-
公开(公告)号：CN119808898A
公开(公告)日：2025-04-11
申请号：CN202510308916.1
申请日：2025-03-17
Applicant: 湖南科技大学
Abstract: 本发明涉及联邦学习技术领域，具体公开一种具备数据感知能力的分层可信联邦学习方法，该方法通过分层可信联邦学习装置获取各客户端设备学习性能数据，并得到各客户端设备学习性能指标，判断是否对其进行性能预警，然后分层可信联邦学习装置将各客户端设备公钥上传至区块链，由此筛选出各可访问控制设备，确保了数据隐私，各可访问控制设备训练生成各可访问控制设备所属本地模型，随后得到各可访问控制设备所属本地模型训练特征值，并判断是否重新进行训练，同时获取各可访问控制设备的训练评估指数，由此完成智能分组，并对各组可访问控制设备所属本地模型进行聚合，生成全局模型，并上传到区块链完成全局模型更新，提高了模型训练效率和准确性。
-
公开(公告)号：CN119728080A
公开(公告)日：2025-03-28
申请号：CN202510226297.1
申请日：2025-02-27
Applicant: 湖南科技大学
IPC: H04L9/00 , H04L9/40 , H04L67/1097 , H04L67/54 , H04L67/1396
Abstract: 本发明涉及密码数据安全处理技术领域，具体公开用于用户注册的去中心化管理方法、系统以及存储介质，该方法包括：注册平台安全监测、用户注册安全管理、用户密钥分析以及区块链的安全分析，通过实时监测获取注册平台运行过程中的安全性能数据，能够及时发现并处理注册平台潜在的安全隐患，通过监测用户在注册过程中的行为数据，能够及时发现并处理异常注册行为，通过获取用户在注册过程中的密钥数据，确保用户设置的密钥足够复杂，难以被破解，将用户在注册过程中数据进行加密存储，确保用户数据在传输和存储过程中的安全性，实现用户数据的分布式存储，同时，去中心化管理方法降低了对中心化机构的依赖，提高了用户注册过程的安全性。
-
公开(公告)号：CN119210465A
公开(公告)日：2024-12-27
申请号：CN202411579167.8
申请日：2024-11-07
Applicant: 湖南科技大学
Abstract: 本发明涉及电数字数据处理技术领域，具体公开一种自适应压缩编码的分层联邦学习方法，该方法包括：分层联邦学习架构构建、边缘服务器匹配、模型生成性能判断、压缩率匹配以及分层联邦学习架构判断，首先构建出分层联邦学习架构，使得每一层都能充分利用其计算资源，通过匹配得到终端设备对应的边缘服务器，各终端设备用于生成环境数据训练模型，根据边缘服务器的网络传输性能得到对应的压缩率，边缘服务器接收各终端设备的环境数据训练模型并按照对应的压缩率依次进行自适应压缩编码以及边缘聚合，云服务器接收边缘聚合结果并进行全局聚合，最终判断分层联邦学习架构所属云服务器是否将全局聚合对应结果上传至环境资源调度云平台。
-
公开(公告)号：CN118395191A
公开(公告)日：2024-07-26
申请号：CN202410815645.4
申请日：2024-06-24
Applicant: 湖南科技大学
IPC: G06F18/214 , G06F18/10 , G06N3/098 , G06F21/62 , G06F21/64
Abstract: 本发明涉及一种维度驱动的去中心化联邦学习数据偏差处理方法（TrustBCFL），采用局部内在维度（LID）理论在本地数据集层面完成了噪声客户端识别，同时针对噪声客户端的噪声标签，使用最新的全局模型，根据样本的Loss值完成噪声标签校正，从而减少了联邦客户端数据集中的信息丢失。采用基于委员会共识的联邦学习本地模型筛选机制在模型层面完成了低质量局部模型更新的筛查，只有提交的模型LID值在阈值范围内的训练客户端才能通过验证委员会的交叉评估。本发明借助局部内在维度理论和区块链技术解决了传统联邦学习的本地数据偏差问题和单点故障问题，并有效平衡数据隐私和数据共享需求。
-
公开(公告)号：CN118312817A
公开(公告)日：2024-07-09
申请号：CN202410729844.3
申请日：2024-06-06
Applicant: 湖南科技大学
IPC: G06F18/23213 , G06F18/214 , G06F18/22
Abstract: 本发明涉及粒度粗糙熵改进技术领域，具体公开一种基于粒度粗糙熵的改进k‑Medoids聚类方法，该方法包括：粒度粗糙熵评估、最小距离比对以及聚类质量反馈，首先得到各需聚类数据样本对应的粒度粗糙熵，并筛选出各需聚类数据样本与对应的初始簇之间的最小距离，若该最小距离均小于设定的距离界定值，则进行聚类质量反馈；通过对粒度粗糙熵的分析，能够降低噪声和异常值对聚类结果的影响，并结合函数分析可以减少计算配置在运算时的运算工作量，提高计算配置的运行效率和数据处理的准确度，减少存储设备的存储负担，由此提高k‑Medoids聚类算法的聚类质量和准确性。
-
Patent Agency Ranking
公开(公告)号：CN119356883A
公开(公告)日：2025-01-24
申请号：CN202411914728.5
申请日：2024-12-24
Applicant: 湖南科技大学
Abstract: 本发明涉及电数字数据处理技术领域，具体公开一种基于GPU的并行张量填充方法，该方法包括：初始矩阵生成、张量划分准确度判定、子张量并行处理以及并行张量填充，根据矩阵方式生成初始矩阵，基于需填充数据集的数据量，通过预设张量划分方式得到子张量，并校验划分准确度以优化划分方式；利用预定义坐标定位方式获取子张量二进制坐标，结合并行张量查找方式得到并行子张量序列，传输至GPU内存空间进行并行处理，评估GPU并行处理性能，通过并行处理得到各子张量序列权重，更新初始矩阵为更新矩阵，最终按预定义方式填充缺失数据，完成数据的并行张量填充，提高数据的准确性和完整性。
-
公开(公告)号：CN118449881A
公开(公告)日：2024-08-06
申请号：CN202410569395.0
申请日：2024-05-09
Applicant: 湖南科技大学
Abstract: 本发明公开了一种基于张量填充的在线全网距离测量方法、终端设备，将时序到来的网络距离数据建模为基于滑动窗口的三阶张量；对历史网络距离数据张量做CP分解得到相应的因子矩阵，计算源节点因子矩阵和目的节点因子矩阵的行杠杆分值，并分别进行降序排序；根据降序行杠杆分值，快速计算和选择高杠杆分值位置进行网络距离探测，测量位置的数目不小于理论采样界；利用加权张量填充方法从部分测量的网络距离数据中快速、精确地恢复未测量的距离数据，从而获得全网距离数据。本发明解决了现有技术中采样复杂度高、数据重构精度低、数据恢复速度慢等问题，实现全网距离数据的低开销在线采集。
-
公开(公告)号：CN118138476B
公开(公告)日：2024-06-28
申请号：CN202410538594.5
申请日：2024-04-30
Applicant: 湖南科技大学
IPC: H04L41/142 , G06N5/04 , H04L41/14 , H04W24/04 , H04L41/0816 , H04L41/0894 , H04L9/40 , H04L43/08
Abstract: 本发明公开了基于意图驱动的6G数字孪生网络自治系统，涉及6G物联网技术领域。为了缓解6G网络存在通信过程易受干扰、节点数据负载分化严重、自动成网效率低、故障排查困难的问题，该基于意图驱动的6G数字孪生网络自治系统，采用构建意图驱动建模子系统、安全隐私子系统、监测反馈子系统，其中：意图驱动建模子系统用于基于获取到意图感知数据获取6G数字孪生网络的意图驱动指数，对当前6G数字孪生网络状态进行理解，进行网络自治调度；安全隐私子系统对6G数字孪生网络使用安全状况进行评估；监测反馈子系统实时监测6G数字孪生网络，同时结合6G数字孪生网络使用安全状况与用户体验数据对当前6G数字孪生网络进行故障预警。
-
公开(公告)号：CN118174881A
公开(公告)日：2024-06-11
申请号：CN202410588729.9
申请日：2024-05-13
Applicant: 湖南科技大学
Abstract: 本发明公开了用于车辆自组织网络的数字签名验证方法，涉及区块链车载自组织网络领域。该用于车辆自组织网络的数字签名验证方法，通过计算得到车辆的临时公钥，判断认证索引表中是否存在车辆的临时公钥，获取临时公钥对应的随机数,计算车辆签名验证消息的相关值，验证车辆签名验证消息是否合法，确保车辆身份和消息的真实性和完整性，避免车辆伪造身份或篡改消息的情况发生，提高车辆自组织网络的效率和性能，通过对车辆的注册信息和车辆产生的交通信息分别由道路测试装置的操作节点和RSU进行验证，以验证共识，并将索引表链起来，在认证开销和吞吐量方面都取得了较好的效果，能够较好地满足vanet对网络安全性、时效性和稳定性的要求。
-
公开(公告)号：CN120074539A
公开(公告)日：2025-05-30
申请号：CN202510552638.4
申请日：2025-04-29
Applicant: 湖南科技大学
IPC: H03M7/30
Abstract: 本申请公开了一种基于混合压缩算法的数据压缩方法及系统，涉及时序测量数据压缩领域，该方法包括：获取实测监测参数序列和历史实测监测种子数据，并调用预测模型确定预测监测参数序列，计算残差序列；根据残差序列在各个滑动窗口的标准差将残差序列划分为低方差段和高方差段；对低方差段的残差值进行聚类处理以生成相应的字典索引，将高方差段的残差值进行频域变换、量化处理及熵编码而生成相应的频域压缩编码；对历史实测监测种子数据进行无损编码以生成相应的种子数据压缩编码，通过打包组合而得到针对实测监测参数序列的实测监测压缩数据。由此，在边缘设备编码端引入混合压缩算法，通过先验知识建模减少对实时数据全量分析的依赖。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.028 seconds)
