-
公开(公告)号：CN113259325B
公开(公告)日：2022-06-03
申请号：CN202110429845.2
申请日：2021-04-21
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于麻雀搜索算法优化Bi‑LSTM的网络安全态势预测方法，属于网络安全技术领域。初始化麻雀种群并迭代筛选获取运算结果；基于运算结果初始化Bi‑LSTM神经网络超参数，得到SSA优化后的Bi‑LSTM模型；对SSA优化后的Bi‑LSTM模型进行训练生成预测模型；向预测模型中输入预测数据并获取结果。本发明利用麻雀搜索算法来优化Bi‑LSTM神经网络超参数，采用SSA优化的Bi‑LSTM能够加速模型的收敛，提高模型的预测精度，从而解决现有技术预测精度不够的问题。
-
公开(公告)号：CN115022194A
公开(公告)日：2022-09-06
申请号：CN202210571016.2
申请日：2022-05-24
Applicant: 桂林电子科技大学
IPC: H04L41/147 , H04L41/14 , H04L9/40 , G06N3/04 , G06K9/62
Abstract: 本发明涉及网络安全态势感知技术领域，具体涉及一种基于SA‑GRU的网络安全态势预测方法，利用Self‑Attention机制能有效学习当前候选集与过去隐藏状态信息间的关系，从而代替GRU神经网络中原有的更新门，使得改进GRU能充分保留当前时刻信息内容，而合理去除过去隐藏信息中冗余部分，并突出候选集中的关键信息，同时改进现有的网络安全态势预测方法无法充分考虑这些时序关系使得现有的态势预测方法难以实现高精度预测的问题，有效提升了网络安全态势预测的精度。
-
公开(公告)号：CN113408722B
公开(公告)日：2022-06-21
申请号：CN202110521277.9
申请日：2021-05-13
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于逐层损失补偿深度自编码器的态势评估要素提取方法，将获取的部分网络安全数据集输入逐层损失补偿编码器进行降维与特征提取，并将编码后的态势评估要素特征信息传递给解码器进行解码还原，其中，编码器部分利用损失补偿模块对编码时的所述态势评估要素特征信息的损失进行补偿，生成逐层损失补偿深度自编码器；通过最小化MSE损失函数评估还原数据与原始输入数据差异实现模型训练；利用训练好的所述逐层损失补偿深度自编码器对整体数据进行态势评估要素提取，得到评估因素集，提高网络安全态势评估的性能，减少深度自编码器在层与层间的态势评估要素特征信息损失，保证影响态势评估要素提取的有效性。
-
公开(公告)号：CN113407425A
公开(公告)日：2021-09-17
申请号：CN202110521465.1
申请日：2021-05-13
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于BiGAN与OTSU的内部用户行为检测方法，包括如下步骤：获取用户行为原始日志数据，并将所述用户行为原始日志数据按照不同用户分别提取指定的时间单位长度计算其频率特征，并对所提取的特征进行数据处理；基于数据处理后的特征，利用BiGAN网络作为构建用户正常行为模式的模型，获得正常行为模型，并训练所述正常行为模型；基于训练后的所述正常行为模型，计算用户待检测数据的重构误差与判别器误差得到异常得分，之后应用OTSU算法自动选取阈值，获得检测结果。以此提高异常检测方法在内部用户行为检测中的准确率，并降低误报率。
-
Patent Agency Ranking
公开(公告)号：CN116633651A
公开(公告)日：2023-08-22
申请号：CN202310663537.5
申请日：2023-06-06
Applicant: 桂林电子科技大学 , 南京育安信息科技有限公司
IPC: H04L9/40 , G06N3/042 , G06N3/0464 , G06N3/0499
Abstract: 本发明涉及网络安全技术领域，具体涉及一种基于MLP‑GCN的网络安全态势评估方法，包括对公开数据集进行数据处理，得到评估数据集；将所述评估数据集输入基于MLP‑GCN的网络安全态势评估模型中进行特征学习、特征融合和分类评估，得到评估结果，本发明提出了一种基于图卷积神经网络(Graph ConvolutionalNetwork，GCN)和多层感知机(MLP，MultilayerPerceptron)的网络安全态势评估方法。GCN能够考虑到态势评估要素间的空间结构信息，而MLP加强对少量样本数据的特征学习，则解决了传统的网络安全态势评估方法忽略网络安全态势数据的空间结构信息建模的问题。这种方法能够提高评估模型的准确率和可靠性，解决了网络安全态势评估技术的准确率受限的问题。
-
公开(公告)号：CN113408722A
公开(公告)日：2021-09-17
申请号：CN202110521277.9
申请日：2021-05-13
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于逐层损失补偿深度自编码器的态势评估要素提取方法，将获取的部分网络安全数据集输入逐层损失补偿编码器进行降维与特征提取，并将编码后的态势评估要素特征信息传递给解码器进行解码还原，其中，编码器部分利用损失补偿模块对编码时的所述态势评估要素特征信息的损失进行补偿，生成逐层损失补偿深度自编码器；通过最小化MSE损失函数评估还原数据与原始输入数据差异实现模型训练；利用训练好的所述逐层损失补偿深度自编码器对整体数据进行态势评估要素提取，得到评估因素集，提高网络安全态势评估的性能，减少深度自编码器在层与层间的态势评估要素特征信息损失，保证影响态势评估要素提取的有效性。
-
公开(公告)号：CN115022194B
公开(公告)日：2023-09-26
申请号：CN202210571016.2
申请日：2022-05-24
Applicant: 桂林电子科技大学
IPC: H04L41/147 , H04L41/14 , H04L9/40 , G06N3/04 , G06F18/214
Abstract: 本发明涉及网络安全态势感知技术领域，具体涉及一种基于SA‑GRU的网络安全态势预测方法，利用Self‑Attention机制能有效学习当前候选集与过去隐藏状态信息间的关系，从而代替GRU神经网络中原有的更新门，使得改进GRU能充分保留当前时刻信息内容，而合理去除过去隐藏信息中冗余部分，并突出候选集中的关键信息，同时改进现有的网络安全态势预测方法无法充分考虑这些时序关系使得现有的态势预测方法难以实现高精度预测的问题，有效提升了网络安全态势预测的精度。
-
公开(公告)号：CN113407425B
公开(公告)日：2022-09-23
申请号：CN202110521465.1
申请日：2021-05-13
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于BiGAN与OTSU的内部用户行为检测方法，包括如下步骤：获取用户行为原始日志数据，并将所述用户行为原始日志数据按照不同用户分别提取指定的时间单位长度计算其频率特征，并对所提取的特征进行数据处理；基于数据处理后的特征，利用BiGAN网络作为构建用户正常行为模式的模型，获得正常行为模型，并训练所述正常行为模型；基于训练后的所述正常行为模型，计算用户待检测数据的重构误差与判别器误差得到异常得分，之后应用OTSU算法自动选取阈值，获得检测结果。以此提高异常检测方法在内部用户行为检测中的准确率，并降低误报率。
-
公开(公告)号：CN113259325A
公开(公告)日：2021-08-13
申请号：CN202110429845.2
申请日：2021-04-21
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于麻雀搜索算法优化Bi‑LSTM的网络安全态势预测方法，属于网络安全技术领域。初始化麻雀种群并迭代筛选获取运算结果；基于运算结果初始化Bi‑LSTM神经网络超参数，得到SSA优化后的Bi‑LSTM模型；对SSA优化后的Bi‑LSTM模型进行训练生成预测模型；向预测模型中输入预测数据并获取结果。本发明利用麻雀搜索算法来优化Bi‑LSTM神经网络超参数，采用SSA优化的Bi‑LSTM能够加速模型的收敛，提高模型的预测精度，从而解决现有技术预测精度不够的问题。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.016 seconds)
