一种针对混合中继QKD网络的分段密钥分发方法及系统

    公开(公告)号:CN116155492A

    公开(公告)日:2023-05-23

    申请号:CN202310171705.9

    申请日:2023-02-22

    IPC分类号: H04L9/08

    摘要: 本发明涉及一种针对混合中继QKD网络的分段密钥分发方法及系统,其方法包括:S1:QKD网络中任意终端节点发送用户密钥的分发请求后,构建密钥分发路径及其分段路径;其中,密钥分发路径包括:源节点、目的节点、可信和不可信中继节点;每段分段路径包含至少一条子分段路径;S2:在每一条子分段路径上并行地进行密钥分发,并在分段路径的端节点对密钥进行重构,同步生成分段密钥;S3:沿着密钥分发路径,以第一个分段密钥作为该密钥分发路径的用户密钥,其余分段密钥作为加密密钥,经由可信中继转发用户密钥,完成由源节点到目的节点的密钥分发。本发明提供的方法可减少密钥分发的路径长度从而提供安全性,并减少链路上密钥资源的消耗。

    预训练模型、无线感知模型的训练方法及电子设备

    公开(公告)号:CN115186720A

    公开(公告)日:2022-10-14

    申请号:CN202211087699.0

    申请日:2022-09-07

    IPC分类号: G06K9/00 G06K9/62

    摘要: 本发明提供了一种预训练模型、无线感知模型的训练方法及电子设备,该方法包括:获取N个第一无线信号样本,每个第一无线信号样本对应维度不同的M个无线信号表征信息;将M个无线信号表征信息分别输入特征提取模块,得到维度不同的M个特征表征信息;将M个特征表征信息分别输入转换器模块,得到维度相同的M个目标特征表征信息;将第m1个第一目标特征表征信息输入第m1个预测器模块,得到与M‑1个第二目标特征表征信息相对应的M‑1个预测特征表征信息;根据N×M个目标特征表征信息以及N×M×(M‑1)个预测特征表征信息,对特征提取模块、转换器模块和预测器模块进行训练,得到无线信号表征预训练模型。

    基于无线信号的人体姿势估计方法及装置

    公开(公告)号:CN112668439A

    公开(公告)日:2021-04-16

    申请号:CN202011543974.6

    申请日:2020-12-23

    摘要: 一种基于无线信号的人体姿势估计方法,包括如下步骤:从无线设备中获取信道状态信息;将所述信道状态信息输入到人工神经网络模型,输出人体关键点的坐标值,完成人体姿势估计。本发明通过无线信号来感知人体活动,克服了现有技术的高成本的问题,减小了天线阵列的尺寸,同时降低了天线阵列的宽带,解决了现有技术中所存在的诸多局限。本发明使用WiFi信号这种日常家用设备的无线电信号来直接预测人体关键点的坐标值,以此进行人体姿势感知,不仅实现了低成本并且提高了模型的运行效率。

    一种基于信任传递机制的分布式无人机安全自组网方法

    公开(公告)号:CN118338295A

    公开(公告)日:2024-07-12

    申请号:CN202410595203.3

    申请日:2024-05-14

    摘要: 本发明公开了一种基于信任传递机制的分布式无人机安全自组网方法,属于信息安全技术领域。所述方法包括:尚未建立信任关系的无人机节点在空中进行身份认证以建立信任关系,随后双方进行信任状态表的交换和更新,通过安全信道向当前信任状态表上的未更新节点发送当前信任状态表,节点根据收到的信任状态表对自身信任状态表进行更新,与信任状态表上的所有无人机节点建立信任关系,重复上述过程,直至每个节点的信任状态表中包含除自身外所有无人机节点的信任关系,此时全体无人机节点构成节点之间两两互信的自组织网络。所述方法不依赖中央控制器,无需预先设置中继节点辅助网络构建,自组织网络中的所有无人机节点地位相同。

    一种防御链路泛洪攻击的网络拓扑混淆方法及系统

    公开(公告)号:CN117714212B

    公开(公告)日:2024-05-17

    申请号:CN202410162256.6

    申请日:2024-02-05

    IPC分类号: H04L9/40 H04L41/0246

    摘要: 本发明涉及一种防御链路泛洪攻击的网络拓扑混淆方法及系统,其方法包括:S1:收集待保护网络的节点集#imgabs0#、网络链路集#imgabs1#、网络链路带宽#imgabs2#、网络流集#imgabs3#和#imgabs4#的路由路径#imgabs5#S2:计算每条#imgabs6#流量密度,若高于#imgabs7#,则加入关键链路集合#imgabs8#;S3:若#imgabs9#包含关键链路,将#imgabs10#加入待混淆流集合;S4:将待混淆流集合拆分为不变流和操作流;步骤S5:将操作流的关键链路拆分为两条虚拟链路,获取虚拟路由路径;S6:随机选一条虚拟链路并计算其流量密度,若低于阈值,则将若干安全流加入到操作流中并执行S5;S7:对操作流执行完S4~S6后,输出#imgabs11#。本发明的方法可将网络中的瓶颈链路和关键节点进行有效隐藏。

    预训练模型、无线感知模型的训练方法及电子设备

    公开(公告)号:CN115186720B

    公开(公告)日:2023-01-06

    申请号:CN202211087699.0

    申请日:2022-09-07

    摘要: 本发明提供了一种预训练模型、无线感知模型的训练方法及电子设备,该方法包括:获取N个第一无线信号样本,每个第一无线信号样本对应维度不同的M个无线信号表征信息;将M个无线信号表征信息分别输入特征提取模块,得到维度不同的M个特征表征信息;将M个特征表征信息分别输入转换器模块,得到维度相同的M个目标特征表征信息;将第m1个第一目标特征表征信息输入第m1个预测器模块,得到与M‑1个第二目标特征表征信息相对应的M‑1个预测特征表征信息;根据N×M个目标特征表征信息以及N×M×(M‑1)个预测特征表征信息,对特征提取模块、转换器模块和预测器模块进行训练,得到无线信号表征预训练模型。

    一种无人机自组网中通信地址同步随机化方法

    公开(公告)号:CN118354304B

    公开(公告)日:2024-08-27

    申请号:CN202410785949.0

    申请日:2024-06-18

    摘要: 本发明公开了一种无人机自组网中通信地址同步随机化方法,属于信息安全领域。所述方法包括:首先无人机自组网中的每个无人机节点在全体无人机节点中随机选择共同的地址生成节点,所述地址生成节点为全体无人机节点随机生成通信地址并将生成的通信地址和地址更新时间组成地址随机化报文通过安全信道发送至全体无人机节点;其他无人机节点收到地址随机化报文后将本地时间同步为所述地址生成节点本地时间,随后全体无人机节点根据地址随机化报文内容同步进行地址更新过程。所述方法可以无需接入点参与完成无人机自组网中全体无人机节点的地址同步随机化,防止攻击者对无人机节点进行追踪,保护无人机节点的身份安全。

    一种无人机自组网中通信地址同步随机化方法

    公开(公告)号:CN118354304A

    公开(公告)日:2024-07-16

    申请号:CN202410785949.0

    申请日:2024-06-18

    摘要: 本发明公开了一种无人机自组网中通信地址同步随机化方法,属于信息安全领域。所述方法包括:首先无人机自组网中的每个无人机节点在全体无人机节点中随机选择共同的地址生成节点,所述地址生成节点为全体无人机节点随机生成通信地址并将生成的通信地址和地址更新时间组成地址随机化报文通过安全信道发送至全体无人机节点;其他无人机节点收到地址随机化报文后将本地时间同步为所述地址生成节点本地时间,随后全体无人机节点根据地址随机化报文内容同步进行地址更新过程。所述方法可以无需接入点参与完成无人机自组网中全体无人机节点的地址同步随机化,防止攻击者对无人机节点进行追踪,保护无人机节点的身份安全。

    基于IPSec动态融合量子密钥的数据保护方法及系统

    公开(公告)号:CN116155621A

    公开(公告)日:2023-05-23

    申请号:CN202310399867.8

    申请日:2023-04-14

    IPC分类号: H04L9/40 H04L9/08

    摘要: 本发明涉及一种基于IPSec动态融合量子密钥的数据保护方法及系统,该方法通过向IPSec SA的建议载荷加入密钥派生参数载荷,在实际的数据加密过程中,将量子密钥经过派生后作为加密密钥和完整性保护密钥使用,并根据量子密钥的实时余量动态更新密钥派生参数。本发明将量子密钥融合到IPSec的数据加密及完整性保护中,使得实际数据传输的安全性得到提升,同时本发明根据密钥量状态,实时调节量子密钥的派生策略,提升了在低码率量子密钥供应情况下对高带宽数据传输的稳健性。

    基于无线信号的人体姿势成像方法及装置

    公开(公告)号:CN112597896B

    公开(公告)日:2022-09-09

    申请号:CN202011544374.1

    申请日:2020-12-23

    摘要: 一种基于无线信号的人体姿势成像方法,包括以下步骤:设计人工神经网络W将无线信号z回归至人体关键点的坐标值:根据所述人体关键点的坐标值绘制姿势热力图h:设计生成器网络G和判别器网络D以构造图像合成的对抗学习模型;其中所述生成器网络G包括编码器、一系列的条件残差块和解码器;将摄像机捕捉到的初始时刻图像输入所述编码器,利用注意力操作PA将姿势热力图和初始图像特征结合并嵌入到条件残差块的输入层中,输出是结合了初始图像特征和姿势热力图的融合特征;将结合了初始图像特征和姿势热力图的融合特征输入至所述解码器得到目标人体姿势图像。