-
公开(公告)号：CN116094843A
公开(公告)日：2023-05-09
申请号：CN202310369863.5
申请日：2023-04-10
申请人： 北京航空航天大学 , 中国信息通信研究院 , 中国科学院数学与系统科学研究院
IPC分类号： H04L9/40 , H04L41/16 , G06N3/042 , G06N3/08 , G06F18/214 , G06F18/241
摘要： 本发明涉及工业互联网网络安全领域，具体公开了一种基于知识图谱的网络威胁评估方法，包括：从非结构高级持续威胁APT报告中手工标记部分网络信息实体和关系，得到训练集；利用预先训练的BERT语言模型，并从目标实体中提取信息来建立实体关系分类模型；利用关系分类模型，得到网络威胁信息实体关系对，并构建网络威胁知识图谱；最后，考虑知识图谱中的知识不可能是完全正确的，据此建立了一个知识图可信度度量模型，量化了所构建知识图谱的语义正确性和事实表达的真实程度。综上所述，所提出的方法既实现了网络威胁知识图谱的构建，并且可以对所构建知识图谱的可信度进行高效评价。
-
公开(公告)号：CN116094843B
公开(公告)日：2023-06-16
申请号：CN202310369863.5
申请日：2023-04-10
申请人： 北京航空航天大学 , 中国信息通信研究院 , 中国科学院数学与系统科学研究院
IPC分类号： H04L9/40 , H04L41/16 , G06N3/042 , G06N3/08 , G06F18/214 , G06F18/241
摘要： 本发明涉及工业互联网网络安全领域，具体公开了一种基于知识图谱的网络威胁评估方法，包括：从非结构高级持续威胁APT报告中手工标记部分网络信息实体和关系，得到训练集；利用预先训练的BERT语言模型，并从目标实体中提取信息来建立实体关系分类模型；利用关系分类模型，得到网络威胁信息实体关系对，并构建网络威胁知识图谱；最后，考虑知识图谱中的知识不可能是完全正确的，据此建立了一个知识图可信度度量模型，量化了所构建知识图谱的语义正确性和事实表达的真实程度。综上所述，所提出的方法既实现了网络威胁知识图谱的构建，并且可以对所构建知识图谱的可信度进行高效评价。
-
公开(公告)号：CN116204793A
公开(公告)日：2023-06-02
申请号：CN202310473318.0
申请日：2023-04-28
申请人： 北京航空航天大学 , 中国信息通信研究院 , 中国科学院数学与系统科学研究院
IPC分类号： G06F18/214 , G06F18/23 , G06F18/22 , G06F21/62
摘要： 本发明涉及一种基于联邦学习的工业互联网云边模型聚合方法，属于隐私保护的技术领域。本发明基于联邦学习的工业互联网云边模型聚合方法，联邦学习模型包括云端服务器模型和多个边缘端服务器模型，具体包括以下步骤：步骤1、基于当前云端服务器模型参数更新每个边缘端服务器模型参数；步骤2、对每个边缘端模型更新后模型参数进行筛选，云端服务器模型筛选出满足条件的聚合边缘端模型；步骤3、基于聚合边缘端模型更新云端服务器模型参数；步骤4、基于更新后的云端服务器模型参数进行下一次云端服务器模型的更新直至云端服务器模型的最大更新次数获得全局模型。该方法在训练过程中对客户端节点进行筛选，提高了模型的稳定性。
-
公开(公告)号：CN115242559B
公开(公告)日：2022-12-02
申请号：CN202211161541.3
申请日：2022-09-23
申请人： 北京航空航天大学 , 中国信息通信研究院 , 中国科学院数学与系统科学研究院
摘要： 本发明公开了一种基于区块链和联邦学习的网络流量入侵检测方法，包括：各设备独立进行新型攻击的检测与标记；进行全局模型的初始化；将各设备随机划分为工作节点和挖掘节点，工作节点利用本地数据训练局部检测模型，将自身的局部模型参数上传至区块链；挖掘节点对模型参数合法性进行验证，并基于区块链一致性算法生成合法区块；各工作节点下载合法区块，并基于联邦聚合算法对模型参数进行更新；迭代进行上述训练过程，最终得到全局的网络流量入侵检测模型。该方法基于联邦学习和区块链建立全局网络流量入侵检测模型，能够在发现新的未标记攻击类型的同时，保证各设备产生的各种流量数据留在设备本地，实现了数据隐私保护的目的。
-
公开(公告)号：CN116204793B
公开(公告)日：2023-07-04
申请号：CN202310473318.0
申请日：2023-04-28
申请人： 北京航空航天大学 , 中国信息通信研究院 , 中国科学院数学与系统科学研究院
IPC分类号： G06F18/214 , G06F18/23 , G06F18/22 , G06F21/62
摘要： 本发明涉及一种基于联邦学习的工业互联网云边模型聚合方法，属于隐私保护的技术领域。本发明基于联邦学习的工业互联网云边模型聚合方法，联邦学习模型包括云端服务器模型和多个边缘端服务器模型，具体包括以下步骤：步骤1、基于当前云端服务器模型参数更新每个边缘端服务器模型参数；步骤2、对每个边缘端模型更新后模型参数进行筛选，云端服务器模型筛选出满足条件的聚合边缘端模型；步骤3、基于聚合边缘端模型更新云端服务器模型参数；步骤4、基于更新后的云端服务器模型参数进行下一次云端服务器模型的更新直至云端服务器模型的最大更新次数获得全局模型。该方法在训练过程中对客户端节点进行筛选，提高了模型的稳定性。
-
公开(公告)号：CN115242559A
公开(公告)日：2022-10-25
申请号：CN202211161541.3
申请日：2022-09-23
申请人： 北京航空航天大学 , 中国信息通信研究院 , 中国科学院数学与系统科学研究院
摘要： 本发明公开了一种基于区块链和联邦学习的网络流量入侵检测方法，包括：各设备独立进行新型攻击的检测与标记；进行全局模型的初始化；将各设备随机划分为工作节点和挖掘节点，工作节点利用本地数据训练局部检测模型，将自身的局部模型参数上传至区块链；挖掘节点对模型参数合法性进行验证，并基于区块链一致性算法生成合法区块；各工作节点下载合法区块，并基于联邦聚合算法对模型参数进行更新；迭代进行上述训练过程，最终得到全局的网络流量入侵检测模型。该方法基于联邦学习和区块链建立全局网络流量入侵检测模型，能够在发现新的未标记攻击类型的同时，保证各设备产生的各种流量数据留在设备本地，实现了数据隐私保护的目的。
-
公开(公告)号：CN116880571A
公开(公告)日：2023-10-13
申请号：CN202311147044.2
申请日：2023-09-07
申请人： 北京航空航天大学 , 中国科学院数学与系统科学研究院
IPC分类号： G05D1/10
摘要： 本发明属于无人机编队控制的技术领域，公开了一种网络攻击下的无人机编队鲁棒控制系统及控制方法。本发明首先建立无网络攻击下无人机编队的有向通讯链路并确定编队中心；然后，建立无人机编队动力学模型，设计无网络攻击条件下的控制律；根据网络攻击对无人机编队造成的影响，得到总干扰影响；建立攻击免疫控制律，抑制网络攻击对无人机编队的影响；最后，将控制律和攻击免疫控制律相结合，组成鲁棒控制律，实现对无人机编队的控制。本发明可以实现无人机编队在网络攻击情况下的编队飞行，可以显著提高无人机编队飞行的安全性。相比较现有控制技术方法，该方法更加符合实际的应用。
-
公开(公告)号：CN115657730B
公开(公告)日：2023-03-14
申请号：CN202211679516.4
申请日：2022-12-27
申请人： 北京航空航天大学 , 中国科学院数学与系统科学研究院
IPC分类号： G05D1/10
摘要： 本发明属于无人机飞行控制技术领域，具体涉及一种大规模多旋翼无人机鲁棒分簇编队控制方法。该方法首先建立多旋翼无人机编队运动模型和编队系统的有向通讯拓扑结构；然后，结合图论理论将无人机编队网络划分成若干个簇；最后，设计鲁棒控制律，实现无人机编队在外部风扰下的稳定飞行，有效解决了传统编队控制方法受限于规模和运算量大的问题，可实现期望的编队协同性能。
-
公开(公告)号：CN113255234B
公开(公告)日：2021-09-28
申请号：CN202110715726.3
申请日：2021-06-28
申请人： 北京航空航天大学 , 中国科学院数学与系统科学研究院
IPC分类号： G06F30/27 , G06N3/04 , G06N3/08 , G06N7/00 , G06F111/08
摘要： 本发明公开了一种对导弹群进行在线目标分配的方法，包括：根据实时获取的各个目标的状态以及导弹群自身的状态，建立导弹群对目标群的打击优势矩阵；对于导弹群中未分配目标的导弹，根据打击优势矩阵、导弹群与目标群的作战相关信息以及导弹群的当前目标分配情况，分别构建导弹与目标群中各目标的联合状态向量；根据导弹与目标群中各目标的联合状态向量，利用估值神经网络为导弹分配目标；重复前两步，直至导弹群中所有导弹都被分配且仅分配了一个目标为止。通过本发明的技术方案，能够解决大规模弹群协同作战场景中复杂性高、对抗性强的问题，为最大化导弹群协同作战效能奠定基础。
-
公开(公告)号：CN115877871A
公开(公告)日：2023-03-31
申请号：CN202310193021.9
申请日：2023-03-03
申请人： 北京航空航天大学 , 中国科学院数学与系统科学研究院
IPC分类号： G05D1/10
摘要： 本发明属于无人飞行器控制技术领域，提出了一种基于强化学习的非零和博弈无人机编队控制方法，具体步骤如下：S1：建立无人机动力学模型；S2：建立非零和博弈编队模型；S3：利用强化学习方法对步骤S2建立的非零和博弈编队模型进行求解；S4：设计非零和博弈编队控制器。本发明所涉及的控制方法可以让无人机集群子系统状态快速收敛到期望值，即能在短时间内让无人机集群形成所需的编队样式，过程平稳且快速。同时，误差系统采用基于博弈的控制方法比采用传统控制方法收敛速度更快且超调量更小。因此，所提出的非零和博弈控制器能够较好地解决编队轨迹跟踪问题。
-
-
-
-
-
-
-
-
-
搜索结果
91 条记录 (耗时 0.135 秒)
