-
公开(公告)号：CN115913575B
公开(公告)日：2025-02-18
申请号：CN202211565729.4
申请日：2022-12-07
Applicant: 北京邮电大学
IPC: H04L9/32 , H04L67/1061 , H04L9/24 , H04L9/40 , H04W12/069
Abstract: 本发明公开了一种轻量健壮的基于主从区块链的跨域身份认证方法，将整条区块链拆分为一条主区块链和多条从区块链,由跨域通信节点负责主链和从链之间的信息交互，把不同体制的信任域内不同功能的节点在主从链中进行功能匹配。由于区块链本身去中心化特性，可降低集中式风险，再使用区别于以往整链共识的局部共识，仅需在认证相关从链和主链进行共识即可完成数据共识共享，从链存储具体证书，主链存储证书的哈希值，有效地减少了共识参与节点数量，提高了认证效率。同时认证过程共需两次非对称加密、三次基于非对称加密的数字签名和验证、一次哈希运算，故计算复杂度进一步降低。
-
公开(公告)号：CN111355725A
公开(公告)日：2020-06-30
申请号：CN202010120695.2
申请日：2020-02-26
Applicant: 北京邮电大学
Abstract: 本发明实施例提供的一种网络入侵数据的检测方法及装置，其中方法包括：获取各个网段内的数据，将各个网段内的数据输入预先训练好的网络入侵检测模型，得到各个数据对应的检测结果。本发明实施例使用预先训练好的网络入侵检测模型检测各个网段的数据，预先训练好的网络入侵检测模型中低于预设权重阈值的权重的值为零，并且预先训练好的网络入侵检测模型是在低于预设权重阈值的权重置零后的网络入侵检测模型中，成本值最小的网络入侵检测模型，该网络入侵检测模型仅保留权重不低于权重阈值的通道的连接，从而降低了网络入侵检测模型的复杂性和冗余度，减少了网络入侵检测模型过拟合的风险，提高了网络入侵检测模型的识别网络入侵数据的准确率。
-
公开(公告)号：CN111241418B
公开(公告)日：2023-04-18
申请号：CN202010015549.3
申请日：2020-01-07
Applicant: 北京邮电大学
IPC: G06F16/9536 , G06N5/04
Abstract: 本发明实施例提供了一种基于局部加权中心性信任推理的信息推荐方法及装置，方法包括：计算每个用户对其邻居用户的信任信息所对应的预设分数的总和，作为每个用户的局部加权中心性分数；针对每个用户，根据对应的局部加权中心性分数对其邻居用户进行筛选，得到该用户的目标邻居用户；根据待推荐用户与其目标邻居用户之间的兴趣关联关系，以及目标用户与其他用户之间的兴趣关联关系，确定待推荐用户与目标用户之间的目标兴趣关联关系；基于目标兴趣关联关系对应的各用户之间的信任信息所对应的预设分数，确定待推荐用户对目标用户的信任分数；根据信任分数，向待推荐用户推荐预设信息。应用本发明实施例，可以提高信息推荐的效率。
-
公开(公告)号：CN115913575A
公开(公告)日：2023-04-04
申请号：CN202211565729.4
申请日：2022-12-07
Applicant: 北京邮电大学
IPC: H04L9/32 , H04L67/1061 , H04L9/24 , H04L9/40 , H04W12/069
Abstract: 本发明公开了一种轻量健壮的基于主从区块链的跨域身份认证方法，将整条区块链拆分为一条主区块链和多条从区块链,由跨域通信节点负责主链和从链之间的信息交互，把不同体制的信任域内不同功能的节点在主从链中进行功能匹配。由于区块链本身去中心化特性，可降低集中式风险，再使用区别于以往整链共识的局部共识，仅需在认证相关从链和主链进行共识即可完成数据共识共享，从链存储具体证书，主链存储证书的哈希值，有效地减少了共识参与节点数量，提高了认证效率。同时认证过程共需两次非对称加密、三次基于非对称加密的数字签名和验证、一次哈希运算，故计算复杂度进一步降低。
-
公开(公告)号：CN115828180A
公开(公告)日：2023-03-21
申请号：CN202211711499.8
申请日：2022-12-29
Applicant: 北京邮电大学
IPC: G06F18/2433 , G06F18/25 , G06F18/22 , G06F16/35 , G06F40/216 , G06F40/30 , G06N3/0464 , G06N3/049 , G06N3/082
Abstract: 本发明公开了一种基于解析优化和时序卷积网络的日志异常检测方法，基于固定深度树结构的日志解析方法，解决日志解析阶段按照日志进行匹配的效率问题，以应对日志中存在可变参数以及日志输出不稳定的情况；基于BERT的预训练模型来从日志模板中提取语义特征，利用窗口技术获取日志的序列特征，基于TF‑IDF捕获日志模板数量特征信息，充分提取日志解析中的特征，为日志特征提取环节提供了更为全面的视角，使得最后的异常检测更具有效率性和全面性；基于时序卷积网络TCN来处理序列特征，其能够实现并行化从而提高模型的运行效率；使用自注意力机制来完成三个特征的学习，给不同的特征分配不同的权重，最后使用全连接层组合所有的特征来获得最终的预测输出。
-
Patent Agency Ranking
公开(公告)号：CN111460155A
公开(公告)日：2020-07-28
申请号：CN202010245428.8
申请日：2020-03-31
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种基于知识图谱的信息可信度评估方法及装置，方法包括：获取待评估的目标信息，从目标信息中提取目标三元组；依次使用预先生成的知识图谱中包含的N个关系替换目标三元组中的目标关系，得到N个替换三元组；基于预先训练完成的向量表示模型，将每个替换三元组中包含的头实体、关系以及尾实体分别转换为头实体向量、关系向量以及尾实体向量；基于替换三元组的头实体向量、关系向量以及尾实体向量，计算替换三元组的曼哈顿距离；根据计算得到的曼哈顿距离，对替换三元组和目标三元组进行排序；根据计算得到的曼哈顿距离，以及排序结果，计算目标三元组的可信度评分。能够适用于大数据环境，且提高信息评估的准确度。
-
公开(公告)号：CN119383002A
公开(公告)日：2025-01-28
申请号：CN202411654429.2
申请日：2024-11-19
Applicant: 北京邮电大学
Abstract: 一种基于零信任架构的四重端口隐藏方法及装置，属于计算机网络安全领域，包括：第一次敲门操作和基于时空矩阵融合多因子模型的终端信任评估方法；基于信任的多元身份认证；隧道端口敲门；业务端口敲门。本发明采用四重端口隐藏零信任访问控制方案，通过向零信任安全管理平台、身份认证端口、SDP网关中的VPN隧道端口以及业务端口进行敲门，实现了用户准入和业务服务的全面防护增强。本发明通过四重端口隐藏技术增加了额外的安全层，使得攻击者难以轻易找到有效的攻击入口点；同时基于信任的身份认证机制能够实现更加精细化的访问控制，并且能够适应复杂的网络环境，从而避免了传统SPA机制中存在的安全漏洞。
-
公开(公告)号：CN111639696B
公开(公告)日：2023-08-01
申请号：CN202010456045.5
申请日：2020-05-26
Applicant: 北京邮电大学
IPC: G06F18/2415 , G06F18/214 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明实施例提供了一种用户分类方法及装置，涉及计算机技术领域，可以提高对用户分类的准确度，本发明实施例的技术方案包括：获取待识别用户的用户特征和邻接矩阵，其中，邻接矩阵中包括的元素用于表示用户数据集对应的各用户在异质信息网络中对应的节点之间是否存在关联关系，关联关系包括直接关系和间接关系，用户数据集包括待识别用户的用户特征，异质信息网络包括多种类型的节点；然后将待识别用户的用户特征和邻接矩阵输入用户图卷积网络GCN，得到卷积后的用户特征；再将卷积后的用户特征与标签矩阵相乘，得到待识别用户的类别，其中，标签矩阵用于针对用户数据集对应的每个用户，确定该用户属于各个类别的概率。
-
公开(公告)号：CN116484363A
公开(公告)日：2023-07-25
申请号：CN202211391970.X
申请日：2022-11-08
Applicant: 北京邮电大学
IPC: G06F21/55 , G06F18/241 , G06N3/042
Abstract: 本发明公开了一种基于双域图卷积神经网络的内部威胁异常检测方法，包括如下步骤：S1、基于用户之间的交互信息构建始邻接矩阵，根据原始特征矩阵和结构信息，通过加权特征相似度函数构建特征域的邻接矩阵和特征矩阵；S2、分别通过拓扑域卷积和特征域卷操作，在拓扑域和特征域上传播节点特征，以学习相应的图嵌入；S3、根据从拓扑域和特征域中提取的图嵌入，对用户行为和操作进行矢量化，利用注意力机制来学习这两个图嵌入中每个节点的重要性权重，并自适应地传播，生成最终的节点嵌入。本发明在传统的图卷积神经网络的基础上，提出双域图卷积神经网络模型，同时考虑到了节点的结构信息和特征信息，提高内部威胁检测的准确率，降低误报率。
-
公开(公告)号：CN117313100A
公开(公告)日：2023-12-29
申请号：CN202311153868.0
申请日：2023-09-08
Applicant: 北京邮电大学
Abstract: 本发明公开了一种面向联邦学习的成员推理攻击方法，通过训练过程中的模型的多个训练轮次信息，观察模型参数变化规律，充分加强对训练过程中纵向信息的利用，并通过最后一层的偏差参数完成攻击。同时针对联邦学习系统中的两种模型设计局部攻击和全局攻击，以评估联邦学习的隐私泄露风险。对于局部攻击，基于神经网络充分学习成员数据与非成员数据差异，实现成员和非成员数据的区分。对于全局攻击，基于细粒度差异比较实现成员数据的来源推断。此外，本发明在不干扰模型训练的情况下进行攻击，不存在被系统检测的风险，通过特征放大操作增强了成员数据与非成员数据之间的偏差变化差异，在较少的参数下实现了更强攻击效果，方法具有高效性。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.023 seconds)
