异常流量的检测要领和装置、电子装备和存储介质-明略科技

首页明略研究异常流量的检测要领和装置、电子装备和存储介质

异常流量的检测要领和装置、电子装备和存储介质

2021-11-23

本申请提供了一种异常流量的检测要领和装置、存储介质和电子装备，，，，，其中，，，，，该要领包括：获取终端荟萃中的移动终端会见网页荟萃中的目的网页爆发的网络流量；；；；；；；；凭证移动终端的终端IP地点和目的网页的网页IP地点中的恣意之一，，，，，凭证会见时间对所有网络流量的会见纪录举行排序，，，，，获得多个纪录序列，，，，，其中，，，，，一个纪录序列中凭证会见时间生涯有统一终端IP地点下的多条会见纪录、或生涯有统一网页IP地点下的多条会见纪录；；；；；；；；通过对多个纪录序列的时序数据特征举行剖析，，，，，确定多个纪录序列中的目的志录序列，，，，，将目的志录序列中会见纪录对应的网络流量作为异常流量。。。。。通过本申请，，，，，解决了相关手艺中保存的对异常流量检测的泛化性较差的问题。。。。。

一种异常流量的检测要领，，，，，其特征在于，，，，，所述要领包括：获取终端荟萃中的移动终端会见网页荟萃中的目的网页爆发的网络流量，，，，，其中，，，，，所述终端荟萃包括多个移动终端，，，，，所述网页荟萃中包括多个目的网页，，，，，所述目的网页用于提供目的产品的推广媒体信息，，，，，所述网络流量包括体现所述移动终端会见所述目的网页的会见纪录和会见时间；；；；；；；；凭证所述移动终端的终端IP地点和所述目的网页的网页IP地点中的恣意之一，，，，，凭证会见时间对所有网络流量的会见纪录举行排序，，，，，获得多个纪录序列，，，，，其中，，，，，一个纪录序列中凭证会见时间生涯有统一终端IP地点下的多条会见纪录、或生涯有统一网页IP地点下的多条会见纪录；；；；；；；；通过对多个所述纪录序列的时序数据特征举行剖析，，，，，确定多个所述纪录序列中的目的志录序列，，，，，将所述目的志录序列中会见纪录对应的网络流量作为异常流量，，，，，其中，，，，，所述目的志录序列的时序数据特征与多个所述纪录序列中除所述目的志录序列以外的纪录序列的时序数据特征差别，，，，，所述异常流量用于体现对所述移动终端的会见行为或所述目的网页的被会见行为为异常行为。。。。。

申请号：CN202110821472.3
申请（专利权）人：btt博天堂
果真日期（果真）：2021.08.17
果真日期（授权）：2021.11.23

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：一种媒体数据投放要领

下一篇：明略科技入选Forrester Wave 2021第四序度亚太地区企业诓骗治理报告

返回行业资讯