-
公开(公告)号：CN104077343B
公开(公告)日：2018-08-24
申请号：CN201310739486.6
申请日：2013-12-26
Applicant: 国家计算机网络与信息安全管理中心 , 中国科学院信息工程研究所
IPC: G06F17/30
Abstract: 本发明提供了一种哈希表元素失效删除方法，解决哈希表失效元素及时删除的问题。该方法通过为每个哈希桶提供超时时间Tbucket，为每个关键码提供超时时间Tkey，两个时间粒度进行不同元素插入、查询时，更新每个关键码值Tkey，并将最新访问的关键码值放置到哈希桶最优先访问的位置上，在此过程中，根据哈希桶超时时间Tbucket设定，检查哈希桶上具有相同哈希值的关键码，如果元素超时，即删除失效元素，同时根据哈希桶扫描策略，检查哈希表其他哈希桶元素上的其他关键码值，并删除因超时失效的元素。
-
公开(公告)号：CN104077343A
公开(公告)日：2014-10-01
申请号：CN201310739486.6
申请日：2013-12-26
Applicant: 国家计算机网络与信息安全管理中心 , 中国科学院信息工程研究所
IPC: G06F17/30
CPC classification number: G06F17/3033
Abstract: 本发明提供了一种哈希表元素失效删除方法，解决哈希表失效元素及时删除的问题。该方法通过为每个哈希桶提供超时时间Tbucket，为每个关键码提供超时时间Tkey，两个时间粒度进行不同元素插入、查询时，更新每个关键码值Tkey，并将最新访问的关键码值放置到哈希桶最优先访问的位置上，在此过程中，根据哈希桶超时时间Tbucket设定，检查哈希桶上具有相同哈希值的关键码，如果元素超时，即删除失效元素，同时根据哈希桶扫描策略，检查哈希表其他哈希桶元素上的其他关键码值，并删除因超时失效的元素。
-
公开(公告)号：CN109831422B
公开(公告)日：2020-08-18
申请号：CN201910043507.8
申请日：2019-01-17
Applicant: 中国科学院信息工程研究所
IPC: H04L29/06 , H04L12/851
Abstract: 本发明提供了一种基于端到端序列网络的加密流量分类方法，主要思想是从加密流量的序列特性出发，借助循环神经网络可以保留一段时间内信息的特性，以从加密流量序列中深入挖掘有效上下文信息，并且结合有监督的分类和无监督的重构机制，增强产生特征的区分性。本发明还提供了一种计算机装置，该计算机可执行计算机程序，所述计算机程序执行本发明方法所述的各项步骤。本发明还提供一种计算机程序存储装置，该计算机程序执行本发明方法所述的各项步骤。本发明提供的上述方法及装置具有自动学习、一体化学习、关键信息留存及泛化性等优点。
-
公开(公告)号：CN113630384A
公开(公告)日：2021-11-09
申请号：CN202110778054.0
申请日：2021-07-09
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种基于NetFlow数据的特定加密流量识别方法及系统。该方法的步骤包括：利用原始网络流量生成NetFlow序列；采用双向LSTM网络捕获NetFlow序列的上下文关系；采用注意力机制对NetFlow序列的上下文关系进行注意力权重计算，得到NetFlow序列的特征；利用得到的NetFlow序列的特征识别加密流量。本发明以NetFlow序列作为输入来保护用户隐私，利用双向LSTM网络尽可能捕获稀疏流记录上下文关系，增加注意力机制进行注意力权重计算，对信息进行加权，实现对相关性特征的增强，自动学习流记录的潜在特征。即使在较低的采样率下，本发明仍能够取得较好的加密流量识别效果。
-
公开(公告)号：CN113630384B
公开(公告)日：2022-10-14
申请号：CN202110778054.0
申请日：2021-07-09
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种基于NetFlow数据的特定加密流量识别方法及系统。该方法的步骤包括：利用原始网络流量生成NetFlow序列；采用双向LSTM网络捕获NetFlow序列的上下文关系；采用注意力机制对NetFlow序列的上下文关系进行注意力权重计算，得到NetFlow序列的特征；利用得到的NetFlow序列的特征识别加密流量。本发明以NetFlow序列作为输入来保护用户隐私，利用双向LSTM网络尽可能捕获稀疏流记录上下文关系，增加注意力机制进行注意力权重计算，对信息进行加权，实现对相关性特征的增强，自动学习流记录的潜在特征。即使在较低的采样率下，本发明仍能够取得较好的加密流量识别效果。
-
Patent Agency Ranking
公开(公告)号：CN112381119B
公开(公告)日：2023-02-03
申请号：CN202011159375.4
申请日：2020-10-27
Applicant: 中国科学院信息工程研究所
IPC: G06F18/2431 , H04L9/40
Abstract: 本发明公开了一种基于去中心化应用加密流量特征的多场景分类方法及系统，包括：收集去中心化应用的加密流量，并对各加密流量标记应用、用户行为和通用用户行为的分类标签；根据分类目标和分类标签，将提取的加密流量的应用特征、用户行为特征和通用用户行为特征，分别输入应用分类模型、用户行为分类模型和通用用户行为分类模型，得到相应的分类。本发明通过对多个场景下机器学习分类器的调参，确保模型的准确性和鲁棒性，使得应用类型分类具有高准确率和高效率，用户行为分类易于识别可疑用户行为从而保护用户安全与隐私，且通过通用用户行为分类可获得吞吐量、延迟等有用信息，从而帮助改善去中心化应用使其运行更加有效率、提升用户体验。
-
公开(公告)号：CN111082995A
公开(公告)日：2020-04-28
申请号：CN201911359152.X
申请日：2019-12-25
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开了一种以太坊网络行为分析方法及相应存储介质与电子装置，包括：使用被动关联方法对网络流量数据中的以太坊节点进行检测，获取以太坊节点集合，并依据所述以太坊节点集合中节点间的迭代关联关系得到以太坊迭代节点集合；将所述以太坊迭代节点集合通过机器学习分类器进行收敛，得到以太坊收敛节点集合；监测所述以太坊节点集合与所述以太坊收敛节点集合，得到通联关系数据集，分析所述通联关系数据集得到以太坊网络属性分析结果。本发明利用真实骨干网NetFlow流量检测以太坊节点，NetFlow数据对数据包信息进行了汇总和统计，保留了体现流量特征的重要信息，又不涉及用户隐私。
-
公开(公告)号：CN109831422A
公开(公告)日：2019-05-31
申请号：CN201910043507.8
申请日：2019-01-17
Applicant: 中国科学院信息工程研究所
IPC: H04L29/06 , H04L12/851
Abstract: 本发明提供了一种基于端到端序列网络的加密流量分类方法，主要思想是从加密流量的序列特性出发，借助循环神经网络可以保留一段时间内信息的特性，以从加密流量序列中深入挖掘有效上下文信息，并且结合有监督的分类和无监督的重构机制，增强产生特征的区分性。本发明还提供了一种计算机装置，该计算机可执行计算机程序，所述计算机程序执行本发明方法所述的各项步骤。本发明还提供一种计算机程序存储装置，该计算机程序执行本发明方法所述的各项步骤。本发明提供的上述方法及装置具有自动学习、一体化学习、关键信息留存及泛化性等优点。
-
公开(公告)号：CN119760627A
公开(公告)日：2025-04-04
申请号：CN202411790402.6
申请日：2024-12-06
Applicant: 中国科学院信息工程研究所
IPC: G06F18/25 , G06V10/82 , G06Q50/00 , G06N3/0455 , G06N3/0442 , G06N3/049 , G06N3/084 , G06N3/045 , G06N3/0499 , G06N3/0895
Abstract: 本发明公开了一种基于流量多模态特征融合的社交机器人发现方法及系统。本方法为：1)获取T个类型机器人的加密网络流并对其进行标记，得到社交平台上机器人加密流量数据集；其中，fz为第z个机器人的行为序列样本；构建一OBTT模型，其包括原始流量转灰度图模块、原始序列特征编码模块、编码器、解码器、time‑LSTM模块、特征融合模块和全连接神经网络；2)利用未标记的机器人加密网络流对OBTT模型进行训练；3)利用有标记的社交平台上机器人加密流量数据集对训练后的OBTT模型进行微调；4)将待检测的加密网络流输入微调后的OBTT模型，得到对应的机器人类别。本发明增强了对不同机器人行为模式的检测能力。
-
公开(公告)号：CN112381119A
公开(公告)日：2021-02-19
申请号：CN202011159375.4
申请日：2020-10-27
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开了一种基于去中心化应用加密流量特征的多场景分类方法及系统，包括：收集去中心化应用的加密流量，并对各加密流量标记应用、用户行为和通用用户行为的分类标签；根据分类目标和分类标签，将提取的加密流量的应用特征、用户行为特征和通用用户行为特征，分别输入应用分类模型、用户行为分类模型和通用用户行为分类模型，得到相应的分类。本发明通过对多个场景下机器学习分类器的调参，确保模型的准确性和鲁棒性，使得应用类型分类具有高准确率和高效率，用户行为分类易于识别可疑用户行为从而保护用户安全与隐私，且通过通用用户行为分类可获得吞吐量、延迟等有用信息，从而帮助改善去中心化应用使其运行更加有效率、提升用户体验。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.079 seconds)
