一种大规模准确高效的路由源验证部署测量方法和装置

    公开(公告)号:CN115022214A

    公开(公告)日:2022-09-06

    申请号:CN202210405544.0

    申请日:2022-04-18

    申请人: 清华大学

    IPC分类号: H04L43/12 H04L41/14

    摘要: 本发明公开了一种大规模准确高效的路由源验证部署测量方法和装置,其中,该方法包括:从BGPStream中接收路由信息,利用RPKI数据库中的路由源授权信息,基于控制平面过滤得到路由信息中的非法路由;利用数据平面的探针进行对照探测,对非法路由的自治系统路径进行路径标记得到非法路由自治系统路径;利用贝叶斯模型对非法路由自治系统路径进行建模,基于贝叶斯模型将每个非法路由自治系统部署路由源授权的概率作为随机变量;将标记的非法路由自治系统路径作为观测数据,求解得到随机变量的后验概率分布,基于后验概率分布判断每个非法路由自治系统是否部署路由源授权信息。本发明可以对ROV的部署进行了准确高效的测量。

    一种大规模准确高效的路由源验证部署测量方法和装置

    公开(公告)号:CN115022214B

    公开(公告)日:2024-06-18

    申请号:CN202210405544.0

    申请日:2022-04-18

    申请人: 清华大学

    IPC分类号: H04L43/12 H04L41/14

    摘要: 本发明公开了一种大规模准确高效的路由源验证部署测量方法和装置,其中,该方法包括:从BGPStream中接收路由信息,利用RPKI数据库中的路由源授权信息,基于控制平面过滤得到路由信息中的非法路由;利用数据平面的探针进行对照探测,对非法路由的自治系统路径进行路径标记得到非法路由自治系统路径;利用贝叶斯模型对非法路由自治系统路径进行建模,基于贝叶斯模型将每个非法路由自治系统部署路由源授权的概率作为随机变量;将标记的非法路由自治系统路径作为观测数据,求解得到随机变量的后验概率分布,基于后验概率分布判断每个非法路由自治系统是否部署路由源授权信息。本发明可以对ROV的部署进行了准确高效的测量。

    一种网络流量异常检测方法及装置、介质

    公开(公告)号:CN111031051A

    公开(公告)日:2020-04-17

    申请号:CN201911302352.1

    申请日:2019-12-17

    申请人: 清华大学

    IPC分类号: H04L29/06 G06N3/04 G06N3/08

    摘要: 一种网络流量异常检测方法、装置、设备及介质,该网络流量异常检测方法包括:接收网络报文,根据所述网络报文生成第一特征信息,将所述第一特征信息输入预先训练得到的自编码器网络模型,得到第一输出值,以及,根据所述自编码器网络模型的输出和输入的误差信息与所述网络报文生成第二特征信息,将所述第二特征信息输入预先训练得到的长短期记忆网络模型,得到至少一个第二输出值,将所述第一输出值和第二输出值输入到预先训练得到的异常检测器,输出所述网络报文是否异常的判断结果。本实施例提供的方案,综合了自编码器网络模型的当前预测效果好和长短期记忆网络模型基于历史的预测效果好的优点,具有较好的预测效果。

    在线反馈的知识蒸馏方法和装置
    5.
    发明公开

    公开(公告)号:CN113780528A

    公开(公告)日:2021-12-10

    申请号:CN202111045792.0

    申请日:2021-09-07

    申请人: 清华大学

    摘要: 本申请公开了一种在线反馈的知识蒸馏方法及装置,该方法包括:基于两个状态机设计蒸馏模型,以构成决策系统,其中,第一个状态机表示模型决策结果,第二个状态机关联模型决策结果和专家反馈状态;根据蒸馏模型将在线蒸馏过程分为两个阶段:更新阶段和测试阶段;其中,更新阶段将更新后的专家反馈融入决策系统中,测试阶段将蒸馏模型作为插件和原始模型一起参与决策。本发明不依赖于全新的蒸馏模型进行检测,同时能很好的支持在线反馈和更新蒸馏模型,易于维护和使用,通用性强。基于蒸馏模型,操作人员可以更快的进行模型理解,模型的检测效果也能得到有效提升。

    一种安全隐患智能识别方法、装置以及存储介质

    公开(公告)号:CN110069773A

    公开(公告)日:2019-07-30

    申请号:CN201910185069.9

    申请日:2019-03-12

    IPC分类号: G06F17/27 G06N3/04 G06N3/08

    摘要: 本发明公开了一种安全隐患智能识别方法、装置以及存储介质,包括:获取安全隐患数据集,安全隐患数据集包括多条安全隐患数据;对多条安全隐患数据进行数据处理,得到第一数据;将第一数据输入卷积神经网络得到第二数据;利用第二数据对安全隐患数据识别模型进行训练,其中,安全隐患数据识别模型包括至少一个模型参数,通过训练对至少一个模型参数进行调整;利用训练后的安全隐患数据识别模型进行安全隐患的识别。达到了机器自动识别典型安全隐患的目的,为智能安全管理提供了崭新的思路。