基于深度学习与工业服务器的云检测系统应用研究

为了解决工业质检场景中误检率高、直通率低,以及导入检测设备难升级的问题,基于局域网工业服务器的硬件方案,收集误检图像和缺陷图像,对其完成标注,并以负载均衡和并发稳定为目的规划云检测系统。基于深度学习的人工智能降误判模型,对各种误判图像进行学习训练,建立高直通率、低误判的检测机制。首先,进行以服务器与通信媒介为基础的云检测系统硬件选型,建立上下位机的数据通信规则、数据发送接收格式规则。然后,开发云检测系统的五大模块:上位机接收模块、上位机分析模块、上位机发送模块、下位机发送模块、下位机接收模块,整合为一个云检测系统平台。最后,基于大数据缺陷学习,调用AI学习软件平台生成的降误判模型,供云检测系统使用,并集成在系统中。实验测试结果显示:系统有利于在设备改造升级场景中降低缺陷误判,为高性能云检测系统的推广奠定解决方案基础。

关于云环境下共存攻击多目标响应策略机器学习模式的研究

云环境可以通过虚拟化技术共享软硬件资源,但是使用者在使用虚拟化平台时可能会面临额外的安全威胁。共存攻击是指攻击者利用共享基础设备的特性,来攻击共存在同一实体机上的其他虚拟机。使用机器学习来训练云环境共存攻击多目标响应系统,以最小成本和最小威胁检测目标共存攻击。实验结果显示,该模型具有2000倍加速比的效率提升,同时获得87.9%高准确度的解答,在响应策略与时间效率上取得平衡。