一种基于深度学习的制造技术

本发明专利技术公开了一种基于深度学习的

【技术实现步骤摘要】
一种基于深度学习的PCR
‑
Windows电脑垃圾弹窗消杀方法


[0001]本专利技术涉及一种
Windows
电脑垃圾弹窗消杀方案，尤其涉及到结合人工智能
(
如深度学习
)
和网络的融合
Windows
电脑垃圾弹窗消杀方案
。

技术介绍

[0002]从
2012
年，
Alex
提出
AlexNet
以来，深度学习就进入了快车道，尤其是以卷积神经网络为基础的图像识别技术，
VGG
提出了卷积块的概念，
GoogleNet
提出了多块结合的想法，而
ResNet
提出了残差结构，使得更深的网络可以更快地被训练
。
[0003]日常生活中，
Windows
电脑是我们学习，工作和娱乐进场使用的系统，正因为用户基数大，使得各种垃圾弹窗，如广告，污秽信息充斥着整个
Windows
系统，这些垃圾弹窗会在用户在日常的电脑使用猝不及防地弹出来，影响用户体验，用户不得不手动地一个一个弹窗的点击关闭
。
[0004]虽然国内的杀毒软件，例如
360、
腾讯管家以及火绒都提供了弹窗拦截的功能，但是只能拦击特定规则的垃圾弹窗且对弹窗不具识别能力
。

技术实现思路

[0005]本专利技术的目的在于克服以上所述技术的不足，本专利技术提供了一种基于深度学习的 PCR Windows
电脑垃圾弹窗消杀方法，该专利技术融合了深度学习技术
、
网络传输技术和
Windows API
等相关技术，不仅可以有效识别并消杀弹窗，同时还具有部署简单
、
无其他捆绑软件等优点，大幅度提升了用户日常使用
Windows
电脑的体验
。
[0006]为实现上述目标，本专利技术提出了一种基于深度学习的
PCR Windows
电脑垃圾弹窗消杀方法，所述专利技术包括电脑弹窗预测模型
、
本地弹窗消杀系统；所述的电脑弹窗预测模型系统和本地弹窗消杀系统都是通过网络
(
准确来说是
TCP)
协议进行双向通信，本地弹窗消杀系统通过
HTTPs
协议向电脑弹窗预测模型系统
POST 输入
(
窗口图片和标签
)
，而电脑弹窗预测模型系统通过
Websockets
协议与本地弹窗消杀系统通信，更新本地弹窗消杀系统的模型参数；如果存在网络不通的情况，本地弹窗系统可根据窗口名等一系列简单规则简单判断窗口是否为垃圾弹窗，如果判断不了，则会把窗口图片缓存，同时提供一个选项供用户判断这个窗口是否为弹窗，待网络通常后会继续通过
HTTPs
协议继续与电脑弹窗预测系统通信
。
[0007]所述的
HTTPs
是是一种通过计算机网络进行安全通信的传输协议，
HTTPs
经由 HTTP
进行通信，但利用
SSL/TLS
来加密数据包
。HTTPs
开发的主要目的，是提供对网站服务器的身份认证，保护交换资料的隐私与完整性
。HTTPs
的主要作用是在不安全的网络上创建一个安全信道，并可在使用适当的加密包和服务器证书可被验证且可被信任时，对窃听和中间人攻击提供合理的防护，使用
HTTPs 能使得窗口图片与窗口标签安全传输到云端
。
[0008]所述的
Websockets
是经由
Websocket
进行通信，但利用
SSL/TLS
来加密数据包
。 WebSocket
是一种网络传输协议，可在单个
TCP
连接上进行全双工通信，位于 OSI
模型的应
用层
。WebSocket
使得客户端和服务器之间的数据交换变得更加简单，允许服务端主动向客户端推送数据
。
在
WebSocket API
中，浏览器和服务器只需要完成一次握手，两者之间就可以创建持久性的连接，并进行双向数据传输
。
传递模型参数选择
Websockets
协议有两个原因：一
、
可以使得模型参数在一个安全的通信信道进行传输；二
、
便于服务器主动推送信息给本地的
EXE
程序
。
所述的电脑弹窗预测模型系统是部署在云端的一个深度学习训练模型与一个人工标注系统，电脑弹窗预测模型系统具有和本地弹窗消杀系统通信的能力，深度学习模型使用卷积神经网络抽取窗口图片不同维度的特征，这里选择
ResNet50 网络模型，由于使用的深度学习训练模型为有监督训练，对于那些只有窗口图片而没有标签的输入来说，需要一个人工标注系统来标注它们的标签，有了窗口图片和标签才能被送入深度学习训练模型进行训练
。
[0009]所述的
ResNet50
是一种深度学习框架下的卷积神经网络，结合深度学习的经验，网络的层越多，模型越复杂，对问题的拟合程度也就越高，而给网络叠加更多的层后，性能却快速下降，并且带来梯度消失和梯度爆炸问题，
ResNet
提出了一种残差结构，可以让模型的层快速增加而训练性能依旧保持稳定
。
残差结构的核心公式如下：
[0010]H(x)
＝
F(x)+x
[0011]可以拟合的函数为
F(x)
，如果期望的潜在映射为
H(x)
，与其让
F(x)
直接学习潜在的映射，不如去学习残差
H(x)
‑
x
，即
F(x):
＝
H(x)
‑
x
，这样原本的前向路径上就变成了
F(x)+x
，用
F(x)+x
来拟合
H(x)。
[0012]ResNet50
使用其在
ImageNet
上的预训练参数作为初始化参数；然后接两个全连接层作为分类器，最终得到窗口为垃圾弹窗的概率
。
模型训练的损失函数如下
(h_ θ
为模型的输出，
y
为实际的值
)
：
[0013][0014]所述的本地弹窗消杀系统为一个
Windows
的
EXE
程序，本地弹窗消杀系统具有与电脑弹窗预测模型系统通信的能力
、
提供锚框供用户判断窗口是否为垃圾弹窗的能力
、
简单地根据一定规则判断窗口是否为垃圾弹窗地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的
PCR
‑
Windows
电脑垃圾弹窗消杀方法，其特征在于，所述方法包括：本地采集到疑似垃圾弹窗截图，上传到云端；通过对采集的图片利用深度学习技术进行分类得到模型；模型下发到本地，本地通过模型预测弹窗是否为垃圾弹窗，如果预测为垃圾弹窗的概率高于
95
％，则利用
Windows API
进行窗口的消杀；本地可以简单离线消杀弹窗
(
在网络不通的情况下
)。2.
如权利要求1所述的疑似垃圾弹窗包括各种广告弹窗
、
各种污秽信息弹窗
、
各种病毒弹窗
。3.
如权利要求1所述的图片上传技术采用
HTTPs
协议中的
POST
方法<...

【专利技术属性】
技术研发人员：陈阳，陈瑞爱，罗笑南，徐颂华，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：