一种数据流的调度方法和装置
    1.
    发明公开

    公开(公告)号:CN118353847A

    公开(公告)日:2024-07-16

    申请号:CN202410380027.1

    申请日:2024-03-29

    IPC分类号: H04L47/24 H04L47/125

    摘要: 本发明公开了一种数据流的调度方法和装置,该方法包括:根据数据流的多种流量属性数据,计算数据流的优先级;根据优先级,选择待传输的目标数据流,所述目标数据流具有传输路径;根据传输路径中的多种链路属性数据,计算传输路径的传输代价;根据传输代价,选择待使用的目标传输路径;将所述目标数据流分配到所述目标传输路径上。本发明可以准确、合理地计算数据流的优先级以及传输路径的传输代价,从而可以准确、合理地将目标数据流分配至目标传输路径上,避免了数据流调度中的不均衡问题,提高了数据中心内部数据流的传输性能。

    基于主机的入侵检测方法及装置

    公开(公告)号:CN113868646A

    公开(公告)日:2021-12-31

    申请号:CN202110901411.8

    申请日:2021-08-06

    IPC分类号: G06F21/56 G06K9/62

    摘要: 本发明提供一种基于主机的入侵检测方法及装置,方法包括:建立正常行为模式规则库和入侵行为模式规则库;检测当前主机行为的行为样本数据信息,将所述行为样本数据信息分别与正常行为模式规则库和入侵行为模式规则库进行匹配;判断出所述行为样本数据信息与所述正常行为模式规则库和所述入侵行为模式规则库均不匹配,则分别计算所述样本行为分别与所述正常行为模式和所述入侵行为模式的亲和度;根据所述亲和度判断所述样本行为是否为入侵行为。本发明能够根据亲和度大小推断样本行为属于正常行为或是入侵行为,提高主机的入侵检测的准确性和合理性。

    一种设备交互方法、装置、电子设备和计算机存储介质

    公开(公告)号:CN113660233A

    公开(公告)日:2021-11-16

    申请号:CN202110906810.3

    申请日:2021-08-09

    IPC分类号: H04L29/06 H04L29/08

    摘要: 本申请提供了一种设备交互方法、装置、电子设备和计算机存储介质,其中,该方法包括:接收第一目标设备请求与第二目标设备进行通信的通信请求,其中,第一目标设备与第二目标设备是已在控制中心完成注册的设备;根据第二目标设备在控制中心注册时的注册信息和第一目标设备的身份凭证,生成本次通信的第一共享会话密钥;根据第一目标设备在控制中心注册时的注册信息和第二目标设备的身份凭证,生成本次通信的第二共享会话密钥;在第一共享会话密钥与第二共享会话密钥相同的情况下,确定验证通过,建立第一目标设备与第二目标设备之间的通信。通过上述方案达到了在保证数据安全可靠的前提下,防止数据源设备的身份被冒用和泄露的效果。

    基于主机的入侵检测方法及装置

    公开(公告)号:CN113868646B

    公开(公告)日:2024-04-26

    申请号:CN202110901411.8

    申请日:2021-08-06

    IPC分类号: G06F21/56 G06F18/22

    摘要: 本发明提供一种基于主机的入侵检测方法及装置,方法包括:建立正常行为模式规则库和入侵行为模式规则库;检测当前主机行为的行为样本数据信息,将所述行为样本数据信息分别与正常行为模式规则库和入侵行为模式规则库进行匹配;判断出所述行为样本数据信息与所述正常行为模式规则库和所述入侵行为模式规则库均不匹配,则分别计算所述样本行为分别与所述正常行为模式和所述入侵行为模式的亲和度;根据所述亲和度判断所述样本行为是否为入侵行为。本发明能够根据亲和度大小推断样本行为属于正常行为或是入侵行为,提高主机的入侵检测的准确性和合理性。

    一种支持隐私保护个性化的可信联邦图神经网络框架构建方法

    公开(公告)号:CN117521777A

    公开(公告)日:2024-02-06

    申请号:CN202311328814.3

    申请日:2023-10-15

    IPC分类号: G06N3/098 G06N3/048 G06F21/62

    摘要: 本发明提出一种支持隐私保护个性化的可信联邦图神经网络框架构建方法。由于现有的拜占庭鲁棒FL(Federal Learning)方法仍然很容易受到恶意客户端的局部模型中毒攻击,最重要原因在于整个联邦学习的过程中,没有一个可靠的参照基准衡量哪一个客户端的模型梯度是可信的。本发明提出了一种新的支持隐私保护个性化的可信联邦图神经网络框架,包含一种新的拜占庭鲁棒FL聚合规则,即学习服务器就像客户端维护本地模型一样为学习任务预备了一个可信的训练数据集,称为根数据集,且学习服务器为根数据集维护一个模型,称为服务器模型。使用新的聚合规则,在从客户端接收到的梯度进行汇总时,将其与服务器模型进行比对和筛选,最终以实现针对恶意客户端的拜占庭鲁棒性。