-
公开(公告)号：CN118296595A
公开(公告)日：2024-07-05
申请号：CN202410508806.5
申请日：2024-04-26
Applicant: 哈尔滨工程大学
IPC: G06F21/55 , G06V10/774 , G06V10/764 , G06N20/00
Abstract: 本发明属于联邦学习技术领域，具体涉及一种针对联邦学习范式具有高持久性的后门攻击方法、程序、设备及存储介质。本发明包括设计分布式触发器，用于污染恶意客户端本地数据，增强模型对后门的能力；通过攻击者调整对本地训练超参数，让模型在训练本地数据的过程中加强对后门的记忆能力；通过中心服务器聚合效应，将后门信息传递至全局模型中，让全局模型在正常工作的同时具有后门效应；在推理阶段，全局模型对干净样本正常分类，对含有指定触发器的毒样本进行误分类，并错误地分成攻击者预先指定的类别，达到攻击者对全局模型的攻击目的。本发明具有良好的鲁棒性和普适性，且能使后门攻击在联邦学习范式中长时间维持高效性。
-
公开(公告)号：CN120031098A
公开(公告)日：2025-05-23
申请号：CN202510064156.4
申请日：2025-01-15
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种针对离线强化学习决策模式多样性的投毒攻击方法、系统、程序、设备及存储介质，属于离线强化学习技术领域。本发明方法首先获取离线强化学习数据集中的状态空间、动作空间及奖励空间，分析数据集中连续状态‑动作对组成的经验决策序列的多样性，将数据集中较为罕见的决策序列作为关键序列。然后，针对这些关键序列对应的数据，本发明添加了精心构造的微小扰动来降低数据集中经验决策序列的多样性，以此实现对离线强化学习数据集的有效投毒。本发明攻击方法以极低的攻击成本，实现了对离线强化学习模型的有效干扰，并确定了其在实际应用中的有效性和可行性。
-
公开(公告)号：CN119442235A
公开(公告)日：2025-02-14
申请号：CN202411477147.X
申请日：2024-10-22
Applicant: 哈尔滨工程大学
Abstract: 本发明属于联邦学习安全防御技术领域，具体涉及基于对数秘密共享的隐私梯度中毒攻击防御方法、程序、设备及存储介质。本发明基于秘密共享技术，使得密文梯度可以在资源受限的边缘服务器端进行相似性的计算，能够在资源受限的边缘服务器中完成加密参数的相似性计算，进而识别出恶意模型以防御隐私梯度中毒攻击，通过相似性削弱这些恶意模型，增强全局模型聚合过程的鲁棒性，提高联邦学习的安全性和模型性能。
-
公开(公告)号：CN119442234A
公开(公告)日：2025-02-14
申请号：CN202411477144.6
申请日：2024-10-22
Applicant: 哈尔滨工程大学
Abstract: 本发明属于联邦学习安全防御技术领域，具体涉及基于模型参数相似性检测的后门攻击防御方法、程序、设备及存储介质。本发明通过分析每个模型的更新幅度和输出的变化，去反映客户端数据样本分布是否发生变化，以此来发现异常模型更新。本发明为每个模型维护了历史模型更新幅度和历史输出分类结果的记录，并计算与当前更新幅度和输出结果的平均相似度，基于这些平均相似度去综合评估客户端的数据样本分布是否发生变化，结合模型参数归一化技术，可以对后门中毒更新进行过滤，同时保留良性的模型更新。
-
公开(公告)号：CN119293246A
公开(公告)日：2025-01-10
申请号：CN202411301444.9
申请日：2024-09-18
Applicant: 哈尔滨工程大学
IPC: G06F16/353 , G06F16/334 , G06F40/30 , G06F40/289 , G06Q50/00 , G06N3/0455 , G06N3/08
Abstract: 本发明提供的是一种基于语义增强的热点言论检测方法、程序、设备及存储介质。本发明提出了基于语义增强的热点言论检测模型HSIBSE。其中包括信息嵌入层装置、文本嵌入层装置、编码层装置和输出层装置。通过使用热点言论词典，对文本进行分类，将其划分为含有热点性词语和不含热点性词语的两个类别。对每个词语，本发明将其与热点性词语词典中的词汇进行匹配，以确定其是否属于热点性词语。能够更准确地识别和分析热点言论，并为热点言论检测提供重要线索。本发明通过加强上下文理解，分析热点言论中的情感倾向，增强信息关联，有助于识别某些文本中的隐含信息，可广泛应用于社交网络中的互热点言论检测。
-
Patent Agency Ranking
公开(公告)号：CN118312650A
公开(公告)日：2024-07-09
申请号：CN202410508810.1
申请日：2024-04-26
Applicant: 哈尔滨工程大学
IPC: G06F16/903 , G06F16/901
Abstract: 本发明属于多维数据处理技术领域，具体涉及一种基于多维范围过滤器的多维区域查询处理系统、方法、程序、设备及存储介质。本发明中首先将多维数组划分为数据块，获取各数据块的非空范围集合，并对非空范围集合内的各范围计算编号；对于每个数据块，针对其非空范围集合中的所有范围构建压缩位图和布隆过滤器，比较压缩位图和布隆过滤器存储空间代价，选择存储空间代价较小的结构作为当前数据块的多维范围过滤器；最后使用多维范围过滤器进行多维区域查询处理。本发明通过构建多维范围过滤器，实现亚线性时间复杂度的高效区域查询处理。
-
公开(公告)号：CN119271905A
公开(公告)日：2025-01-07
申请号：CN202411301431.1
申请日：2024-09-18
Applicant: 哈尔滨工程大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明提供的是一种嵌入偏好增强的社区搜索方法、系统、程序及存储介质。本发明所述的系统包括社交网络节点嵌入装置、社区搜索装置、随机游走序列获取装置、系统控制装置。所述的方法动态通过嵌入学习和社区搜索相结合，利用Check2Vec模型学习节点嵌入，提高了对签入信息的建模能力，并在社区搜索中综合考虑节点属性和签入信息，以获取更准确的用户‑位置二分社区。本发明的优点在于：具有多模态信息整合、适用于多数据域、灵活调节性等优点，为提高社区搜索效果和个性化程度提供了有力手段。
-
公开(公告)号：CN119227749A
公开(公告)日：2024-12-31
申请号：CN202411384514.1
申请日：2024-09-30
Applicant: 哈尔滨工程大学
IPC: G06N3/0475 , G06N3/094 , G06N3/098 , G06F21/56 , G06V10/82
Abstract: 本发明属于工业互联网安全技术领域，具体涉及基于标签和特征协同扰动的联邦学习数据中毒攻击方法、程序、设备及存储介质。本发明提供了能同时实现攻击有效性和隐蔽性的联邦学习数据中毒攻击，该攻击在条件生成对抗网络训练过程中对真实数据标签进行翻转来使生成器生成中毒数据；此外，还通过控制条件生成对抗网络的训练轮次来使生成的中毒数据中包含有毒噪声，在破坏标签与数据对应关系的同时扰乱数据的特征分布，生成的中毒数据中同时包含了标签噪声和特征噪声。本发明能够绕过常见的防御方法并大幅降低工业缺陷识别的有效性。
-
公开(公告)号：CN119172133A
公开(公告)日：2024-12-20
申请号：CN202411253887.5
申请日：2024-09-06
Applicant: 哈尔滨工程大学
IPC: H04L9/40 , G06F16/215
Abstract: 本申请公开的加密网站流量抗噪识别方法、系统、设备、介质及产品，涉及数字信息传输领域。该方法包括：获取用户访问网站时产生的加密流量，并按照设定规则将加密流量保存成包含多个数据包的PCAP文件；对PCAP文件中的数据包进行清洗，得到清洗后的加密流量；基于数据包的五元组信息对清洗后的加密流量进行数据流重组，得到多条数据流；分别对每条数据流中的每一数据包进行网站特征提取，得到网站指纹提取结果；基于网站指纹提取结果生成图结构数据；对图结构数据进行图分类任务，并根据分类结果完成对用户访问站点的预测。能够在有背景噪声的前提，有效实施网站流量的识别。本申请能够在有背景噪声的前提，有效实施网站流量的识别。
-
公开(公告)号：CN118433120A
公开(公告)日：2024-08-02
申请号：CN202410508801.2
申请日：2024-04-26
Applicant: 哈尔滨工程大学
IPC: H04L47/2441 , G06F18/2433 , G06F18/27 , G06F18/15 , G06N5/01 , G06N3/0442 , H04L41/16
Abstract: 本发明属于网络安全技术领域，具体涉及一种面向Tor网络的基于分割点划分和分段检测的多网页流量识别系统、方法、程序、设备及存储介质。本发明通过定位多页面流量的交叉点拆分出干净的单页流量，并通过设置多个分类器对单页面流量的多个区段进行独立识别，实现多网页流量的高效识别。本发明可以识别多页面混合流量中的非重叠部分，并能够基于非重叠的不完整干净流量识别出其原本所属的网页。本发明通过提高分割点的识别准确率增强了Tor复杂背景流量下的网页识别能力，对于缺失头部和尾部的流量均具有较高的识别准确率，可应用于流量测量、应用性能评估及恶意流量检测等领域。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.07 seconds)
