUIs) are the primary medium for human-computer interaction, yet automating GUI interactions remains challenging due to the complexity of visual elements, dynamic environments, and the need for multi-step reasoning. Existing methods based on vision-language models (VLMs) often suffer from limited resolution, domain mismatch, and insufficient sequential decisionmaking capability. To address these issues, we propose Mano, a robust GUI agent built upon a multi-modal foundation model pre-trained on extensive web and computer system data. Our approach integrates a novel simulated environment for high-fidelity data generation, a three-stage training pipeline (supervised fine-tuning, offline reinforcement learning, and online reinforcement learning), and a verification module for error recovery. Mano demonstrates state-of-the-art performance on multiple GUI benchmarks, including Mind2Web and OSWorld, achieving significant improvements in success rate and operational accuracy. Our work provides new insights into the effective integration of reinforcement learning with VLMs for practical GUI agent deployment, highlighting the importance of domain-specific data, iterative training, and holistic reward design.

相识更多

上一篇：超AI说｜从大海捞针到按图索骥，，，，，厘清重大的银行风控场景

下一篇：知识组块提取要领、装置、电子装备和存储介质

返回行业资讯