-
公开(公告)号：CN118296650A
公开(公告)日：2024-07-05
申请号：CN202410508800.8
申请日：2024-04-26
Applicant: 哈尔滨工程大学
Abstract: 本发明属于联邦学习框架下的防御技术领域，具体涉及一种基于生成对抗网络和梯度平滑的隐私保护方法、程序、设备及存储介质。本发明主要针对联邦学习架构中利用生成对抗网络发起的梯度泄露攻击进行防御，根据攻击的特点，在客户端部署WGAN，利用WGAN生成的伪数据参与到本地模型的训练中。同时为了防止敌手进行隐私推理攻击，本发明采用了梯度平滑技术，将生成伪数据视觉特征进行破坏，同时保留伪数据的分类特征；其次，为了最小程度的影响本地模型的精度，本发明借用Mix‑up技术，利用客户端本身的隐私数据对经过特征处理的伪数据进行特征修复。使其能够最大限度的保证本地模型的性能，同时又能对梯度泄露攻击进行很好的防御。
-
公开(公告)号：CN118296250A
公开(公告)日：2024-07-05
申请号：CN202410508790.8
申请日：2024-04-26
Applicant: 哈尔滨工程大学
IPC: G06F16/9536 , G06Q50/00 , G06N3/0455 , G06N3/0499 , G06N3/08
Abstract: 本发明提供了一种基于多特征序列的舆情传播预测方法、系统及存储介质。本发明系统包括事件流分析装置、事件序列编码装置、事件表示学习装置、舆情预测装置。方法为读取模型所需参数，并用计算到的时间编码得到事件类型编码，进一步获取到所需的嵌入向量，通过注意力机制输出序列结果从而获取到事件在任意时刻的发生概率。本发明考虑了事件序列中的时间信息、事件类型信息、用户信息以及用户属性信息，利用Transformer模型对舆情事件序列进行表示学习，将学习出来的表示向量作为Hawkes过程的输入，使其更好的捕捉事件之间的相互影响关系。本发明依据历史事件的强度函数对事件序列进行预测：短期预测是预测下一事件发生的时间与事件类型，长期预测是事件在给定时间区间内的传播大小，以取得更好的序列数据拟合与序列预测效果。
-
公开(公告)号：CN118296249A
公开(公告)日：2024-07-05
申请号：CN202410508784.2
申请日：2024-04-26
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：CN109949174B
公开(公告)日：2023-06-09
申请号：CN201910194845.1
申请日：2019-03-14
Applicant: 哈尔滨工程大学
IPC: G06Q50/00 , G06F16/951 , G06F16/9536 , G06F16/958 , G06F16/955
Abstract: 本发明属于社交网络分析领域，具体涉及一种异构社交网络用户实体锚链接识别方法，包括以下步骤：给定两个异构社交网络G1和G2，用户集合分别用和表示；计算在两个异构社交网络中基于用户属性的用户相似度；计算在两个异构社交网络中基于用户关系的用户相似度；对用户u与对应的亲密好友{fi}进行相似度排序，选取topK个ufi；本发明将以往的普通好友关系相似度进行优化改进，提取以用户属性为基准的亲密好友，通过亲密好友关系的相似程度强化用户锚链接的识别程度，大大提升了用户锚链接的识别效果。
-
公开(公告)号：CN115775031A
公开(公告)日：2023-03-10
申请号：CN202211369733.3
申请日：2022-11-03
Applicant: 哈尔滨工程大学
Abstract: 本发明属于联邦学习系统中工人节点的任务分配技术领域，具体涉及一种面向节点集中化的工人节点任务分配方法。本发明可以有效地激励不同质量的工人节点留在联邦学习系统中，使得系统内长期存在大量较高质量的工人节点，解决联邦学习系统内节点集中化损害系统长期发展问题。本发明能够吸引更多不同质量的工人节点加入联邦学习的目的，避免节点集中化问题，促进联邦学习系统长久发展。
-
Patent Agency Ranking
公开(公告)号：CN115714673A
公开(公告)日：2023-02-24
申请号：CN202211370515.1
申请日：2022-11-03
Applicant: 哈尔滨工程大学
Abstract: 本发明属于跨域认证技术领域，具体涉及一种跨域认证过程中基于多中间实体的实时证书撤销方法。本发明中用户向CA提出申请成为该域的一员；CA审核用户的身份通过后向用户颁发证书和一部分私钥，将另一部分私钥分发给MED集群；用户进行跨域认证时，将自己的证书和私钥发送给认证服务器，认证服务器向集群请求另一部分私钥，如果私钥不存在说明用户证书已过期；如果私钥存在，认证服务器拼凑出完整私钥后，代替用户向另一个域内发起跨域认证请求；当用户身份撤销或者私钥泄露的时候，向CA提交申请，CA向MED集群发消息，通知集群主节点删除用户所对应的私钥并撤销用户证书，并且更新CRL列表。
-
公开(公告)号：CN109729017B
公开(公告)日：2023-02-14
申请号：CN201910196102.8
申请日：2019-03-14
Applicant: 哈尔滨工程大学
IPC: H04L47/125 , H04L43/028 , H04L41/147 , H04L41/14 , H04L41/142
Abstract: 本发明属于网络技术研究领域，具体涉及一种基于DPI预测的负载均衡方法，包括以下步骤：将输入流量按照五元组和序列号划分为一条条流，通过DPI技术分析协议以及应用特征确定该流量属于哪种应用数据；确定流量属于哪种应用的特征，选择正确应用的特征库模型进行匹配；通过数据流信息计算哈希值对历史记录库内容的查询，对当前流量情况进行预估，得到流量大小的预估值；本发明使用动态监测系统获取下属节点信息，对服务器状态进行实时把控。通过使用预估值和节点实时信息对流进行预分配，减轻了负载均衡策略的复杂度，并将计算转移到负载均衡预测上，实现了对负载均衡策略整体的优化。
-
公开(公告)号：CN111625565B
公开(公告)日：2022-09-02
申请号：CN202010438359.2
申请日：2020-05-22
Applicant: 哈尔滨工程大学
IPC: G06F16/2455 , G06F21/60 , H04L67/568 , H04L67/563 , H04L45/30 , H04L45/02
Abstract: 本发明属于信息中心网络缓存隐私保护技术领域，具体涉及一种面向信息中心网络缓存隐私保护的多属性协作缓存决策方法。本发明通过使用兴趣包收集沿途节点的请求内容的未来流行度、节点介数、节点跳数、节点缓存压力这四种信息形成四元组信息集合，再利用TOPSIS算法在命中节点中对这些四元组信息进行判决得到缓存数据内容的最佳节点，再利用返回跳数信息将用户请求的内容存储在最佳缓存节点，一方面可以减小缓存冗余，提高网络性能，另一方面增加了缓存内容的归属不确定性，从而减少用户缓存隐私泄露，保护用户缓存隐私。
-
公开(公告)号：CN113326437B
公开(公告)日：2022-06-21
申请号：CN202110693819.0
申请日：2021-06-22
Applicant: 哈尔滨工程大学
IPC: G06F16/9535 , G06F16/9536 , G06Q50/00
Abstract: 本发明属于社交网络谣言检测技术领域，具体涉及一种基于双引擎网络和DRQN的微博早期谣言检测方法。本发明针对社交网络中的微博谣言早期阶段识别，通过由双引擎网络实现的谣言检测模块，将微博的原始信息和回复信息针对其各自的特征分别进行处理，提高了谣言检测的准确率。本发明通过由DRQN实现的控制模块，可以自动化地控制微博回复信息的读取数量，从而达到在谣言出现早期进行检测的目的，同时可以动态地平衡谣言检测的准确性和及时性。
-
公开(公告)号：CN111628982B
公开(公告)日：2022-03-18
申请号：CN202010438355.4
申请日：2020-05-22
Applicant: 哈尔滨工程大学
IPC: H04L9/40
Abstract: 本发明属于信息中心网络的洪泛攻击缓解技术领域，具体涉及一种基于信誉度与基尼杂质的洪泛攻击缓解方法。本发明提出的缓解手段部署在边缘路由器，通过限制恶意数据，能够将洪泛攻击在源头被缓解，减少攻击对核心网络的影响；在内容名称方面，提出全名称前缀的概念，降低了字典树的空间开销，减少方法的空间复杂度；在恶意前缀识别方面，本发明提出了基尼杂质与全名称前缀组合识别方法，基于统计学理论基尼杂质和路由器的PIT结构，实现了恶意内容名称的识别；在正常用户的数据传输方面。本发明可以适应更加复杂的网络环境，能够在攻击者发出洪泛攻击的情况下定位受攻击的端口，在缓解洪泛攻击的情况下尽最大努力不影响正常的用户。
-
-
-
-
-
-
-
-
-
Search Results
256
records
(took 0.03 seconds)
