-
公开(公告)号：CN108462717A
公开(公告)日：2018-08-28
申请号：CN201810249326.6
申请日：2018-03-21
申请人： 北京理工大学
IPC分类号： H04L29/06
摘要： 本发明涉及基于规则匹配命中率和分布方差的防火墙规则集优化方法，属于计算机与信息科学技术领域。本发明首先对防火墙初始化规则集进行预处理，预处理的内容包括规则集异常检测、异常处理及规则合并，预处理之后得到不存在异常规则的最简防火墙规则集。然后实时收集一段时间防火墙日志，根据防火墙日志信息计算规则权重，规则权重计算分为三个部分，分别是规则匹配命中频率统计、规则命中时间分布统计和根据这两项统计数据计算的规则权重值。最后根据计算出来的规则权重值，对防火墙规则集进行重排序，将权重值较高的规则放在优先级更高的位置。本发明相较于常规的防火墙规则集优化算法，有更好的优化效果，能够使防火墙保持较高的数据包过滤率，并且具备较好的灵活性和可移植性。
-
公开(公告)号：CN113946670B
公开(公告)日：2024-05-10
申请号：CN202111217510.0
申请日：2021-10-19
申请人： 北京理工大学
IPC分类号： G06F16/332 , G06F16/33 , G06F16/35 , G06F40/247
摘要： 本发明涉及一种面向对话情感识别的对比式上下文理解增强方法，属于计算机与信息科学技术领域。首先，基于已有的对话情感分析框架，提取出其中用于情感分类的隐藏状态序列。然后，基于提取的序列表示，构建包含上下文语义感知模式的对比样本。之后，利用对比学习损失函数，让模型能够从样本中学习到其包含的模式，以增强模型对于对话上下文的理解能力。最后，将对比损失和情感分类损失函数相加并进行多任务学习，完成网络模型训练。本方法具有较强地适配性，可以灵活地嵌入到已有的情感分类模型中，能够让模型在一定程度上从对话上下文内容理解的角度进行情感判别，同时能有效提升已有模型的情感分类准确率和面对扰动的鲁棒性。
-
公开(公告)号：CN109271788B
公开(公告)日：2021-10-12
申请号：CN201810963774.2
申请日：2018-08-23
申请人： 北京理工大学
摘要： 本发明涉及一种基于深度学习的Android恶意软件检测方法，属于计算机与信息科学技术领域。本发明首先对Android应用软件进行特征提取，然后通过对Android应用文件进行解压缩和反编译等操作提取相关的安全特征。提取的特征包括3个方面：文件结构特征、安全经验特征和Dalvik指令集构成的N‑gram统计特征。然后对提取的特征进行数值化处理，构建特征向量。最后基于上述提取的相关特征构建DNN(Deep Neural Network)模型。通过构建的模型对新来的Android软件进行分类和识别。该方法融合了指令集的分析，具有对抗恶意软件混淆的作用，同时基于深度模型的恶意软件检测能够增强特征学习，能够很好地表达大数据的丰富内在信息，更加容易适应不断进化的恶意软件。
-
公开(公告)号：CN108462717B
公开(公告)日：2020-07-28
申请号：CN201810249326.6
申请日：2018-03-21
申请人： 北京理工大学
IPC分类号： H04L29/06
摘要： 本发明涉及基于规则匹配命中率和分布方差的防火墙规则集优化方法，属于计算机与信息科学技术领域。本发明首先对防火墙初始化规则集进行预处理，预处理的内容包括规则集异常检测、异常处理及规则合并，预处理之后得到不存在异常规则的最简防火墙规则集。然后实时收集一段时间防火墙日志，根据防火墙日志信息计算规则权重，规则权重计算分为三个部分，分别是规则匹配命中频率统计、规则命中时间分布统计和根据这两项统计数据计算的规则权重值。最后根据计算出来的规则权重值，对防火墙规则集进行重排序，将权重值较高的规则放在优先级更高的位置。本发明相较于常规的防火墙规则集优化算法，有更好的优化效果，能够使防火墙保持较高的数据包过滤率，并且具备较好的灵活性和可移植性。
-
公开(公告)号：CN108492832A
公开(公告)日：2018-09-04
申请号：CN201810234234.0
申请日：2018-03-21
申请人： 北京理工大学
IPC分类号： G10L21/007 , G10L19/02
CPC分类号： G10L21/007 , G10L19/0216
摘要： 本发明针对传统实时变声算法如WSOLA算法等复杂度高、实时性差和转换语音质量低的问题，提出了基于小波变换的高质量声音变换方法。首先运用重采样的方法对原始语音信号先进行变调处理，变调后的语音信号时长会发生改变。然后对变调后的语音信号进行预加重、分帧和加窗处理。接着通过小波变换的方法获得当前帧的语音特征。根据该特征，对语音信号的转折部分做出检测与确定，通过保留转折区语音信号不变的方式提高语音信号的感知度。最后，为了提高语音转换的实时性，采用了点采样的方式进行语音规整完成语音转换。
-
公开(公告)号：CN113946670A
公开(公告)日：2022-01-18
申请号：CN202111217510.0
申请日：2021-10-19
申请人： 北京理工大学
IPC分类号： G06F16/332 , G06F16/33 , G06F16/35 , G06F40/247
摘要： 本发明涉及一种面向对话情感识别的对比式上下文理解增强方法，属于计算机与信息科学技术领域。首先，基于已有的对话情感分析框架，提取出其中用于情感分类的隐藏状态序列。然后，基于提取的序列表示，构建包含上下文语义感知模式的对比样本。之后，利用对比学习损失函数，让模型能够从样本中学习到其包含的模式，以增强模型对于对话上下文的理解能力。最后，将对比损失和情感分类损失函数相加并进行多任务学习，完成网络模型训练。本方法具有较强地适配性，可以灵活地嵌入到已有的情感分类模型中，能够让模型在一定程度上从对话上下文内容理解的角度进行情感判别，同时能有效提升已有模型的情感分类准确率和面对扰动的鲁棒性。
-
公开(公告)号：CN109271788A
公开(公告)日：2019-01-25
申请号：CN201810963774.2
申请日：2018-08-23
申请人： 北京理工大学
摘要： 本发明涉及一种基于深度学习的Android恶意软件检测方法，属于计算机与信息科学技术领域。本发明首先对Android应用软件进行特征提取，然后通过对Android应用文件进行解压缩和反编译等操作提取相关的安全特征。提取的特征包括3个方面：文件结构特征、安全经验特征和Dalvik指令集构成的N-gram统计特征。然后对提取的特征进行数值化处理，构建特征向量。最后基于上述提取的相关特征构建DNN(Deep Neural Network)模型。通过构建的模型对新来的Android软件进行分类和识别。该方法融合了指令集的分析，具有对抗恶意软件混淆的作用，同时基于深度模型的恶意软件检测能够增强特征学习，能够很好地表达大数据的丰富内在信息，更加容易适应不断进化的恶意软件。
-
公开(公告)号：CN109145605A
公开(公告)日：2019-01-04
申请号：CN201810963865.6
申请日：2018-08-23
申请人： 北京理工大学
IPC分类号： G06F21/56
CPC分类号： G06F21/562 , G06F2221/033
摘要： 本发明涉及一种基于SinglePass算法的Android恶意家族聚类方法，属于计算机与信息科学技术领域。本发明首先对Android恶意软件进行行为特征提取，得到该软件的敏感权限、系统Action、系统Category、和敏感系统API调用，将这些作为该软件的行为特征。然后用过滤式方法对构建的特征进行特征选择处理，筛选出相对重要的特征作为下一步分析的特征。最后通过计算软件和已有恶意家族之间的相似度作为家族归属的判定依据。判定过程中首先设定一个相似度阈值，如果相似度超过阈值则选取和所有已有家族中相似度最高的家族作为该恶意软件的家族归属。反之则将该软件划分为新的恶意软件家族。该发明相比于动态分析方法能够有效提高分析效率，发现新的软件恶意家族，具有较大的实用价值。
-
-
-
-
-
-
-
搜索结果
8 条记录 (耗时 0.022 秒)