NI-LabVIEW 2025

最新設(shè)計(jì)資源

數(shù)字經(jīng)濟(jì)下平臺(tái)數(shù)據(jù)壟斷合規(guī)的理?yè)?jù)與路徑[其他][其他]

數(shù)據(jù)要素的非競(jìng)爭(zhēng)性、非排他性因平臺(tái)壟斷意圖逐漸異化，并誘發(fā)算法共謀、大數(shù)據(jù)殺熟、平臺(tái)扼殺式并購(gòu)等反競(jìng)爭(zhēng)行為?；诰S護(hù)數(shù)據(jù)市場(chǎng)交易秩序的現(xiàn)實(shí)需要、競(jìng)爭(zhēng)倡導(dǎo)理論的法理支撐以及域外數(shù)據(jù)合規(guī)監(jiān)管的經(jīng)驗(yàn)參考，平臺(tái)數(shù)據(jù)壟斷合規(guī)具有適用的可行性與必要性。然而，平臺(tái)數(shù)據(jù)壟斷合規(guī)往往因頂層規(guī)范缺失、規(guī)則模糊以及監(jiān)管機(jī)制弱化等無(wú)法實(shí)現(xiàn)預(yù)期效果。對(duì)此，應(yīng)細(xì)化“數(shù)據(jù)反壟斷合規(guī)指南”的設(shè)計(jì)邏輯指引合規(guī)，區(qū)分不同類型數(shù)據(jù)權(quán)屬以明確數(shù)據(jù)流通規(guī)則，依據(jù)數(shù)據(jù)流通的不同環(huán)節(jié)形塑數(shù)據(jù)競(jìng)爭(zhēng)合規(guī)評(píng)價(jià)標(biāo)準(zhǔn)，銜接事前監(jiān)管與事后監(jiān)管理念促進(jìn)監(jiān)管理念革新，并依托人工智能算法技術(shù)賦能監(jiān)管方式轉(zhuǎn)型。

發(fā)表于：7/29/2024

基于條件設(shè)置的主數(shù)據(jù)編碼規(guī)則應(yīng)用與研究[其他][其他]

在主數(shù)據(jù)的標(biāo)準(zhǔn)化建設(shè)過(guò)程中，往往面臨著諸如一物多碼，一碼多物等數(shù)據(jù)編碼不一致問(wèn)題。主數(shù)據(jù)編碼標(biāo)準(zhǔn)定義了主數(shù)據(jù)的分類和編碼規(guī)則，是進(jìn)行信息交換和資源共享的重要前提。然而，在企業(yè)正式構(gòu)建主數(shù)據(jù)管理平臺(tái)之前，往往就已經(jīng)存在了大量的業(yè)務(wù)系統(tǒng)，這些系統(tǒng)通常由不同的廠家構(gòu)建，采用的數(shù)據(jù)標(biāo)準(zhǔn)不一，不同系統(tǒng)之間缺乏銜接點(diǎn)。針對(duì)上述問(wèn)題，提出一種基于條件設(shè)置的主數(shù)據(jù)編碼規(guī)則配置方法，對(duì)主數(shù)據(jù)模型的編碼規(guī)則進(jìn)行統(tǒng)一管理，解決了復(fù)雜業(yè)務(wù)場(chǎng)景下同一個(gè)主數(shù)據(jù)模型屬性需要配置不同的編碼規(guī)則問(wèn)題。最后使用 Spring Security 和 MyBatis 框架，對(duì)該方法進(jìn)行實(shí)現(xiàn)。通過(guò)在南京地鐵主數(shù)據(jù)管理平臺(tái)中的實(shí)際應(yīng)用，結(jié)果表明該方法合理可行，有效地提高了數(shù)據(jù)治理的性能。

發(fā)表于：7/29/2024

基于Boosting集成學(xué)習(xí)的風(fēng)險(xiǎn)URL檢測(cè)研究[通信與網(wǎng)絡(luò)][信息安全]

隨著互聯(lián)網(wǎng)的不斷發(fā)展，網(wǎng)站數(shù)量不斷增長(zhǎng)，URL作為訪問(wèn)網(wǎng)站的唯一入口，成為Web攻擊的重點(diǎn)對(duì)象。傳統(tǒng)的URL檢測(cè)方式主要是針對(duì)惡意URL，主要方法是基于特征值和黑白名單，容易產(chǎn)生漏報(bào)，且對(duì)于復(fù)雜URL的檢測(cè)能力不足。為解決上述問(wèn)題，基于集成學(xué)習(xí)中的Boosting思想，提出一種針對(duì)業(yè)務(wù)訪問(wèn)的風(fēng)險(xiǎn)URL檢測(cè)的混合模型。該模型前期將URL作為字符串，使用自然語(yǔ)言處理技術(shù)對(duì)其進(jìn)行分詞及向量化，然后采用分步建模法的思想，首先利用GBDT算法構(gòu)建二分類模型，判斷URL是否存在風(fēng)險(xiǎn)，接著將風(fēng)險(xiǎn)URL原始字符串輸入到多分類模型中，利用XGBoost算法對(duì)其進(jìn)行多分類判定，明確風(fēng)險(xiǎn)URL的具體風(fēng)險(xiǎn)類型，為安全分析人員提供參考。在模型構(gòu)建過(guò)程中不斷進(jìn)行參數(shù)調(diào)優(yōu)，并采用AUC值和F1值分別對(duì)二分類模型和多分類模型進(jìn)行評(píng)估，評(píng)估結(jié)果顯示二分類模型的AUC值為98.91%，多分類模型的F1值為0.993，效果較好。將其應(yīng)用到實(shí)際環(huán)境中，與現(xiàn)有檢測(cè)手段進(jìn)行對(duì)比，發(fā)現(xiàn)模型的檢出率高于現(xiàn)有WAF和APT安全設(shè)備，其檢測(cè)結(jié)果彌補(bǔ)了現(xiàn)有檢測(cè)手段的漏報(bào)。

發(fā)表于：7/29/2024