-
公开(公告)号：CN116436666B
公开(公告)日：2024-01-26
申请号：CN202310380411.7
申请日：2023-04-11
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 一种面向分布式异构网络的安全态势感知方法，能够将网络安全态势感知任务按照任务和设备的参数分配到各层级设备上执行，任务间通过传递参数交互和协同，最终生成全局态势感知结果。本发明提供的方法充分利用了云边端网络各层级设备的计算资源、降低了带宽占用、提升了实时性，及时有效地评估了整个网络安全风险。
-
公开(公告)号：CN116055224A
公开(公告)日：2023-05-02
申请号：CN202310314700.7
申请日：2023-03-29
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: H04L9/40 , H04L47/2483 , G06N3/0464 , G06N3/08 , G06F18/2415
Abstract: 一种基于时空超图卷积的加密应用程序行为流量检测方法，涉及网络安全领域，首先，通过捕获加密应用程序行为流量，然后通过使用CICFlowMeter提取流量的流特征数据，然后对这些特征数据进行清洗。分别将这些特征数据输入到GRU和1DCNN中，其中GRU可以很好地捕获加密流量的时序特征信息，1DCNN可以有效地捕获加密流量的空间特征信息。接下来，将这些捕获到的时序特征信息和空间特征信息进行融合，构建超图结构。构建超图后，我们将其输入到改进的超图卷积中，可以很好地学到流之间的多元关系信息，进而提升了模型的精度和泛化能力，改进的超图卷积学到的结构信息也具有更好的鲁棒性。
-
公开(公告)号：CN116628707A
公开(公告)日：2023-08-22
申请号：CN202310886074.9
申请日：2023-07-19
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06F21/57 , G06N3/0464 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/0442 , G06N3/084 , G06F40/253 , G06F40/30 , G06F16/35 , G06F18/2415 , G06F18/25
Abstract: 一种可解释性的基于多任务的源代码漏洞检测的方法，涉及计算机程序分析及网络安全技术领域，构建了一个源代码及其语义描述的数据集，并对其进行了数据清洗以达到高质量数据集的标准。使用静态分析工具将高级编程语言源代码生成抽象语法树，运行卷积神经网络从源代码和抽象语法树中提取语法特征和语义特征。利用交叉注意力机制和长短记忆网络对语法特征和语义特征进行特征融合。模型对输入的高级编程语言代码进行自动漏洞检测，并输出相应的机理解释，以实现对源代码的可解释性分析。
-
公开(公告)号：CN116055224B
公开(公告)日：2023-06-16
申请号：CN202310314700.7
申请日：2023-03-29
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: H04L9/40 , H04L47/2483 , G06N3/0464 , G06N3/08 , G06F18/2415
Abstract: 一种基于时空超图卷积的加密应用程序行为流量检测方法，涉及网络安全领域，首先，通过捕获加密应用程序行为流量，然后通过使用CICFlowMeter提取流量的流特征数据，然后对这些特征数据进行清洗。分别将这些特征数据输入到GRU和1DCNN中，其中GRU可以很好地捕获加密流量的时序特征信息，1DCNN可以有效地捕获加密流量的空间特征信息。接下来，将这些捕获到的时序特征信息和空间特征信息进行融合，构建超图结构。构建超图后，我们将其输入到改进的超图卷积中，可以很好地学到流之间的多元关系信息，进而提升了模型的精度和泛化能力，改进的超图卷积学到的结构信息也具有更好的鲁棒性。
-
公开(公告)号：CN116436666A
公开(公告)日：2023-07-14
申请号：CN202310380411.7
申请日：2023-04-11
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 一种面向分布式异构网络的安全态势感知方法，能够将网络安全态势感知任务按照任务和设备的参数分配到各层级设备上执行，任务间通过传递参数交互和协同，最终生成全局态势感知结果。本发明提供的方法充分利用了云边端网络各层级设备的计算资源、降低了带宽占用、提升了实时性，及时有效地评估了整个网络安全风险。
-
Patent Agency Ranking
公开(公告)号：CN114818999B
公开(公告)日：2022-09-16
申请号：CN202210745030.X
申请日：2022-06-29
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明公开了一种基于自编码器和生成对抗网络的账户识别方法及系统，属于金融信息安全技术领域，该方法包括：获取银行账户的账户交易报告和账户属性图序列，人工标注账户类别；通过自编码器提取账户的融合特征；基于融合特征，利用生成对抗网络生成带有类型标注的账户特征，利用账户融合特征和生成的账户特征训练判别器；根据待测账户的账户交易报告和属性图序列，提取待测账户的融合特征，输入训练完成的判别器中，识别待测账户的真伪并预测待测账户的类别。本发明通过自编码器结构以端到端的方式自动捕捉洗钱账号的行为动态模式和结构动态模式及其之间的影响，并通过基于生成对抗的样本增强，提高账户识别性能，实现对洗钱账号的细粒度识别。
-
公开(公告)号：CN114818999A
公开(公告)日：2022-07-29
申请号：CN202210745030.X
申请日：2022-06-29
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明公开了一种基于自编码器和生成对抗网络的账户识别方法及系统，属于金融信息安全技术领域，该方法包括：获取银行账户的账户交易报告和账户属性图序列，人工标注账户类别；通过自编码器提取账户的融合特征；基于融合特征，利用生成对抗网络生成带有类型标注的账户特征，利用账户融合特征和生成的账户特征训练判别器；根据待测账户的账户交易报告和属性图序列，提取待测账户的融合特征，输入训练完成的判别器中，识别待测账户的真伪并预测待测账户的类别。本发明通过自编码器结构以端到端的方式自动捕捉洗钱账号的行为动态模式和结构动态模式及其之间的影响，并通过基于生成对抗的样本增强，提高账户识别性能，实现对洗钱账号的细粒度识别。
-
公开(公告)号：CN112287689A
公开(公告)日：2021-01-29
申请号：CN202011165452.7
申请日：2020-10-27
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东大学
IPC: G06F40/30 , G06F40/289 , G06F40/216 , G06N3/04 , G06Q50/18
Abstract: 本申请公开了一种司法二审案情辅助分析方法及系统，包括：获取待分析案件的一审数据和二审数据；基于第一双向长短期记忆网络BiLSTM，将待分析案件的一审数据进行向量提取，获取待分析的一审向量；基于第二双向长短期记忆网络BiLSTM，将待分析案件的二审数据进行向量提取，获取待分析的二审向量；将待分析的一审向量和二审向量进行拼接，得到拼接向量；将拼接向量输入到二审判决结果预测模型中，输出待分析案件的二审判决预测结果；待分析案件的二审判决预测结果用于对司法二审案情进行辅助分析；其中，所述第一双向长短期记忆网络BiLSTM、所述第二双向长短期记忆网络BiLSTM、所述二审判决结果预测模型，均是基于历史法律文书进行训练后获得的。
-
公开(公告)号：CN112287689B
公开(公告)日：2022-06-24
申请号：CN202011165452.7
申请日：2020-10-27
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东大学
IPC: G06F40/30 , G06F40/289 , G06F40/216 , G06N3/04 , G06Q50/18
Abstract: 本申请公开了一种司法二审案情辅助分析方法及系统，包括：获取待分析案件的一审数据和二审数据；基于第一双向长短期记忆网络BiLSTM，将待分析案件的一审数据进行向量提取，获取待分析的一审向量；基于第二双向长短期记忆网络BiLSTM，将待分析案件的二审数据进行向量提取，获取待分析的二审向量；将待分析的一审向量和二审向量进行拼接，得到拼接向量；将拼接向量输入到二审判决结果预测模型中，输出待分析案件的二审判决预测结果；待分析案件的二审判决预测结果用于对司法二审案情进行辅助分析；其中，所述第一双向长短期记忆网络BiLSTM、所述第二双向长短期记忆网络BiLSTM、所述二审判决结果预测模型，均是基于历史法律文书进行训练后获得的。
-
公开(公告)号：CN113256438B
公开(公告)日：2022-12-23
申请号：CN202110583491.7
申请日：2021-05-27
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明属于智能识别领域，提供了一种网络用户的角色识别方法及系统。其中，该方法包括获取用户行为数据，构建当前用户所属的用户关系图；从用户行为数据中提取当前用户的行为特征；将当前用户的行为特征进行向量表示，得到当前用户行为特征向量表示；基于用户关系图和用户行为特征向量表示，构建当前用户的特征向量表示；将当前用户的特征向量表示输入分类器中，得到当前用户在每个类别上的概率分布，预测出当前用户的角色类别。其以端到端的方式进行，无需人工设计特征，因而具有更好的建模效率和更广的适用性。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.062 seconds)
