-
公开(公告)号：CN117896729A
公开(公告)日：2024-04-16
申请号：CN202311683622.4
申请日：2023-12-10
Applicant: 北京工业大学
IPC: H04W12/122 , H04W12/121 , H04W4/40 , H04L9/40
Abstract: 本发明公开了一种基于车辆时空行为特征融合的女巫攻击溯源方法，本方法将攻击行为的核心特性与交通流中的时间、空间、通信三个维度特征融合到图结构数据中，凸显攻击者行为的异常，并全方位的揭示车辆间相互影响的动态变化规律。采用对交通流时空图进行节点嵌入表示学习的方式获取车辆在交通流之中的复杂关联关系。本发明在车辆均使用假名进行通信的情况下，能够发现车辆攻击行为的隐蔽特点，使源攻击者隐藏攻击行为的方法失效，实现近乎实时的女巫车辆检测和源攻击者溯源性能，阻止了女巫攻击对VANET的持续危害。
-
公开(公告)号：CN114339766A
公开(公告)日：2022-04-12
申请号：CN202111426702.2
申请日：2021-11-27
Applicant: 北京工业大学
IPC: H04W12/122 , G06N3/04 , H04W4/44
Abstract: 本发明公开了一种基于粗细粒度轨迹的深度学习城市车联网女巫攻击检测方法，包括：步骤1，按照固定时间窗采集粗、细粒度轨迹，当达到一个检测时间周期，执行步骤2。步骤2，采用lcs算法对粗粒度轨迹两两计算轨迹重合比例，形成轨迹关联序列，根据此关联序列找出相应的细粒度轨迹，作为检测模型的输入，执行步骤3。步骤3，对于输入的多条细粒度轨迹，利用LSTM进行单轨迹特征提取，用Transformer捕捉轨迹间关系，最后用softmax做分类，判断目标轨迹是否为女巫轨迹。实验结果证明，本发明所提出的女巫攻击检测方法具有较高的检测性能，且在不同应用场景下表现出较强的适应性。
-
公开(公告)号：CN113824684A
公开(公告)日：2021-12-21
申请号：CN202110958643.7
申请日：2021-08-20
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于迁移学习的车载网络入侵检测方法及系统，提取连续的29条CAN报文的ID，将CANID序列转为特征矩阵作为输入。由基于DenseNet的检测模型提取该特征矩阵的时序特征；由基于GAN的检测模型提取该特征矩阵的时序特征，判断是否符合未知攻击特征，若是则发出警报，并将其作为未知攻击样本存储下来，当检查到存储的样本达到一定数量，使用PCA方法对存储的未知攻击样本进行降维，使用Meanshift方法对降维后的样本进行分类，得到具有预分类标签的未知攻击数据集，完成入侵检测系统的更新。本发明所提出的PCA与Meanshift结合的方法能够有效对未知攻击进行分类，所提出的使用迁移学习更新检测模型的方法能够有效减少模型学习时对训练数据的需求量。
-
公开(公告)号：CN113660662A
公开(公告)日：2021-11-16
申请号：CN202110999647.X
申请日：2021-08-29
Applicant: 北京工业大学
IPC: H04W12/06 , H04W12/122 , H04W12/60 , H04W4/40 , H04W12/041 , H04W12/0431 , H04W12/10
Abstract: 本发明公开了一种车联网环境中基于可信连接架构的认证方法，车辆和路侧单元在可信机构的注册阶段；车辆和路侧单元在云服务提供商处进行的双向身份认证阶段；车辆和路侧单元在云服务提供商处进行的双向平台鉴别阶段。步骤4，在认证成功后，云服务提供商与车辆通过会话密钥加密通信。本发明既能够实现车辆与路侧单元的身份认证，也能够实现车辆与路侧单元的平台鉴别，进而保证车辆可信接入受保护的网络。本发明考虑了车辆和路侧单元的平台安全，能够保证终端接入网络的可信。
-
公开(公告)号：CN114172704B
公开(公告)日：2024-03-26
申请号：CN202111426698.X
申请日：2021-11-27
Applicant: 北京工业大学
IPC: H04L9/40 , H04L41/142 , H04L41/14 , H04L67/12
Abstract: 本发明公开了一种基于BSM数据包时空关系的异常节点检测方法，在车端的周边节点的BSM数据包，并记录本车在接收每一条BSM数据包时的位置信息。从BSM数据包中提取所需数据。检测器在接收到打包的数据后，计算出每个发送者的预估信源并根据积分规则进行积分操作，生成积分表。根据积分表对预估信源以及BSM数据包发送者进行分类，完成检测。本方法精准地检测出场景中绝大多数异常节点，将异常节点划分为Sybil节点与恶意节点，保证后续可以高效地对Sybil节点与恶意节点分别处理，从而保证正常节点的行驶安全。本方法在攻击概率较低的场景中更精确地找出场景中的异常节点，避免将正常节点误判为异常节点，并且可以更稳定的找出场景中的大多数异常节点，避免漏报。
-
Patent Agency Ranking
公开(公告)号：CN114157469A
公开(公告)日：2022-03-08
申请号：CN202111426704.1
申请日：2021-11-27
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于域对抗神经网络的车载网络变种攻击入侵检测方法，利用USB‑CANTOOL软件获取真实车辆上的正常数据，挑选注入攻击的ID和数据段。按照攻击方式的不同针对挑选的ID构造攻击并注入到真实车辆中进行攻击，将采集到的数据集划分为源域数据集、目标域数据集以及测试数据集。提取连续的25条CAN消息的数据段，通过三个不同卷积核大小的模块得到的特征经过拼接后输出最终的特征，作为后续工作的输入。将已知攻击的特征作为输入，判断攻击类型进行输出。通过梯度反转层乘以负数进行转换后再反向更新权值，达到对抗的效果。本发明在没有变种攻击数据训练的情况下，学习到攻击的本质特征，避免对于已知数据的特征依赖性，增加了模型的鲁棒性。
-
公开(公告)号：CN119255239A
公开(公告)日：2025-01-03
申请号：CN202411184814.5
申请日：2024-08-27
Applicant: 北京工业大学
IPC: H04W12/065 , H04W12/069 , H04W12/041 , H04W12/106 , H04W12/08 , H04W12/00 , H04W4/44 , H04W36/08
Abstract: 本发明公开了一种车联网环境中基于可信连接架构的持续认证方法，首先，设计了初始认证阶段，该阶段在云服务提供商的协助下，完成了对车辆和路侧单元的双向身份认证；然后，车辆驶入其他路侧单元覆盖区域后，可由车辆或路侧单元发起对于车辆的持续身份验证，车辆发送最新身份信息给路侧单元和云服务提供商，由云服务提供商完成对车辆身份的持续验证，同时完成车辆在不同路侧单元之间的切换。本发明既实现了对道路车辆的初始认证，又实现了后续行驶过程中的持续认证和切换，本发明能够实现密钥协商、前向/后向保密性和身份隐私保护，还能有效抵御合谋攻击、中间人攻击、重放攻击、假冒攻击和修改攻击等常见攻击，增强了车联网环境的安全性。
-
公开(公告)号：CN114157469B
公开(公告)日：2024-04-02
申请号：CN202111426704.1
申请日：2021-11-27
Applicant: 北京工业大学
IPC: H04L9/40 , H04L12/40 , G06N3/0464 , G06N3/094 , G06N3/09
Abstract: 本发明公开了基于域对抗神经网络的车载网络变种攻击入侵检测方法，利用USB‑CAN TOOL软件获取真实车辆上的正常数据，挑选注入攻击的ID和数据段。按照攻击方式的不同针对挑选的ID构造攻击并注入到真实车辆中进行攻击，将采集到的数据集划分为源域数据集、目标域数据集以及测试数据集。提取连续的25条CAN消息的数据段，通过三个不同卷积核大小的模块得到的特征经过拼接后输出最终的特征，作为后续工作的输入。将已知攻击的特征作为输入，判断攻击类型进行输出。通过梯度反转层乘以负数进行转换后再反向更新权值，达到对抗的效果。本发明在没有变种攻击数据训练的情况下，学习到攻击的本质特征，避免对于已知数据的特征依赖性，增加了模型的鲁棒性。
-
公开(公告)号：CN114339766B
公开(公告)日：2024-02-09
申请号：CN202111426702.2
申请日：2021-11-27
Applicant: 北京工业大学
IPC: H04W12/122 , G06N3/0442 , H04W4/44
Abstract: 本发明公开了一种基于粗细粒度轨迹的深度学习城市车联网女巫攻击检测方法，包括：步骤1，按照固定时间窗采集粗、细粒度轨迹，当达到一个检测时间周期，执行步骤2。步骤2，采用lcs算法对粗粒度轨迹两两计算轨迹重合比例，形成轨迹关联序列，根据此关联序列找出相应的细粒度轨迹，作为检测模型的输入，执行步骤3。步骤3，对于输入的多条细粒度轨迹，利用LSTM进行单轨迹特征提取，用Transformer捕捉轨迹间关系，最后用softmax做分类，判断目标轨迹是否为女巫轨迹。实验结果证明，本发明所提出的女巫攻击检测方法具有较高的检测性能，且在不同应用场景下表现出较强的适应性。
-
公开(公告)号：CN116415144A
公开(公告)日：2023-07-11
申请号：CN202211492202.3
申请日：2022-11-25
Applicant: 北京工业大学
IPC: G06F18/214 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于循环神经网络的模型压缩和加速方法，包括：对目标数据集进行数据预处理作为模型输入，选定合适的循环神经网络进行训练，并用测试集对训练后的模型进行检测，保存表现良好的模型参数。对模型输入到全连接层的参数进行权重计算，依此选择合适的参数数量，并对除全连接层外的所有网络层进行参数维度的更新，输入到全连接层的其余参数取平均值，进而实现模型的压缩。将更新后的模型中的矩阵乘法计算使用优化的Maddness方法进行近似矩阵乘法计算，进而实现模型的加速。本发明所提出的压缩和加速方法，能在保持模型检测性能的同时压缩模型参数加快模型运算。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.018 seconds)
