国防科大等提出 ValQID：按语义问题价值分配算力识别 Web 设备
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
Web 界面被广泛用于访问网络服务和管理联网设备，判断界面背后设备的厂商与类型，是资产盘点、安全管理和风险评估的基础环节。难点在于身份线索并不集中：它们散落在页面文本、配置字段和管理功能里，往往还要把相关的 Web 对象关联起来才能读懂。不同响应和对象所需的语义分析量并不相同，若把所有候选内容都处理一遍，会带来不必要的计算开销。论文正是针对这一矛盾提出方法。
方法如何分配算力
ValQID 先用关系图把分散的设备身份线索组合到一起，再借助 DSEJEV 高效评估语义问题，并在估算某个问题的计算价值时，把语义问题之间的互补性一并纳入考虑。在此基础上，方法根据当前的识别状态，对每一组问题权衡预期识别收益与执行成本，把算力自适应地投向更有价值的问题组，最终给出设备厂商与类型的判断。这一思路的核心是不对所有候选内容平均用力，而是按边际收益决定处理顺序与深度。
实测结果
在真实 Web 响应数据上的评测显示，与已有先进方法相比，ValQID 的联合 macro-F1 相对提升最高 47.1%；在出现频率较低的厂商类别上，macro-F1 的相对提升最高达到 82.1%，说明该方法对样本稀少的厂商识别改善更明显。效率方面，DSEJEV 的语义处理速度最高可达通用语言模型的 8.58 倍，为在有限算力下处理大量候选内容提供了支撑。论文以预印本形式发布，附有 PDF 与实验性 HTML 版本。
为什么值得看
把语义问答的算力按预期收益分配，给出可量化的识别精度与加速比，对做设备资产测绘与安全管理的团队有直接参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。