-
公开(公告)号:CN114531273B
公开(公告)日:2024-05-14
申请号:CN202210026123.7
申请日:2022-01-11
Applicant: 北京理工大学
IPC: H04L9/40
Abstract: 本发明一种防御工业网络系统分布式拒绝服务攻击的方法,属于网络安全防御技术领域。本方法融合了深度学习和软件定义网络技术来构建防DDoS攻击的工业网络。深度学习技术进行攻击检测具有灵活准确的特点,SDN实现了工业网络的整体网络管理和流量控制。本发明基于AC‑GAN构建了一种深度学习分类算法,生成器可以为特定的标签生成数据,判别器通过重建标签信息来提高生成数据的质量。所述方法通过生成对抗性攻击样本提高模型的灵敏度,提高了在软件定义工业网络中检测对抗性DDoS攻击的准确率。本方法通过SDIN控制器提取和监控实时流量信息,当检测到攻击流量时,系统会自动触发攻击缓解功能,添加防火墙规则并下发丢弃的流表项策略,从而及时缓解DDoS攻击。
-
公开(公告)号:CN117914524A
公开(公告)日:2024-04-19
申请号:CN202311666696.7
申请日:2023-12-06
Applicant: 北京理工大学
IPC: H04L9/40 , H04L9/08 , G06V10/776 , G06V10/774 , G06V10/82 , G06V10/94 , G06V10/96
Abstract: 本申请提供一种模型训练的验证方法及相关设备,通过加密设备将待验证模型在训练过程中的训练参数、训练用图像的节点特的征和训练用图像的结构的特征以加密的方式存储在云服务器,进而保证可以在不暴露训练过程中的训练数据的情况下对待验证模型进行验证,通过云服务器复现模型训练的过程,得到第一权重,并将第一权重与待验证模型的第二权重进行对比生成对比结果,将对比结果发送至验证设备,验证设备根据对比结果得到验证结果,其中,验证结果用于指示所述待验证模型是否完成训练过程,通过云服务器执行的验证所需的计算,确保了验证设备仅需少量的开销就能够得到最终的验证结果,同时也避免了泄露训练数据的风险,能够保证训练数据的安全性。
-
公开(公告)号:CN117892832A
公开(公告)日:2024-04-16
申请号:CN202211230044.4
申请日:2022-10-09
Applicant: 北京理工大学 , 华为云计算技术有限公司
Abstract: 本申请涉及计算机技术领域,提供一种数据处理方法、系统及计算设备,用于减少模型训练的算力开销和时间开销。在该方法中,数据提供端对第一数据集包括的多个数据的N个属性进行划分,得到第二数据集和第三数据集,第二数据集包括多个数据的M个属性,第三数据集包括多个数据的(N‑M)个属性,M个属性的每个属性对训练模型的贡献度大于或等于第一阈值,(N‑M)个属性的每个属性对训练模型的贡献度小于第一阈值;基于第一加密算法对第二数据集进行加密得到第四数据集,基于对算力需求小于该第一加密算法的算力需求的第二加密算法对第三数据集进行加密得到第五数据集,以及向数据训练端发送该第四数据集和该第五数据集。
-
公开(公告)号:CN117648994A
公开(公告)日:2024-03-05
申请号:CN202311593450.1
申请日:2023-11-27
Applicant: 北京理工大学
IPC: G06N20/00
Abstract: 本发明涉及一种基于无监督学习的高效异构纵向联邦学习方法,属于人工智能分布式联邦学习技术领域。本发明采用权重聚合原型方法来获取所有参与方的本地知识值,减少了对异构模型信息的依赖,减少了其他参与方异构模型信息对训练模型精度的影响,提高了训练模型的精度。被动方采用无监督学习实现多轮本地训练,减少了被动方与主动方之间的通信轮数,提高了纵向联邦学习的训练效率。本发明聚合的是原型而不是原始数据,降低了原始数据泄露的风险。此外,通过在本地嵌入值中注入了随机数,使得主动方无法获得参与方的本地嵌入值,进一步保护了参与方的原始数据。本发明实现了在不泄露数据和侵犯隐私的情况下的基于无监督学习的高效异构纵向联邦学习。
-
公开(公告)号:CN117636067A
公开(公告)日:2024-03-01
申请号:CN202311802280.3
申请日:2023-12-26
Applicant: 北京理工大学 , 中科信息安全共性技术国家工程研究中心有限公司
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/094
Abstract: 一种单阶段通用触发器的干净标签后门攻击方法包括:通过预训练好的触发器生成器生成特殊单阶段通用触发器∆;通过直接添加方法和融合添加方法在内的两种触发器添加方法进行投毒数据生成;向生成的投毒数据中混合其他良性样本数据构建投毒数据集;使用构建好的投毒数据集重训练良性模型获得后门模型;测试带有触发器的中毒数据激活后门,获得模型输出靶向类标签的成功率以及测试模型的正常对良性样本的识别准确率。有益效果在于:本方案生成的干净标签场景下的投毒图像相较于修改标签场景下的投毒图像更加能逃避人工审查;在攻击效果上,实验验证了本方案可以取得98.65%的高效攻击成功率,在模型原始功能上取得97.71%的干净样本准确率。
-
公开(公告)号:CN117611159A
公开(公告)日:2024-02-27
申请号:CN202311322193.8
申请日:2023-10-12
Applicant: 北京理工大学
Abstract: 本申请提供一种跨链交易的隐私保护和监管方法及相关设备。所述方法应用于包括跨链合约模块、第一支付方模块、第二支付方模块和追踪机构模块的跨链交易的隐私保护和监管装置,第一支付方模块和第二支付方模块之间进行不同的货币交易,跨链合约负责建立二者间的桥梁,追踪机构模块负责在其中一方出现问题时去追踪该方的地址,以保护跨链交易的稳定性,且追踪模块在双方正常交易时几乎没有破坏隐私性的行为,故本申请的实施例能够在保证跨链交易得到监管的同时,还能够有效对跨链交易进行监管,有效的针对跨链交易的隐私和监管做了良好的平衡。
-
公开(公告)号:CN114531243B
公开(公告)日:2024-02-09
申请号:CN202210002113.X
申请日:2022-01-04
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于标签加密与零知识证明的联盟链交易隐私保护方法,属于区块链隐私保护技术领域。本方法采用标签加密与零知识证明的方式,解决了联盟链中用户身份信息泄漏问题,以及联盟链中存在恶意交易的问题。本方法提出了一种特殊的交易机制,能够在支持审计的条件下有效保护用户身份隐私数据。本方法不仅允许用户在联盟链中进行匿名交易,而且实现了对可疑交易的分布式高效追踪,同时达到有效监管和身份隐私保护,实现两方面的平衡。
-
公开(公告)号:CN117273901A
公开(公告)日:2023-12-22
申请号:CN202311049153.0
申请日:2023-08-21
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于差分隐私的纵向联邦学习用户信用评分方法,属于隐私计算技术领域。不暴露参与方本地数据,将参与方所持有的数据进行匹配,实现各参与方的数据样本对齐。各参与方使用本地数据和底层模型进行本地模型前向训练。服务器将满足差分隐私的噪声的本地中间结果进行拼接得到具有隐私保护的中间结果。服务器将经过差分隐私保护的中间结果作为输入,采用随机梯度下降算法训练顶层模型,将反向传播中间结果注入噪声并分发给各个参与方。参与方将子反向中间结果作为输入,使用梯度下降法计算底层模型梯度,更新底层模型参数。最后利用参与方协同训练获得的全局信用评分模型完成用户信用评分。本发明提高了用户信用评分效率和数据安全性。
-
公开(公告)号:CN117200965A
公开(公告)日:2023-12-08
申请号:CN202310912891.7
申请日:2023-07-24
Applicant: 北京理工大学
Abstract: 本发明涉及一种避免复用地址和提前协商私钥的区块链隐蔽通信方法,属于区块链通信技术领域。本发明从携带秘密信息的交易明确划分出两类重要字段,分别用于嵌入信息以及存放标签,存放标签的字段可以包括但不限于地址,每条交易的标签都可以是动态变化互不相同的,为避免地址复用以及通信双方共享区块链私钥提供了基础。此外,用于嵌入信息的字段和用于存放标签的字段属于不同的交易字段,二者互不影响,避免了通信效率和筛选速度之间的冲突,实现了隐蔽且高效的区块链隐蔽通信。
-
公开(公告)号:CN116980117A
公开(公告)日:2023-10-31
申请号:CN202310591350.9
申请日:2023-05-24
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于联盟链的安全多方计算合谋攻击抵御方法,属于信息安全技术领域。该方法包括:对联盟链网络、数据拥有方、任务需求方、计算参与方、智能合约进行定义;计算参与方注册和初始化;任务需求方调用智能合约发布计算任务;智能合约根据计算任务信息完成计算参与方节点选择;被选择的计算参与方生成预处理数据;数据拥有方利用加法秘密共享划分私有数据,并完成数据分片的分发;计算参与方从联盟链中获取加密形式的数据分片、盲化因子和承诺值,验证数据分片有效性,根据计算函数对数据分片进行计算,并调用智能合约提交输出结果分片进行验证;任务需求方重构出计算结果。本发明有效地解决了安全多方计算中存在的合谋攻击问题。
-
-
-
-
-
-
-
-
-