-
公开(公告)号：CN118381633A
公开(公告)日：2024-07-23
申请号：CN202410457525.1
申请日：2024-04-16
Applicant: 北京理工大学
IPC: H04L9/40 , H04L9/00 , G06F18/23211 , G06F18/2431 , G06N20/00
Abstract: 本发明提供一种基于自注意力聚类的区块链Eclipse攻击检测方法，多核神经网络模型使用了自注意力编码器来学习数据的低维表示，这个过程不仅降低了数据维度，同时尽可能多地保留了数据内部相关信息，确保最后聚类的准确性；由此可见，本发明采用了新颖的聚类技术来挖掘数据内部信息，从而提取得到流量数据的多维度特征，能够有效提升分类模型的检测性能，进而能够有效地检测区块链中的Eclipse攻击。
-
公开(公告)号：CN115062331A
公开(公告)日：2022-09-16
申请号：CN202210559125.2
申请日：2022-05-22
Applicant: 北京理工大学
Abstract: 本发明属于机器学习中的深度学习技术领域，具体涉及一种基于加性同态加密的隐私保护深度学习方法。本发明提出的基于加性同态加密的高效率隐私保护深度学习方法致力于解决上述两大挑战，该方法将用户从繁重的迭代训练过程中解放出来，减少用户的传输消耗，同时借助加性同态加密和随机梯度下降训练具有良好可用性和保密性的多层感知模型。通过巧妙的数学逻辑关系实现了通信高效，大大降低了参与实体的通信开销。
-
公开(公告)号：CN115913749B
公开(公告)日：2023-09-29
申请号：CN202211554244.5
申请日：2022-12-06
Applicant: 北京理工大学
IPC: H04L9/40 , G06N3/0442 , G06N3/098 , G06F18/214
Abstract: 本发明公开了一种基于去中心化联邦学习的区块链DDoS检测方法，本发明属于隐私计算中的联邦学习技术领域，包括：建立联邦学习系统，所述联邦学习系统包括若干本地节点，获取若干所述本地节点的本地数据集；初始化本地节点的LSTM模型；对所述本地节点的本地数据集处理，得到本地节点预处理数据，其中，所述本地节点预处理数据包括训练集和测试集；将所述本地节点预处理数据的训练集对应输入到本地节点的LSTM模型进行训练，得到本地节点的最终模型；将所述测试集输入本地节点的最终模型，得到本地节点检测攻击的准确率。本发明既能确保有效检测区块链中DDoS攻击的同时又能保证大幅减少训练过程中的通信开销。
-
Patent Agency Ranking
公开(公告)号：CN114186237A
公开(公告)日：2022-03-15
申请号：CN202111245837.9
申请日：2021-10-26
Applicant: 北京理工大学
Abstract: 本发明提出了一种基于真值发现的鲁棒性联邦学习模型聚合方法，属于机器学习中的联邦学习技术领域。所述基于真值发现的鲁棒性联邦学习模型聚合方法主要包括以下步骤：步骤1、搭建包含一个中心服务器和若干个客户端的联邦学习系统；步骤2、中心服务器将初始全局模型发送给客户端；步骤3、客户端用本地的数据集训练初始全局模型，而后得到本地模型，并将本地模型参数发送给中心服务器；步骤4、中心服务器接收客户端发送的本地模型参数，先估计客户端的权重再计算本地模型参数的真值，聚合得到全局模型参数，最后用余弦相似度过滤恶意客户端。所述聚合方法能抵御恶意中毒攻击，容忍系统中高达50％占比的恶意客户端，具有较强的鲁棒性。
-
公开(公告)号：CN114186237B
公开(公告)日：2024-07-19
申请号：CN202111245837.9
申请日：2021-10-26
Applicant: 北京理工大学
Abstract: 本发明提出了一种基于真值发现的鲁棒性联邦学习模型聚合方法，属于机器学习中的联邦学习技术领域。所述基于真值发现的鲁棒性联邦学习模型聚合方法主要包括以下步骤：步骤1、搭建包含一个中心服务器和若干个客户端的联邦学习系统；步骤2、中心服务器将初始全局模型发送给客户端；步骤3、客户端用本地的数据集训练初始全局模型，而后得到本地模型，并将本地模型参数发送给中心服务器；步骤4、中心服务器接收客户端发送的本地模型参数，先估计客户端的权重再计算本地模型参数的真值，聚合得到全局模型参数，最后用余弦相似度过滤恶意客户端。所述聚合方法能抵御恶意中毒攻击，容忍系统中高达50％占比的恶意客户端，具有较强的鲁棒性。
-
公开(公告)号：CN115310120A
公开(公告)日：2022-11-08
申请号：CN202210780488.9
申请日：2022-07-04
Applicant: 北京理工大学
Abstract: 本发明提出了一种基于双陷门同态加密的鲁棒性联邦学习聚合方法，属于隐私计算中的联邦学习技术领域。所述方法包括：建立包含多个本地联邦参与方、一个模型聚合方以及一个模型请求方的联邦学习系统；建立分布式双陷门同态加密系统；各个联邦参与方接收初始全局模型，随后用自己的本地数据集训练接收到的初始全局模型，从而得到各自的本地模型，而后用分布式双陷门同态加密系统加密各自的本地模型参数；模型聚合方计算加密后的本地模型参数两两之间的欧式距离，据此执行基于最大团算法的过滤规则，筛选出遭到攻击的联邦参与方。所述聚合方法既能在理论上保护模型隐私安全又能在实验中抵御数据中毒攻击，兼顾安全性和可用性。
-
公开(公告)号：CN115062331B
公开(公告)日：2025-05-09
申请号：CN202210559125.2
申请日：2022-05-22
Applicant: 北京理工大学
IPC: G06F21/62 , G06N3/0464 , G06N3/08
Abstract: 本发明属于机器学习中的深度学习技术领域，具体涉及一种基于加性同态加密的隐私保护深度学习方法。本发明提出的基于加性同态加密的高效率隐私保护深度学习方法致力于解决上述两大挑战，该方法将用户从繁重的迭代训练过程中解放出来，减少用户的传输消耗，同时借助加性同态加密和随机梯度下降训练具有良好可用性和保密性的多层感知模型。通过巧妙的数学逻辑关系实现了通信高效，大大降低了参与实体的通信开销。
-
公开(公告)号：CN115913749A
公开(公告)日：2023-04-04
申请号：CN202211554244.5
申请日：2022-12-06
Applicant: 北京理工大学
IPC: H04L9/40 , G06N3/0442 , G06N3/098 , G06F18/214
Abstract: 本发明公开了一种基于去中心化联邦学习的区块链DDoS检测方法，本发明属于隐私计算中的联邦学习技术领域，包括：建立联邦学习系统，所述联邦学习系统包括若干本地节点，获取若干所述本地节点的本地数据集；初始化本地节点的LSTM模型；对所述本地节点的本地数据集处理，得到本地节点预处理数据，其中，所述本地节点预处理数据包括训练集和测试集；将所述本地节点预处理数据的训练集对应输入到本地节点的LSTM模型进行训练，得到本地节点的最终模型；将所述测试集输入本地节点的最终模型，得到本地节点检测攻击的准确率。本发明既能确保有效检测区块链中DDoS攻击的同时又能保证大幅减少训练过程中的通信开销。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
