-
公开(公告)号：CN114553394B
公开(公告)日：2022-08-16
申请号：CN202210424254.0
申请日：2022-04-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 暨南大学
Abstract: 本发明公开了基于多密钥全同态方案的补码运算器及运算方法，运算器包括多密钥全同态加法运算器、多密钥全同态减法运算器、多密钥全同态乘法运算器和多密钥全同态除法运算器；所述多密钥全同态加法器由多密钥全同态0‑类加法器构成；所述多密钥全同态减法器由多密钥全同态0‑类加法器与多密钥全同态取非器构成；所述多密钥全同态乘法器由多密钥全同态0‑类加法器、多密钥全同态1‑类加法器、多密钥全同态2‑类加法器和多密钥全同态与门构成；所述多密钥全同态除法器由多密钥全同态取补器、多密钥全同态CAS单元与多密钥全同态异或门构成。本发明构造了任意位的补码整数四则运算器，能够支持任意位的正负整数之间的四则运算，大大提高了MKTFHE方案的实用性。
-
公开(公告)号：CN114553394A
公开(公告)日：2022-05-27
申请号：CN202210424254.0
申请日：2022-04-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 暨南大学
Abstract: 本发明公开了基于多密钥全同态方案的补码运算器及运算方法，运算器包括多密钥全同态加法运算器、多密钥全同态减法运算器、多密钥全同态乘法运算器和多密钥全同态除法运算器；所述多密钥全同态加法器由多密钥全同态0‑类加法器构成；所述多密钥全同态减法器由多密钥全同态0‑类加法器与多密钥全同态取非器构成；所述多密钥全同态乘法器由多密钥全同态0‑类加法器、多密钥全同态1‑类加法器、多密钥全同态2‑类加法器和多密钥全同态与门构成；所述多密钥全同态除法器由多密钥全同态取补器、多密钥全同态CAS单元与多密钥全同态异或门构成。本发明构造了任意位的补码整数四则运算器，能够支持任意位的正负整数之间的四则运算，大大提高了MKTFHE方案的实用性。
-
公开(公告)号：CN117034314A
公开(公告)日：2023-11-10
申请号：CN202310997506.3
申请日：2023-08-09
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06F21/60 , G06F18/214 , G06F18/22 , G06N5/04
Abstract: 本申请公开了数据安全防护方法、系统及相关设备，该方法包括：以令重构梯度和原梯度之间的差距最小为目标，采用模型各网络层的子梯度信息迭代算出目标重构数据；计算目标重构数据和原样本数据之间的相似度，并在相似度结果超过阈值时，判定由原样本数据训练得到的目标模型不安全。本申请通过不同网络层的子梯度信息，可以高还原度地迭代推演出目标重构数据，以使由目标重构数据能高可靠地逆向预判目标模型是否安全，验证所用的原样本数据被逆向获取的可能性。可见，本申请能高质量地演练和评估可能面对的逆向攻击行为，从而有效提高对样本数据的隐私保护力，并积极防范模型被篡改输出误判结果。
-
公开(公告)号：CN115860117B
公开(公告)日：2023-05-09
申请号：CN202310149931.7
申请日：2023-02-22
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06N5/02 , G06F40/30 , G06F18/241 , G06F21/57
Abstract: 公开了一种基于攻防行为的MDATA知识抽取方法及其系统，其基于深度学习的人工智能技术与自然语言处理技术，以在网络攻防演习中记录攻防行为数据，并对攻防双方的攻防数据进行联合分析，去除所有的无效攻击步骤，将所有的有效攻击步骤抽取出来作为MDATA知识以构建网络安全知识库。这样，不仅从全面而丰富的攻防行为数据中提取到攻击者攻击过程中的时空特性，还提高了知识抽取的有效性。
-
公开(公告)号：CN118153056A
公开(公告)日：2024-06-07
申请号：CN202410278117.X
申请日：2024-03-12
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06F21/57
Abstract: 本申请实施例提供了一种后门模型的检测方法及相关设备，用于识别后门模型，并减少数据依赖。本申请实施例方法包括：定义针对于待检测模型的初始特征向量；其中，所述初始特征向量包括对应于任一分类标签的特征元素；对不同分类标签对应的所述初始特征向量进行逆向计算，得到不同分类标签对应的待检测特征向量，及对应于不同分类标签的待检测置信度；当所述待检测置信度未满足置信度阈值时，计算所述待检测特征向量中满足异常值条件的特征元素的元素数量；当对应于任意一个目标分类标签的元素数量满足元素数量阈值时，确定满足目标类别条件的所述目标分类标签，以根据所述目标类别条件确定所述待检测模型为后门模型。
-
Patent Agency Ranking
公开(公告)号：CN116318929A
公开(公告)日：2023-06-23
申请号：CN202310206593.6
申请日：2023-03-07
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: H04L9/40 , H04L41/0631 , H04L41/16
Abstract: 本发明涉及网络安全技术领域，特别涉及一种基于安全告警数据的攻击策略抽取方法。其方法包括以下步骤：S1.从告警文本中获取攻击者的单步攻击信息；S2.构建攻击活动序列集；S3.构建候选攻击策略；S4.构建攻击策略数据集；S5.预训练；S6.模型训练；S7.攻击策略抽取；S8.人工验证。本方法通过训练模型来判断攻击者的一个候选攻击策略是否为全部的有效攻击步骤，并且这些攻击步骤的组合能完成攻击者的攻击目的；通过这个模型，能够使用枚举候选攻击策略的方式关联出攻击者的全部有效攻击步骤，组成攻击者的攻击策略，而无需定义大量的关联规则；而且在过去的关联经验中未被关联的两个告警也可能被本方法所关联。
-
公开(公告)号：CN114429109B
公开(公告)日：2022-07-19
申请号：CN202210354868.6
申请日：2022-04-06
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06F40/169 , G06K9/62
Abstract: 本发明提供了一种基于评论有用性的自动用户评论摘要的方法，包括依次执行以下步骤：步骤1：预处理；对评论文本进行词形还原；步骤2：评论有用性预测；提取可能会影响评论有用性的特征，用所提取的特征来刻画评论，并使用随机森林分类模型预测评论的有用性；步骤3：基于二元词语的情感‑话题建模；向传统二元词语话题模型中加入情感变量，为评论同时建模话题和情感；步骤4：多要素话题和评论排序。本发明的有益效果是：1.本发明的方法可有效利用一些忽略的重要的评论特征辅助评论有用性预测、辅助后续的排序摘要任务；2.本发明的方法的话题的排序可以节约开发者的时间。
-
公开(公告)号：CN118940927A
公开(公告)日：2024-11-12
申请号：CN202411412817.X
申请日：2024-10-11
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06Q10/047 , G06N3/006
Abstract: 本申请实施例提供了一种无人机路径规划的多方多目标优化方法，包括：获取多目标决策函数对应于无人机规划路径的初始种群，并对初始种群中的待优化个体进行非支配排序，得到待优化个体的非支配等级；按照非支配等级进行排序，将非支配排序靠前的待优化个体使用多方自适应激活算子进行激活，得到激活优化个体集；计算激活优化个体的拥挤距离信息，根据拥挤距离信息及非支配等级得到克隆优化个体集；根据克隆优化个体，使用多方自适应交叉算子算法生成后代优化个体；将后代优化个体与初始种群进行合并，得到候选种群；按照选择算子算法及拥挤距离信息对候选种群进行排序，选择目标优化个体参与循环，直到最大循环次数，作为目标决策函数的优化方案。
-
公开(公告)号：CN115200603A
公开(公告)日：2022-10-18
申请号：CN202211106644.X
申请日：2022-09-13
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明公开了一种基于同态加密和匿名伪装的导航服务隐私保护方法及装置，方法包括：LBS服务商进行同态加密方案的初始化；用户利用匿名伪装算法分别生成出匿名伪装区域；用户根据匿名伪装区域的路网信息，随机选取出发点附近满足伪装距离L的出发地伪装点和目的地伪装点，同步规划出真实出发地到伪装出发地的路线；云服务商规划出一组候选路线，同时向LBS服务商请求实时路况信息；云服务商对候选路线组的开销进行进一步计算，利用全同态加密的比较运算，将密文比较结果传输给LBS服务商；从候选路线组中选取最佳路线并在本地将和伪装区域内的路线连接，生成最终的出行路线。本发明采用全同态加密和匿名伪装技术实现高质量的导航服务隐私保护。
-
公开(公告)号：CN113918743B
公开(公告)日：2022-04-15
申请号：CN202111526779.7
申请日：2021-12-15
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06F16/51 , G06F16/54 , G06V10/774 , G06V10/764 , G06K9/62
Abstract: 本发明提供了一种面向长尾分布场景下图片分类的模型训练方法，包括：构建第一损失函数，用于加入原型归一化以及角域上与类别数量相关的带有边界的交叉熵分类损失；构建第二损失函数，使得各个类别的原型分散的更加均匀的，与类别数量相关最小角度最大化的正则项损失；构建第三损失函数，用于帮助模型有效训练的特征向量模长大小的正则化损失；将第一损失函数、第二损失函数、第三损失函数组合起来得到最终的损失函数Loss。本发明的有益效果是：本发明可以避免训练数据不均衡带来的模型先验偏差的问题以及进一步提升模型在测试集上的泛化性，从而在长尾分布场景下提升图片分类准确率。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.065 seconds)
