-
公开(公告)号：CN113239329A
公开(公告)日：2021-08-10
申请号：CN202110440695.5
申请日：2021-04-23
Applicant: 南京大学
Abstract: 本发明公开一种用于移动端应用程序的可信执行环境的实现系统，其特征在于，包括移动端设备侧和应用程序开发者侧；所述移动端设备侧包括普通世界非安全敏感环境、普通世界可信执行环境和安全世界；所述普通世界非安全敏感环境包括不可信操作系统、可信执行环境管理模块和非安全敏感应用程序；所述普通世界可信执行环境包括安全操作系统、系统管理模块和安全敏感应用程序；所述安全世界包括可信操作系统、完整性验证模块、可信应用程序、EL3安全监视器；所述EL3安全监视器包括ARM可信固件、中断管理模块、页表管理模块、系统启动模块、系统关闭模块、外设访问模块、资源调整模块；所述应用程序开发者侧包括应用程序拆分模块、库生成模块。
-
公开(公告)号：CN113204750B
公开(公告)日：2023-11-17
申请号：CN202110590888.9
申请日：2021-05-28
Applicant: 南京大学
IPC: G06F21/32 , G06F18/241 , G06F18/214 , G06N3/0464 , G06N3/08 , G06N5/04
Abstract: 本发明公开一种基于用户意图的安卓资源权限动态管理系统及其实现方法，基于用户在操作智能手机的触摸行为数据，将数据抽象提取特征并使用机器学习的算法模型，最终推断出用户权限请求，来帮助权限系统做出准确的管理。系统包括四个组件，四个组件分别是：用作获取触摸行为数据的行为采集器，用作抽象手势数据的手势提取器，用作得到合适决策推理模型的模型训练器，以及在权限请求发生时做出关键决策的权限判别器。本发明通过挖掘用户操作安卓智能手机时的手机的手势获取其意图，再根据意图对资源全权限进行动态的管理。权限的发放和回收更加符合用户主管意图，且能防御住更多的新型的攻击。
-
公开(公告)号：CN116032670B
公开(公告)日：2023-07-18
申请号：CN202310328325.1
申请日：2023-03-30
Applicant: 南京大学
IPC: H04L9/40 , G06Q40/04 , G06F16/901 , G06F18/241 , G06F18/27 , G06N3/042 , G06N3/0895 , G06N3/084
Abstract: 本发明涉及一种基于自监督深度图学习的以太坊钓鱼欺诈行为检测方法，属于自监督深度图学习技术领域。数据建图：基于获取的以太坊数据，进行自动信息提取，合并到原本不具有可用属性的节点上，得到具有节点特征的交易图。模型准备：设置空间性自监督前置任务，构建模型和训练任务，用于挖掘和表示图中节点属性信息和拓扑结构信息。模型训练：设置训练规模和收敛条件，得到优化后的用于检测的训练模型。该模型能够对以太坊上新的交易图进行检测，应对以太坊规模不断变化、交易图不断演化和节点标签数目不足等问题。
-
公开(公告)号：CN109784277B
公开(公告)日：2023-04-28
申请号：CN201910043905.X
申请日：2019-01-17
Applicant: 南京大学
Abstract: 本发明公开一种基于智能眼镜的情绪识别方法，在智能眼镜设备上，将单眼区域图像作为输入，喜悦、惊奇、恐惧、愤怒、悲伤、厌恶和中立七种表情；训练阶段，输入单眼区域图像，联合训练广义特征提取器和加速器；个性化阶段，通过广义特征提取器为录制视频中的每一帧提取特征，获取七个代表七种表情的特征；同时通过广义特征提取器的共享模块和加速器，为输入的每一帧提取特征，计算相应表情加速器对应的触发阈值；识别阶段，利用广义特征提取器的共享部分提取图像的特征，并通过加速器判断当前帧图像与前一帧图像的相似程度，如果相似，使用前一个类别标签作为当前帧图像的输出，否则，通过广义特征提取器的识别部分提取特征并判断其表情类别。
-
公开(公告)号：CN115658330B
公开(公告)日：2023-03-28
申请号：CN202211659810.9
申请日：2022-12-23
Applicant: 南京大学
Abstract: 本发明公开了面向WebAssembly的跨平台GPU虚拟化方法，包括如下步骤：将已有的CUDA应用源代码使用编译工具链进行编译链接，生成字节码，载入虚拟机内运行，WebAssembly虚拟机接收到CUDA应用的GPU请求之后，进行有效性检查，修改维护的虚拟GPU状态，将相应的修改物理GPU状态的请求发送到物理GPU。接收到物理GPU返回的执行结果后，返回给虚拟机内运行的CUDA应用，虚拟机能够让原始的虚拟机脱离JavaScript引擎的依赖独立访问GPU，且能为CUDA应用提供几乎零性能损耗的透明访问。
-
Patent Agency Ranking
公开(公告)号：CN114638322B
公开(公告)日：2022-09-13
申请号：CN202210548406.8
申请日：2022-05-20
Applicant: 南京大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06F16/953 , G06F16/951 , G06F16/9035 , G06V10/762 , G06V10/82
Abstract: 本发明涉及开放场景下基于给定描述的全自动目标检测系统和方法，包括数据准备模块、数据筛选模块和目标检测模块，数据准备模块以输入器中给定描述为关键词，在网页上爬取相关的图片并进行预处理，构建图片数据集，数据筛选模块通过无监督的数据筛选算法对图片进行数据筛选；目标检测模块使用弱监督的目标检测方法，基于筛选后的图片数据集进行训练，获取给定描述目标的目标检测模型。方法，包括1.数据获取，2.数据筛选，3.目标检测。本发明能够基于输入的任意给定目标物体描述，自动化地返回所描述物体的目标检测模型；从开放的环境中获得数据，并自动化地构建相应的目标检测数据集，训练并返回相应的目标检测模型，用于用户的部署和推断。
-
公开(公告)号：CN114638322A
公开(公告)日：2022-06-17
申请号：CN202210548406.8
申请日：2022-05-20
Applicant: 南京大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06F16/953 , G06F16/951 , G06F16/9035 , G06V10/762 , G06V10/82
Abstract: 本发明涉及开放场景下基于给定描述的全自动目标检测系统和方法，包括数据准备模块、数据筛选模块和目标检测模块，数据准备模块以输入器中给定描述为关键词，在网页上爬取相关的图片并进行预处理，构建图片数据集，数据筛选模块通过无监督的数据筛选算法对图片进行数据筛选；目标检测模块使用弱监督的目标检测方法，基于筛选后的图片数据集进行训练，获取给定描述目标的目标检测模型。方法，包括1.数据获取，2.数据筛选，3.目标检测。本发明能够基于输入的任意给定目标物体描述，自动化地返回所描述物体的目标检测模型；从开放的环境中获得数据，并自动化地构建相应的目标检测数据集，训练并返回相应的目标检测模型，用于用户的部署和推断。
-
公开(公告)号：CN113836585A
公开(公告)日：2021-12-24
申请号：CN202111409364.1
申请日：2021-11-25
Applicant: 南京大学
IPC: G06F21/62
Abstract: 本发明公开了一种针对用户数据的全自动数据隐私保护系统，该系统能够对用户指定的智能应用程序进行智能模块的查找、切分并将其重新打包成可独立运行测试的智能应用，同时针对此重新打包的智能应用适应性地生成IM专属的数据保护器，从而有效地为不同的智能应用生成可以平衡用户数据权益保护和深度学习推理质量的数据保护方案。该系统所提供的数据保护对App DL服务质量几乎没有影响，即IM在受保护用户输入上的推断结果与在未受保护图像上的推断结果几乎相同，但可以使用户数据免于受到如大规模人脸匹配而造成的隐私泄漏的危害。
-
公开(公告)号：CN110647948A
公开(公告)日：2020-01-03
申请号：CN201910947973.9
申请日：2019-10-08
Applicant: 南京大学
Abstract: 本发明公开了一种基于神经网络的图片拼接检测方法和系统，包括如下步骤：首先，获取图片，通过第一神经网络模型识别出被检测本体的图片，剔除背景干扰；其次，归一化被检测本体的图片，对图片进行十字线等份切割；然后，通过第二神经网络模型对每等份图像，分别进行划痕识别，获得像素比；最后，统计所有等份图像的拼痕比例之和，与设定的阈值进行比较，高于阈值，则判断为拼接图像，否则判断为非拼接图像。相对于现有技术，本发明的检测方法具有较高的准确性。
-
公开(公告)号：CN119272291B
公开(公告)日：2025-03-04
申请号：CN202411807879.0
申请日：2024-12-10
Applicant: 南京大学
Abstract: 本发明公开了一种基于可信执行环境的可信联邦学习系统及方法，包括服务器和若干个客户端；所述服务器和若干客户端均配置有领域虚拟机、加密模块以及解密模块，所述领域虚拟机作为可信执行环境，其内配置有远程安全连接模块。本发明基于可信执行环境保护整个联邦学习的本地训练和中心聚合过程，全局模型和本地模型及其更新数据仅仅在可信执行环境中以明文存在，出可信执行环境时对数据进行加密，保护联邦学习协议的完整性和参数的机密性，有效抵御投毒攻击和隐私攻击的同时仅仅引入很小的计算开销，有效保障用户数据隐私同时提升训练后模型的精度和安全性，全面解决当前联邦学习系统面临的隐私和安全攻击。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.045 seconds)
