-
公开(公告)号：CN118839249A
公开(公告)日：2024-10-25
申请号：CN202410898598.4
申请日：2024-07-05
Applicant: 武汉理工大学 , 武汉理工大学重庆研究院
IPC: G06F18/2415 , G06F18/214 , G06F18/23213 , G06F18/22 , G06N3/126
Abstract: 本发明公开了一种面向类内和类间高度不平衡的老化缺陷预测方法，该方法包括：获取原始老化缺陷数据集，并将其划分为训练集和测试集；原始老化缺陷数据集包括存在老化bug的样本和没有老化bug的样本；对训练集进行基于噪声点清理的类内平衡；基于类内平衡的训练集，进行基于生成对抗网络的类间平衡；使用平衡后的数据集进行分类器训练，最后利用训练好的分类器进行软件老化缺陷预测。本发明可以有效解决老化缺陷预测中数据集中普遍存在的高度类不平衡问题，提升老化缺陷预测模型的分类精度和效率。
-
公开(公告)号：CN117743142A
公开(公告)日：2024-03-22
申请号：CN202311442939.9
申请日：2023-10-31
Applicant: 武汉理工大学 , 武汉理工大学重庆研究院
IPC: G06F11/36 , G06F8/41 , G06F16/901 , G06N3/042 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于代码属性图的软件老化缺陷深度语义特征学习方法，包括以下步骤：对源代码进行解析，生成包含抽象语法树、程序依赖图和控制流图的代码属性图；将生成的代码属性图进行图数据构建；对构建的图数据进行节点嵌入和图嵌入；对图数据进行子图采样；基于对图结构敏感的Transformer图神经网络进行模型训练，学习软件老化缺陷深度语义特征。本发明可以有效解决传统人工设计特征对源代码特征表征不足的缺陷，并改进现有深度语义特征模型对语义理解不足的弊端，大幅度提高软件老化缺陷集的特征质量。
-
公开(公告)号：CN116680175A
公开(公告)日：2023-09-01
申请号：CN202310627005.6
申请日：2023-05-26
Applicant: 武汉理工大学 , 武汉理工大学重庆研究院
IPC: G06F11/36 , G06F18/2321 , G06F18/10 , G06N7/02
Abstract: 本发明公开了一种基于模糊聚类的软件老化交叠点清理方法及系统，该方法包括：对软件老化缺陷数据集进行数据归一化；采用Fuzzy‑C‑means对归一化后的软件老化缺陷数据集进行模糊聚类，将特征相似度高的样本聚类到相同的堆中，并获得每个样本对每个聚类堆的隶属度值；且采用手肘部优化法的思想对Fuzzy‑C‑means的聚类堆值进行优化以得到最优聚类结果；基于得到的聚类结果，对每个聚类堆中的样本根据隶属度值进行交叠点判断，并对每个聚类堆中的交叠点进行清理；将清理交叠点后的样本进行合并得到最终的软件老化缺陷数据集。本发明采用模糊聚类的方法对每个样本赋予不同的簇隶属度，根据隶属度的不同仅对无老化bug的交叠点进行清理，而不考虑有老化bug的交叠点。
-
公开(公告)号：CN118260189A
公开(公告)日：2024-06-28
申请号：CN202311675100.X
申请日：2023-12-06
Applicant: 武汉理工大学 , 武汉理工大学重庆研究院
IPC: G06F11/36 , G06F18/10 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及一种软件系统老化失效时间预测方法、装置、电子设备及介质，其方法包括：收集软件系统运行失效的原始数据；对原始数据进行预处理得到预处理数据；将预处理数据输入到时间关系提取模块中得到时间高维特征，将预处理数据输入到空间关系提取模块中得到空间高维特征，时间关系提取模块为由若干个双向GRU和注意力机制堆叠构成的神经网络结构，空间关系提取模块为由若干个多尺度卷积块构成的神经网络结构；将时间高维特征和空间高维特征融合，得到时空高维特征；将时空高维特征输入到预设的预测模型中，得到软件系统预测的老化失效时间。本发明可以实现精准有效的预测软件系统的老化失效时间。
-
公开(公告)号：CN118605431A
公开(公告)日：2024-09-06
申请号：CN202410539244.0
申请日：2024-04-30
Applicant: 武汉理工大学 , 敦和安全科技(武汉)有限公司
IPC: G05B23/02
Abstract: 本发明提供了一种工业自动化控制系统多阶段安全检测方法，包括以下步骤：步骤S1：通过布隆过滤器检测是否存在已知入侵；步骤S2：提取通信数据流特征以及物理设备特征的多维特征，通过密度聚类模型检测得到正常数据特征，判断所述多维特征是否在正常数据特征内，以检测是否存在未知入侵。用布隆过滤器能有效适应工业自动化控制系统边缘设备资源受限的难题，将已知的入侵威胁用于布隆过滤器的训练，能快速的检测已知入侵威胁。使用正常数据训练机器学习模型，使用密度聚类办法勾勒出正常数据的轮廓，有效地应对未知入侵行为难以检测的问题。
-
Patent Agency Ranking
公开(公告)号：CN116403184A
公开(公告)日：2023-07-07
申请号：CN202310298768.0
申请日：2023-03-24
Applicant: 武汉理工大学
IPC: G06V20/58 , G06V10/80 , G06V10/764 , G06N20/00
Abstract: 本发明提供了一种基于N版本机器学习的交通标志识别方法及装置，构建两版本的机器学习架构，包括易感模型和非易感模型，其中，易感模型是为易受对抗样本攻击的模型，非易感模型为不容易或者不会受到对抗攻击的模型；将自动驾驶系统检测到的交通标志牌图像输入两版本的机器学习架构中，得到交通标志识别结果。本发明采用N版本机器学习系统的思想，使用多样性分类模型来防止单一模型的错误输出。在同一系统中使用不相关的分类模型组成多样性模型，以提高系统输出的可靠性。
-
公开(公告)号：CN113219936B
公开(公告)日：2024-08-20
申请号：CN202110324872.3
申请日：2021-03-26
Applicant: 武汉理工大学
IPC: G05B23/02
Abstract: 本发明公开了一种考虑内在故障和外在故障的基于不完全覆盖的可靠性分析方法，包括：构建由多个组件组成的系统，并构建系统可靠性故障树，据此得到对应的布尔结构函数；判断故障树中每个节点所属的故障类型是内在故障还是外在故障；计算每个节点的最小无关触发，最小无关触发发生后，节点对应组件的状态变为无关状态，无关状态组件发生未覆盖内在故障不影响系统的正常工作；依据不可靠度函数来计算系统的不可靠度，从而获得系统可靠度的结果。本发明针对不同影响范围的故障划分了内在故障和外在故障，同时结合组件的相关性，从而考虑了无关组件的未覆盖内在故障对系统的影响，提高系统可靠度。
-
公开(公告)号：CN116563322A
公开(公告)日：2023-08-08
申请号：CN202310448084.4
申请日：2023-04-23
Applicant: 武汉理工大学
IPC: G06T7/13 , G06N3/094 , G06N3/0475 , G06T5/00 , G06T5/30 , G06T7/62 , G06N3/0455
Abstract: 本发明公开了一种对抗补丁的检测及防御方法，分别基于异常定位和边缘检测。基于异常定位的对抗补丁的检测方法利用干净图像训练编码器‑解码器结构的生成对抗网络；将待检测图像输入至生成对抗网络得到输出图像，二者相减并取绝对值得到绝对误差；绝对误差大于误差阈值的图像区域即为对抗补丁所在的区域；基于边缘检测的对抗补丁的检测方法将待检测图像转化成灰度图并进行边缘检测，得到边缘图像；将边缘图像内的边缘线条连接成一个个封闭区域，保留面积小于对抗补丁区域的面积的封闭区域，即为对抗补丁所在的区域。本发明能够基于异常定位和边缘检测这两种方案分别检测出对抗补丁，并对该区域涂黑或者使用图像修复算法复原该区域以防御对抗补丁。
-
公开(公告)号：CN119717765A
公开(公告)日：2025-03-28
申请号：CN202411868614.1
申请日：2024-12-18
Applicant: 武汉理工大学
IPC: G05B23/02
Abstract: 本发明提供了一种工业控制系统时序异常检测方法，包括以下步骤：构建时间序列，时间序列包括T个时刻的过程数据和时刻间隔内流经的字节数和数据包的数量；每个过程数据包括m个工业参数的值；通过滑动窗口对时间序列进行分片处理后，得到训练样本集；进行分片操作进行维度转换，得到分片间视角和分片内视角；将分片间视角和分片内视角依次经过时间卷积网络、通道注意力机制和自注意力网络处理后得到分片间表示分片内表示；将分片间表示和分片内表示进行维度统一后，通过利用KL散度计算两种表示的差异值，当差异值大于或等于阈值，则判定为异常。使深度学习模型能够同时从网络域和物理域两方面进行建模，使模型更加准确。
-
公开(公告)号：CN119520359A
公开(公告)日：2025-02-25
申请号：CN202411450406.X
申请日：2024-10-17
Applicant: 武汉理工大学
Abstract: 本发明公开了一种基于流量分析的工控协议范式语法自动生成方法及系统，所述方法包括以下步骤：捕获工控系统中的数据包序列，提取所述数据包序列的每个数据包中的协议名称、字段名称、字段类型和字段大小；为每个数据包构建数据模型：将数据包对应的协议名称作为根节点，将字段名称作为子节点，将字段类型和字段大小作为对应字段的字段名称的叶子节点；提取所有数据模型的共有部分，得到通用数据模型，遍历所述通用数据模型，得到工控协议的范式语法描述。本发明的方法可以自动生成工控协议的范式语法描述，减少因人为错误或疏忽而导致的语法错误和漏洞，提供了准确的协议规范。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.018 seconds)
