分类
外匯交易

基于这个指标的策略效果更好

Portugal Têxtil

A empresa especialista em fitas tem uma nova linha de transferes para personalizar os artigos para o cliente e está a efetuar novos investimentos em equipamentos, num ano em que o objetivo da Artefita 基于这个指标的策略效果更好 é consolidar o crescimento registado em 2021 e atingir os 10 milhões de euros de volume de negócios.

基于这个指标的策略效果更好

教育信息化教学应用实践共同体项目

在谋划期,学校从组织的基础业务(教、学、管理、服务、决策支持等)出发,进行全新顶层设计。如通过财务系统,从财务预算、执行、评价、反馈等全周期,获取财务及相关的数据,完成对组织财务、KPI指标等基础数据的整合与治理。再如,从人才或人力资源的角度,从学生或员工的招生 / 录用、培养 / 培训、考试 / 考核、综合评价 / 社会评价,完成学生、员工及相关数据的获取,达到学校培养效果的最优或师资力量的最强。

从 Cookie 到设备 ID,从算法到云 + 端!一文看懂设备指纹的发展

第二,随着各手机厂商对权限的收紧和隐私政策的出台,可采集的信息逐步受限,像 IMEI、MAC、IDFA 就存在采集率的问题,当应用的安装量达到一定数量后,会发现采集率不到 80%,而且采集到的数据质量也存在各种问题,比如会出现这样的 MAC 地址:“00:00:00:00:00:00”、“00-00-00-00-00-00-00-00-00-00-00-00-00-00-00-00”、“ff:ff:ff:ff:ff:ff”,所以在保证指纹稳定性上需要持续投入时间和精力去研究。

如顶象设备指纹,本身就是防御云的一部分。顶象设备指纹集成业务安全情报、云策略和数据模型,通过对上网软硬件生成唯一指纹信息,支持安卓、iOS、H5、公众号、小程序,可有效侦测模拟器、刷机改机、ROOT 越狱、劫持注入等风险。内嵌业务安全情报中心,24 个行业风险情报信息第一时间触达,帮助安全运维人员及时了解安全态势; 集成安全云策略服务,全网的风险策略实时升级,为安全运维提供最新的防控思路; 搭载 AI 模型建设模块,实时沉淀业务风险数据,通过有监督和无监督的机器学习威胁行为建模,挖掘潜在风险,实现防控规则升级迭代,提升风险防控与攻击防御能力。

风险识别能力。设备智能需要具备对设备基础环境和运行期的安全检测能力,能精准识别模拟器、root、越狱、调试、代码注入、多开、VPN 代理等风险。例如,iOS 平台 hook、越狱行为,安卓 root、debug、内存 dump、注入、多开、模拟器、漏洞攻击等风险行为,WEB 平台下浏览器颜色深度、分辨率,浏览器与系统、UA 的匹配性和一致性、cookie 是否禁用等行为。

99% 以上稳定性和 100% 的唯一性。设备指纹自身 SDK 代码需要进行保护,防止采集逻辑被破解和出现数据伪造,从数据采集源头上保证真实性和准确性。不管对设备参数进行篡改伪造 (篡改 IMEI、MAC 地址、AndroidId、SIM 卡信息、机型、品牌等),或是禁用、清除缓存和 cookie,设备指纹都要保持不变,稳定性至少要保持在 99% 以上。任意两台设备的指纹不能相同,不发生碰撞,为每一台设备生成的设备指纹 ID 需要全球唯一,并且不可被篡改,唯一性上要保证在 100%。

2、临时用户 ID。在一些业务场景允许用户以游客的身份进行访问和使用,此时业务后台可获取用户的信息很有限,通过设备指纹技术将设备 ID 作为临时用户 ID。比如,在线游戏的游客可以使用临时用户 ID,快速体验游戏,游戏的进度、装备、等级等信息可以保存在游客的临时用户 ID 下,待游客转换为正式用户后,自动合并先前的游戏进度等信息到正式用户信息内。

3、数据标记与关联分析。在大数据分析和机器学习场景,设备指纹可以作为最基础的字段,提供另一个维度来观察业务指标数据,进行关联分析。比如,通过设备指纹 ID,分析活跃设备数、新增设备数、用户使用的机型分布、同一个设备上交易笔数和金额、同一个设备上访问的用户数等。在关系网的构建上,除了使用用户手机号、卡号等作为节点,也可以把设备 ID 作为节点,观察用户间的关系。

(1) 识别机器攻击。机器攻击 / 脚本攻击一般是通过编写自动化脚本或工具,批量化和自动化的向目标网站发起请求,通过使用设备指纹技术,能够很好的识别是否机器、脚本发起的请求。

(2) 识别虚假注册 / 恶意登录。利用设备指纹技术,可以识别模拟器上的账号注册、同设备一定时间段内的大量注册,以及注册的设备是否有高风险。同样,在登录场景有效识别统一设备上频繁登录尝试、撞库风险,记录识别登录设备是否有短时间内的漂移、是否频繁切换等。

(5) 识别模拟器 / 调试等风险。设备指纹技术能够有效检测到设备终端环境和运行期风险,如,模拟器、越狱、调试、注入、攻击框架等。

设备指纹可集成于 App、小程序、网站等不同平台,集成的方式是 SDK。以 Android 系统为例,设备指纹通常采用 aar 包 (Android Archiv,安卓库项目的二进制归档文件) 方式进行提供的 SDK,也会次啊应 aar 包和 SO 文件 (动态链接库) 进行结合集成的设备指纹 SDK。

3、然后,设备指纹后台对数据进行权重设置和匹配。部分数据字段参与指纹计算的权重会高一些,部分字段参与计算的权重会低一些或者不参与计算。并对一些字段会做一些分析和相似性计算,进行去重等处理,最后综合生成或关联一个设备 ID,作为该次请求设备的指纹,并将生成的设备 ID 进行持续化保存,供后续使用。

An unsupervised unimodal registration method based on Wasserstein Gan

本文提出一种基于Wasserstein Gan的无监督单模配准方法。与现有的基于深度学习的单模配准方法不同,本文的方法完成训练不需要Ground truth和预设的相似性度量指标。本文方法的主要结构包括生成网络和判别网络。首先,生成网络输入固定图像(正例图像)和浮动图像并提取图像间潜在的形变场,通过插值方式预测配准图像(负例图像);然后,判别网络交替输入正例图像和负例图像,判断图像间的相似性,并将判断结果作为损失函数反馈,进而驱动网络参数更新;最后,通过对抗训练,生成网络预测的配准图像能欺骗判别网络,网络收敛。实验中随机选取30例LPBA40脑部数据集、25例EMPIRE10肺部数据集和15例ACDC心脏数据集用作训练数据集,然后将剩下的10例LPBA40脑部数据集、5例EMPIRE10肺部数据集和5例ACDC心脏数据集用作测试数据集。配准结果与Affine算法、Demons算法、SyN算法和VoxelMorph算法对比。实验结果显示,本研究算法的DICE系数(DSC)和归一化相关系数(NCC)评价指标均是最高,表明本文方法的配准精度高于Affine算法、Demons算法、SyN算法和目前无监督的SOTA算法VoxelMorph。

Abstract

We propose an unsupervised unimodal registration method based on Wasserstein Gan. Different 基于这个指标的策略效果更好 from the existing registration methods based on deep learning, the proposed method can finish training without ground truth or preset similarity metrics. The network is composed of a generation network and a discrimination network. The generation network extracts the potential deformation fields between fixed images (positive images) and 基于这个指标的策略效果更好 moving images, and predicts the registered images (negative images) by interpolation; the discrimination network then judges the similarity between the positive images and negative images that are input alternately, and feeds back the judgment result as a loss function to drive the network parameter update. Finally, through adversarial training, the registration image generated by the generation network deceives the discrimination network and the network converges. In the experiment, we randomly selected 30 cases of LPBA40 brain dataset, 25 cases of EMPIRE10 lung dataset and 15 cases of ACDC heart dataset as the training 基于这个指标的策略效果更好 datasets, with 10 cases of LPBA40 brain dataset, 5 cases of EMPIRE10 lung dataset and 5 cases of ACDC heart dataset as the test datasets. The results of registration were compared with those obtained using Affine algorithm, Demons algorithm, SyN algorithm and VoxelMorph algorithm. The DICE coefficient (DSC) and the normalized correlation coefficient (NCC) evaluation index of the proposed algorithm were the highest, indicating a better registration accuracy of our method than Affine algorithm, Demons algorithm, SyN algorithm and the current unsupervised SOTA algorithm VoxelMorph.

在临床应用中,精确地完成术前图像和术中图像的配准是准确定位病灶与手术成功的关键。传统的配准方法包括使用b-spline的Elastix [1] 、光流模型Demons [2] 和标准对称归一化SyN算法 [3] 等通过参数或非参数的迭代优化建立待配准图像间的空间变换函数,但这些方法需要进行高维的数值优化,导致配准速度慢,计算成本高。而基于深度学习的配准方法研究思路主要有两个:基于卷积神经网络优化策略的配准方法 [4-5] ;基于卷积神经网络直接估计配准变换参数的方法 [6-8] 。基于卷积神经网络优化策略的配准方法虽然能提高配准指标,但是未考虑待配准图像中存在的噪声和伪影,训练中难以保证导数能平滑地优化,导致很难获得良好对齐的图像。基于卷积神经网络直接估计配准变换参数的方法包括基于CNN回归配准方法和基于CNN端到端配准方法。基于CNN回归配准方法通过训练CNN回归器来估计待配准图像间潜在的变换参数 [7] ,这种方法虽然能解决速度慢、捕获范围小的问题,但不足之处是不能应用到形变图像配准中。目前,基于CNN端到端配准方法主要分为有监督的和无监督的配准方法。有监督的配准方法在训练中使用Ground truth惩罚网络输出和期望输出之间的差异 [9-11] ,但这种方法受到Grouth truth标签数据短缺的限制,导致实际可用性变差。而无监督的配准方法旨在没有金标准的情况下,通过优化配准图像和目标图像间预设的相似性度量指标完成训练 [13, 16] ;如将可微分的STN网络插入到CNN中的VoxelMorph算法 [14, 15] 。这种无监督配准方法的不足之处是面对不同的配准目的,最终难以确定一个最有效的相似性度量指标,可能导致配准效果变差。

医学图像配准过程中,个体解剖图像与标准图谱之间出现较大形变和复杂形变是不可避免的,这种现象会增加配准难度,导致很难获得病灶区域全面的形变特征。受生成对抗网络能利用密度比估计最大化数据分布的概率密度 [17] ,从而能显著提高网络特征提取能力的启发,若能在无监督配准策略的前提下,用对抗相似性替代预设的相似性度量指标完成配准图像和标准图谱间的相似性判断,算法能更加精确地进行特征值提取、特征值差异对比,进而完成较大形变和复杂形变的配准;此外,训练中还会因为病理样本数据不足、病理样本数据不均衡问题导致网络出现过拟合现象,但生成对抗网络 [18] 强大的图像生成能力,可以帮助解决训练样本不足的问题。

因此,本文提出一种基于Wasserstein Gan [19] 的无监督单模配准方法。该方法首先利用生成网络完成图像配准,以便向判别网络提供输入(作为负例图像),然后判别网络负责判断输入图像间的相似性,并向训练中的网络提供反馈信息,进而更新优化网络参数,驱动生成网络训练。最后为了避免生成对抗训练中常出现的梯度消失或爆炸的现象,设置梯度惩罚函数 [20] ,提高训练的稳定性。