-
公开(公告)号：CN118195840A
公开(公告)日：2024-06-14
申请号：CN202410133888.X
申请日：2024-01-31
Applicant: 北京工业大学重庆研究院 , 北京工业大学
Abstract: 本发明公开了一种分布式末端和人体适应性调控行为的建筑环境调控方法，涉及建筑环境调控领域。本发明包括：采集多个关于分布式末端的设备参数和人员感受的主观评价，筛选出与人员调控行为偏好强相关的变量；将筛选出的变量按照不同调控特征尺度进行赋值，并根据赋值结果分类；基于筛选出来的赋值变量为基础建立拟合模型，初步的拟合模型选择线性模型；依据主观评价结果和拟合模型得出每个变量的逻辑回归系数，将拟合回归系数代入拟合模型得出人员的舒适需求值；根据舒适需求值对分布式末端进行调控。解决了室内人员在不同热历史背景下的适应性热舒适需求和人员对建筑环境调控方法选择不当造成的“高能耗高成本低舒适”现象。
-
公开(公告)号：CN119691818A
公开(公告)日：2025-03-25
申请号：CN202411812739.2
申请日：2024-12-10
Applicant: 北京工业大学
Abstract: 基于可信执行环境的安全可验证联邦分割学习方法属于联邦学习领域。本发明提出了学习框架，并引入可信执行环境，通过强隔离和证明机制确保服务器在模型聚合及神经网络中间层训练过程中的行为透明可信。同时，采用对称加密技术对用户数据进行保护，并防止服务器篡改数据。通过将模型分割为三部分，并将最前和最后的模型部分保存在客户端，有效保护了数据标签在内的用户数据隐私。此外，本发明结合联邦学习与分割学习的优势，允许客户端异步训练本地模型，降低计算和通信开销，减少对服务器的依赖，提升系统效率和可扩展性。这一创新不仅增强了系统的安全性和可信度，还保护了用户隐私，具有广阔的应用前景。
-
公开(公告)号：CN118659868A
公开(公告)日：2024-09-17
申请号：CN202410784866.X
申请日：2024-06-18
Applicant: 北京工业大学
Abstract: 本发明公开了支持时间感知和分布式数字身份的去中心化存储高效批量审计方案。为了增加审计效率，对数据进行分块，然后通过多项式对标签数量进行压缩。将数据块与相应的带有时间戳的数据认证器和审计状态一同上传至去中心化存储节点。当验证者需要验证去中心化存储节点的存储状态时，验证者向去中心化存储节点发送随机挑战，以便检查存储状态。去中心化存储节点根据挑战内容计算相应的证明，并将证明发送给验证者。验证者基于已有参数进行验证。该审计的特点是利用累加器实现了不同时间戳文件的批量验证。此外，为了增强审计安全性，使用分布式数字身份对用户进行验证。
-
公开(公告)号：CN117540230A
公开(公告)日：2024-02-09
申请号：CN202311563138.8
申请日：2023-11-22
Applicant: 北京工业大学
IPC: G06F18/2321 , G06F18/2433 , G06F21/56
Abstract: 本说明书实施例提供了一种基于异质信息网络嵌入的上下文感知安全告警聚类方法及装置，其中，方法包括：生成告警异质信息网络，基于元路径在告警异质信息网络上进行随机游走，生成一系列元路径实例，根据所述一系列路径实例得到告警的向量表示，完成告警的嵌入；基于DBSCAN聚类算法对告警进行聚类，将具有相似上下文的告警已被分别聚成若干个簇，针对每一簇，采用告警抽样方法确定其危险级别。
-
公开(公告)号：CN117493877A
公开(公告)日：2024-02-02
申请号：CN202311297708.3
申请日：2023-10-09
Applicant: 北京工业大学
IPC: G06F18/214 , G06F18/24 , G06N3/098
Abstract: 本发明公开了基于联邦学习的医院隐私数据加噪与优化保护方法，该方法的步骤如下：医院客户端指定的中央服务器初始化并广播发送全局模型至客户端；客户端在本地使用私有数据集训练本地模型并得到模型梯度数据；客户端对模型梯度数据进行裁剪加噪保护处理；客户端使用噪声优化算法对加噪后的模型梯度参数进行方向优化；客户端将优化后的模型梯度参数上传至服务器；中央服务器对模型梯度参数进行联邦聚合；生成最终经过优化噪声梯度算法保护的模型。本方法在使用传统联邦学习框架的基础上，采用对客户端传输至服务器的参数加噪并优化方法，解决了传统的基于联邦学习框架中提供加噪保护后的模型准确率低的问题。
-
Patent Agency Ranking
公开(公告)号：CN117409456A
公开(公告)日：2024-01-16
申请号：CN202311195295.8
申请日：2023-09-16
Applicant: 北京工业大学
IPC: G06V40/16 , G06V10/774 , G06V10/764
Abstract: 本发明公开了基于图匹配机制的非对齐多视图多标记学习方法，首先获取非对齐多视图多标记数据，对非对齐多视图多标记数据进行存储、预处理和数据集划分，形成样本数据集。基于样本数据集中的训练数据，构建特征矩阵、可观测标记矩阵。通过置换矩阵对非对齐数据进行显式的对齐，即样本之间点对点的一阶对齐；利用不同视图中样本的距离矩阵对视图进行图结构上的二阶对齐，从而进一步提高模型的对齐准确性。挖掘对齐的数据视图间“共性‑个性”的表达，利用跨视图的一致性和互补性构建基于图匹配机制的非对齐多视图多标记学习模型。通过交替优化方法对模型进行训练，直至模型收敛，得到分类预测器。
-
公开(公告)号：CN116938539A
公开(公告)日：2023-10-24
申请号：CN202310821315.1
申请日：2023-07-06
Applicant: 北京工业大学
IPC: H04L9/40 , H04L69/04 , H04L67/1074 , H04L67/1097
Abstract: 本发明公开了基于分布式存储的高效双压缩数据完整性验证方案。流程如下：首先，数据所有者将数据分块后进行双重压缩，第一次压缩是通过将数据块分组哈希，第二次压缩是将压缩后的数据块转变为多项式。然后数据所有者将压缩后的数据块上传到分布式存储节点中，同时上传数据认证器和审计状态。当验证者要验证分布式存储节点的存储状态时，验证者发送随机挑战给分布式存储节点用于检查存储状态。分布式存储节点根据发送的挑战内容计算相应的证明，并将证明发送给验证者。验证者根据已有参数进行验证确认数据的完整性与安全性。此外，为了进一步提升安全性，本发明实现了链上审计，主要是将验证者替换为了区块链上的智能合约。
-
公开(公告)号：CN111143471B
公开(公告)日：2023-09-01
申请号：CN201911387712.2
申请日：2019-12-27
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于区块链的密文检索方法，包括：初始化生成公共参数以及主密钥；根据用户的属性集生成关键词搜索密钥；由数据拥有者提供的访问控制策略以及数据关键词生成密文关键词数据，并采用对称加密加密用户数据，并将密文关键词数据以及密文数据调用智能合约来上传至区块链；由数据需求者提供的关键词以及关键词搜索密钥生成相应的关键词搜索令牌；将关键词搜索令牌传参至智能合约，智能合约将链上每个密文数关键词数据与关键词搜索令牌进行匹配；将得到的密文解密；本方法在区块链密文检索基础上，改进为基于属性的密文检索，将用户数据以密文的形式上传，并通过用户属性来决定用户对数据的权限。
-
公开(公告)号：CN115373912A
公开(公告)日：2022-11-22
申请号：CN202210807382.3
申请日：2022-07-08
Applicant: 北京工业大学
Abstract: 本发明属于磁盘故障预测领域，具体设计一种基于小样本学习的磁盘故障预测方法。本发明首先获取小样本的磁盘的S.M.A.R.T数据；然后通过计算S.M.A.R.T数据属性的信息熵值选取出波动性打的磁盘属性；接下来，通过采用z‑score标准化方法进行数据归一化；进一步，将处理好的小样本数据集送入辅助分类器对抗生成网络进行训练，在原始生成器的基础上添加反崩溃正则项以防止模型崩塌并增加合成样本的多样性；最后，使用训练好的数据生成模型合成大量数据对预测模型进行训练，实现预测。本发明通过数据增强的方法，在小样本数据的条件下就可实现对未来磁盘故障发生的预测，从而降低了磁盘故障预测的时间和经济的成本。
-
公开(公告)号：CN114491669A
公开(公告)日：2022-05-13
申请号：CN202210083632.3
申请日：2022-01-24
Applicant: 北京工业大学
IPC: G06F21/64
Abstract: 本发明属于数据完整性审计领域，具体涉及一种去中心化存储中的大数据完整性持续审计方案。包含数据所有者和存储提供者，其中数据所有者为验证方，存储提供者为证明方。该方案的步骤如下：数据所有者对数据进行预处理，生成公共参数。数据所有者使用数据和公共参数，生成标签集，并将公共参数发送给存储提供者。存储提供者采用持续可验证延迟函数和、可检索性证明技术和可验证随机函数，通过数据和公共参数进行计算，得到结果集、证明集和质询集。然后将生成的结果集发送给数据所有者。数据所有者针对收到的结果集进行验证计算，得到验证结果。本发明不仅保证可以持续进行数据完整性的准确验证，还可以降低质询阶段和证明阶段的传输成本。
-
-
-
-
-
-
-
-
-
Search Results
156
records
(took 0.031 seconds)
