-
公开(公告)号：CN115334005B
公开(公告)日：2024-03-22
申请号：CN202210337870.2
申请日：2022-03-31
Applicant: 北京邮电大学 , 国网上海能源互联网研究院有限公司
IPC: H04L47/2441 , H04L47/2483 , H04L9/40 , G06N3/0464 , G06N3/082 , G06F18/2431
Abstract: 本发明公开了一种基于剪枝卷积神经网络和机器学习的加密流量识别方法，包括数据预处理、构建CNN模型、模型剪枝、使用CNN提取高级特征向量和使用LightGBM分类的步骤。本发明的基于剪枝卷积神经网络和机器学习的加密流量识别方法，无需手工提取特征，利用CNN模型自动从原始流量文件中自动提取高级特征并进行分类，同时构建了一种基于剪枝的卷积神经网络模型，减少模型参数量，降低了计算开销，使用LightGBM根据加密流量的高级特征进行分类，以弱分类器来达到强分类的效果，提高了准确率，最终的模型会达到比其他分类模型更高的性能和精准率。
-
公开(公告)号：CN115334005A
公开(公告)日：2022-11-11
申请号：CN202210337870.2
申请日：2022-03-31
Applicant: 北京邮电大学 , 国网上海能源互联网研究院有限公司
IPC: H04L47/2441 , H04L47/2483 , H04L9/40 , G06N3/08 , G06N3/04 , G06K9/62
Abstract: 本发明公开了一种基于剪枝卷积神经网络和机器学习的加密流量识别方法，包括数据预处理、构建CNN模型、模型剪枝、使用CNN提取高级特征向量和使用LightGBM分类的步骤。本发明的基于剪枝卷积神经网络和机器学习的加密流量识别方法，无需手工提取特征，利用CNN模型自动从原始流量文件中自动提取高级特征并进行分类，同时构建了一种基于剪枝的卷积神经网络模型，减少模型参数量，降低了计算开销，使用LightGBM根据加密流量的高级特征进行分类，以弱分类器来达到强分类的效果，提高了准确率，最终的模型会达到比其他分类模型更高的性能和精准率。
-
公开(公告)号：CN117156068A
公开(公告)日：2023-12-01
申请号：CN202311192623.9
申请日：2023-09-15
Applicant: 北京邮电大学
Abstract: 本发明公开了一种边缘设备上的高效视频流隐私保护方法，在生成对抗网络的基础上，通过自适应图像分块处理和分辨率调整可以根据边缘设备的计算资源限制自动调整，每次处理时仅将高分辨率图片的一部分进行处理，从而降低算法的峰值内存消耗。并且输出的图片格式与大小相比输入没有显著变化，能够在不影响存储和带宽消耗的情况下直接传输到后端进行后续的各类处理，减少了不必要的开销，提升了算法的总体效率。相比于其他的边缘视觉隐私保护系统来说，奔放更加节省计算开销，对不同的边缘设备可以进行自适应调整，具有更广泛的适用性；同时，在隐私保护和语义信息保留的平衡上本发明也具有更好的效果。
-
公开(公告)号：CN118118251A
公开(公告)日：2024-05-31
申请号：CN202410345917.9
申请日：2024-03-25
Applicant: 北京邮电大学
IPC: H04L9/40
Abstract: 本发明针对网络安全领域中多个弱点利用问题，提出了一种网络安全分析方法。具体做法包括建立全面的网络安全管理制度，实时监测服务终端设备和客户端设备的完整性，以应对网络安全突发事件。该方法基于不同网络段的检测机制，建立预警检测系统，用于预测当前或未来可能发生的攻击并进行网络威胁评估，进而采取适当的安全策略应对入侵行为。本研究所提出的实时网络安全威胁预警分析方法，通过攻击图分析网络漏洞，以确保系统的安全运行。同时，该方法具有粗粒度和针对性描述攻击的特点，并建立了弱点相关性矩阵，从而能够快速发现并修复网络中的弱点。
-
公开(公告)号：CN116363436A
公开(公告)日：2023-06-30
申请号：CN202310356710.7
申请日：2023-04-04
Applicant: 北京邮电大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于SwinT‑CNN模型的加密流量分类方法及装置，包括以下步骤：S1、将待分类的加密流量数据转化为二维矩阵，并生成灰度图像，将二维矩阵作为SwinT‑CNN模型的输入向量Vinput；S2、将二维矩阵输入SwinT‑CNN模型，SwinT‑CNN模型包括改进的CNN模块和Swin T模块，先通过改进的CNN模块提取数据的局部空间特征，输出处理后的数据Vcnn，再将Vcnn输入Swin T模块，对局部空间特征进行注意力机制计算，得到数据的全局空间特征，输出加权组合特征向量VswinT；S3、最后通过一个由Softmax激活的全连接层作出预测，计算多分类交叉熵损失来产生分类结果。本发明将改进的CNN模块和从Swin Transformer中提取的Swin模块结合，能够更有效地捕捉数据中的局部和全局特征，提高加密流量分类的准确率。
-
Patent Agency Ranking
公开(公告)号：CN116047901A
公开(公告)日：2023-05-02
申请号：CN202211606055.8
申请日：2022-12-14
Applicant: 北京邮电大学
IPC: G05B13/04
Abstract: 本发明提出了一种基于自动门控循环单元的鲁棒时空轨迹建模方法，构建一个基于自编码器门控循环单元的通用协作学习框架，该框架由基于自动编码器(autoencoder，AE)的自表示网络(self‑representation network，SRN)用于鲁棒的轨迹特征学习和基于门控递归单元(gated recurrent unit，GRU)的分类网络组成，该网络与SRN共享信息用于协作学习和严格防御对抗性样本攻击。此外，由于GRU可以利用门控单元有效处理时序信息，并保留信息的长期依赖性，因此整体建模方法在防御白盒和黑盒攻击方面表现良好，尤其是在黑盒攻击中，其性能优于广泛使用的方法。此外，在Geolife和北京出租车轨迹数据集上的大量实验表明，所提出的方法可以提高模型在对抗性样本环境中的鲁棒性，而不会对干净的样本造成显著的性能损失。
-
公开(公告)号：CN115221947A
公开(公告)日：2022-10-21
申请号：CN202210727770.0
申请日：2022-06-22
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于预训练语言模型的鲁棒的多模态主动学习方法，采用两阶段的混合策略，首先在不确定性度量方面采用基于动量蒸馏的掩码语言损失作为不确定性代理，其继承了ALPS这类冷启动的主动学习策略将掩码语言损失作为度量标准的优点，从输入质量本身考虑样本的不确定性。同时充分考虑样本受具体下游任务的影响，提出一种动量蒸馏方法度量预训练损失在具体任务上的变化。此外针对主动选择策略容易受集体异常值影响的问题，采用了模型训练时预测的伪标签概率和其他标签概率的间距作为异常值指示器，并将这一异常值指示器的值作为聚类初始化选择的一个依据，从而在多样性聚类时减少了异常值的选择，提升了主动选择算法的鲁棒性。
-
公开(公告)号：CN114372530A
公开(公告)日：2022-04-19
申请号：CN202210024041.9
申请日：2022-01-11
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于深度自编码卷积网络的异常流量检测方法及系统，方法包括步骤：S1、使用预处理后的数据训练多个深度自编码器；S2、将预处理完的数据输入多个自编码器，得到多个不同的降维特征向量；S3、将得到的不同降维特征向量与预处理完的数据进行特征拼接，并用其训练卷积神经网络得到最优的分类网络模型；S4、将预处理后的未知数据和自编码器模块的输出拼接后输入到训练好的网络模型，使用softmax激活函数对卷积神经网络输出进行分类，得到预测结果。检测系统包括数据预处理模块、深度自编码器模块、卷积神经网络模块和系统管理模块。本发明解决了传统异常流量检测方案对于专家系统的依赖以及传统流量检测模型准确率较低且泛化能力差的问题。
-
公开(公告)号：CN118736395A
公开(公告)日：2024-10-01
申请号：CN202410769117.X
申请日：2024-06-14
Applicant: 北京邮电大学
IPC: G06V20/00 , G06V10/774 , G06V10/771 , G06V10/82 , G06V10/764 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 一种基于通道特征选择的有目标对抗攻击增强方法，属于人工智能安全技术领域，包括：通过Grad‑CAM算法计算出热力图，得到显著区域，将显著区域补齐为显著图；从显著图中随机裁剪以得到局部图像，将局部图像缩放到与原始图像相同的尺寸，将原始图像和局部图像加上相同的对抗扰动输入CNN中，并应用通道特征选择方法，通过损失优化对抗扰动。本发明可在针对性攻击的情况下更大程度地提升对抗样本的可转移性；本发明开创性地将模型注意力应用于针对性的对抗攻击，使扰动学习到如何将原始图像的显著特征更好地转移到目标类别中去。本发明专注于提高对抗样本的可转移性，从而提高黑盒攻击的成功率。
-
公开(公告)号：CN118132841A
公开(公告)日：2024-06-04
申请号：CN202410251428.7
申请日：2024-03-05
Applicant: 北京邮电大学
IPC: G06F16/9535 , G06F21/62 , G06F17/16 , G06N20/00
Abstract: 本发明公开了一种基于自适应隐私预算的推荐方法。首先基于评分时间计算每个评分的总隐私预算，对不同时间段的数据根据其重要程度进行不同强度的隐私保护，避免引入不必要的噪声，导致推荐质量降低。然后改进了梯度下降中分配隐私预算的方式，提出一种自适应隐私预算梯度下降策略，在每次迭代更仔细地分配隐私预算，优化推荐算法结果。对于梯度较大的情况，分配较小的隐私预算以增加噪声，从而更好地保护用户隐私；而对于梯度较小的情况，则分配较大的隐私预算，以减少噪声的干扰，从而提高模型的精确性。本文发明在Movielens‑1M数据集上与现有算法进行比较，实验结果表明该算法保障了用户的隐私安全并且提高了推荐质量。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.068 seconds)
