-
公开(公告)号：CN113206824B
公开(公告)日：2022-06-24
申请号：CN202110308731.2
申请日：2021-03-23
Applicant: 中国科学院信息工程研究所
Abstract: 本发明提供一种动态网络异常攻击检测方法、装置、电子设备和存储介质，包括：基于爬取的网络流量日志数据构建网络属性特征向量；将所述网络属性特征向量输入异常攻击检测模型，输出对应的异常攻击检测结果；其中，所述异常攻击检测模型是基于样本第一网络属性特征向量和对应的第一异常攻击标签进行训练得到的，所述异常攻击检测模型训练过程中使用组合分类器算法构建分类器。本发明提供的方法、装置、电子设备和存储介质，实现了提高网络异常攻击检测的正确率。
-
公开(公告)号：CN108494683B
公开(公告)日：2021-01-15
申请号：CN201810239351.6
申请日：2018-03-22
Applicant: 中国科学院信息工程研究所
IPC: H04L12/721 , H04L12/741 , H04L12/935
Abstract: 本发明提出了一种软件定义网络中基于图着色的可扩展路径控制方法，该方法基于源端路由的方式，并受XPath方法的启发，采用基于路径ID的路径控制策略，但在聚合流表项时使用通配符聚合共享相同链路的路径ID，将路径ID分配问题分解为链路ID分配问题，并基于图顶点着色模型，在使用较少流表项保障SDN的可扩展性的前提下，解决软件定义网络中路径ID的高效分配问题。
-
公开(公告)号：CN117743600A
公开(公告)日：2024-03-22
申请号：CN202311836718.X
申请日：2023-12-28
Applicant: 中国科学院信息工程研究所
IPC: G06F16/36 , G06F18/241 , G06F18/25 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06N3/098 , G06N5/01 , G06F40/295
Abstract: 本发明提供了一种基于联合学习的封闭域篇章级事件抽取方法，数据集构建阶段，将带有事件类型、论元角色及论元实体标注的篇章级中文金融公告事件数据集，按照比例划分为训练集，验证集和测试集；将构建的数据集输入到基于联合学习的封闭域篇章级事件抽取模型PRAP中，PRAP包含5个部分，分别是论元实体识别模块，语义融合编码模块，论元组合抽取模块，事件类型检测模块和事件记录生成模块；定义模型损失函数，训练搭建的神经网络模型。总体损失Ltotal由论元实体识别损失、论元组合抽取损失、事件类型检测损失和论元角色分类损失四部分组成。本发明可以高效准确地并行抽取事件类型及论元组合、最大程度上缓解错误级联问题。
-
公开(公告)号：CN108491505B
公开(公告)日：2021-08-03
申请号：CN201810239354.X
申请日：2018-03-22
Applicant: 中国科学院信息工程研究所
IPC: G06F16/2455 , G06F16/901
Abstract: 本发明提出了一种基于拓扑势值排序的DSATUR图顶点着色方法，该方法能够在选择顶点着色时充分考虑顶点在整个图中的重要程度，相比DSATUR原始算法中考虑顶点度的方法，本发明每次选择当前饱和度最大的顶点进行着色，当出现多个饱和度最大的顶点时，则从中选择拓扑势最大的顶点，若又存在多个拓扑势最大的顶点，则按照字典顺序从中选择；本发明能够更恰当的选择顶点，优先选择图中最重要的顶点进行着色，在较少的搜索次数中取得最优解，对于大规模的图顶点着色问题，本发明提出的方法也能在指定的时间内达到更优解。
-
公开(公告)号：CN108494683A
公开(公告)日：2018-09-04
申请号：CN201810239351.6
申请日：2018-03-22
Applicant: 中国科学院信息工程研究所
IPC: H04L12/721 , H04L12/741 , H04L12/935
Abstract: 本发明提出了一种软件定义网络中基于图着色的可扩展路径控制方法，该方法基于源端路由的方式，并受XPath方法的启发，采用基于路径ID的路径控制策略，但在聚合流表项时使用通配符聚合共享相同链路的路径ID，将路径ID分配问题分解为链路ID分配问题，并基于图顶点着色模型，在使用较少流表项保障SDN的可扩展性的前提下，解决软件定义网络中路径ID的高效分配问题。
-
Patent Agency Ranking
公开(公告)号：CN117370515A
公开(公告)日：2024-01-09
申请号：CN202311305321.8
申请日：2023-10-10
Applicant: 中国科学院信息工程研究所
IPC: G06F16/332 , G06F18/214 , G06F18/2415 , G06N3/045 , G06N3/084
Abstract: 本发明提供一种引入连续潜变量的多样性回复生成方法。包括以下步骤：步骤S1：处理对话数据，构建输入对话数据：将所有对话视作连续文本，以每次切换说话者作为分割，依照对话先后顺序交替给出对话数据，从而构建出输入对话数据。步骤S2：对话行为识别：将对话输入选定的BERT语言模型，利用BERT语言模型的输出计算当前对话行为，在代表对话行为接入四个全连接神经网络即构建transformer模型，使用模型识别当前对话行为；步骤S3：输出回复生成：使用步骤S2的transformer模型的对话行为识别部分计算得出的对话行为值，生成候选回复，然后验证候选回复正确概率选择最终回复结果。
-
公开(公告)号：CN114745175B
公开(公告)日：2022-12-23
申请号：CN202210371900.1
申请日：2022-04-11
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种基于注意力机制的网络恶意流量识别方法及系统，其方法包括：步骤S1：采集网络流量，提取原始字节和统计特征向量，构建样本集，按照预设比例划分训练集，验证集和测试集；步骤S2：将训练集中原始字节和统计特征向量输入恶意HTTPs流量分类模型FA‑net中，得到恶意软件流量分类的概率分布；其中，FA‑net包括：原始字节特征提取模块RF‑net、统计特征提取模块SF‑net和特征结合模块C‑net；步骤S3：构建总体损失函数用于训练FA‑net；其中，总体损失函数包括：分类损失函数和重构损失函数。本发明提供的方法，融合了网络数据流的统计特征的全局特征和原始字节的深层代表特征，实现更高精度的流量识别。
-
公开(公告)号：CN114745175A
公开(公告)日：2022-07-12
申请号：CN202210371900.1
申请日：2022-04-11
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种基于注意力机制的网络恶意流量识别方法及系统，其方法包括：步骤S1：采集网络流量，提取原始字节和统计特征向量，构建样本集，按照预设比例划分训练集，验证集和测试集；步骤S2：将训练集中原始字节和统计特征向量输入恶意HTTPs流量分类模型FA‑net中，得到恶意软件流量分类的概率分布；其中，FA‑net包括：原始字节特征提取模块RF‑net、统计特征提取模块SF‑net和特征结合模块C‑net；步骤S3：构建总体损失函数用于训练FA‑net；其中，总体损失函数包括：分类损失函数和重构损失函数。本发明提供的方法，融合了网络数据流的统计特征的全局特征和原始字节的深层代表特征，实现更高精度的流量识别。
-
公开(公告)号：CN107181738B
公开(公告)日：2020-09-11
申请号：CN201710279176.9
申请日：2017-04-25
Applicant: 中国科学院信息工程研究所
Abstract: 本发明提供一种软件化入侵检测系统及方法，其中，所述系统包括：控制核、检测核和输出核三个层次，其中，所述控制核用于与上层控制器进行交互，并管理检测核和输出核所产生的信息；所述检测核用于基于DPDK对数据包进行采集和解析，遍历规则库对经过解析后的所述数据包进行检测匹配；所述输出核用于定时将检测核所获得的检测匹配结果记录至系统日志，并将根据所述检测匹配结果获知的非法数据包信息进行封装后上报给控制核。本发明提供的一种软件化入侵检测系统及方法，部署灵活且可扩展性好，具有减少报文拷贝，亲核性等特点，可以显著提升报文的处理能力，且上层开放控制接口，具有可控性，可以很好兼容虚拟化与云计算平台。
-
公开(公告)号：CN108364028A
公开(公告)日：2018-08-03
申请号：CN201810181807.8
申请日：2018-03-06
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种基于深度学习的互联网网站自动分类方法，根据DNS服务器日志采集大量互联网网站的原始描述信息作为网站数据集，并进行预处理和人工打标签，然后提取用于输入深度学习模型的每个网站的高维特征向量表示，并对每个网站增加对应的网站类别标签，并转化为类别向量；高维特征向量表示作为深度学习模型的输入，类别向量作为深度学习模型的输出，使用Adam梯度下降算法优化器监训练基于LSTM的循环神经网络深度学习模型；在已训练好的LSTM循环神经网络深度学习模型后增加一层SoftMax回归；将概率分布向量中概率值最大的维度对应的网站类别作为网站类别，并将输出的网站类别与网站实际的类别进行比较，得到互联网网站的分类准确率。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.02 seconds)
