-
公开(公告)号：CN117134969A
公开(公告)日：2023-11-28
申请号：CN202311095456.6
申请日：2023-08-29
Applicant: 燕山大学
IPC: H04L9/40 , G06N3/0475 , G06N3/094 , G06N3/084 , G06N3/0442 , G06N3/045
Abstract: 本发明公开了一种基于扩散生成对抗网络和改进白鲸优化的融合神经网络入侵检测算法，属于信息安全技术领域，包括以下步骤：步骤S1、利用不平衡数据集训练扩散生成对抗网络，生成少数类别的样本；步骤S2、生成样本与不平衡数据集结合，得到平衡数据集；步骤S3、对平衡数据集利用改进白鲸优化算法进行特征选择、数据降维；步骤S4、训练融合神经网络入侵检测模型Transformer—BiLSTM，检测网络攻击。本发明解决了传统生成对抗网络训练不稳定的问题，使得生成对抗网络能够稳定生成逼近真实样本的生成样本,解决数据的不平衡问题。
-
公开(公告)号：CN116055175B
公开(公告)日：2025-02-28
申请号：CN202310040830.6
申请日：2023-01-12
Applicant: 燕山大学
IPC: H04L9/40 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08 , G06N3/006 , G06F18/211 , G06N7/01
Abstract: 本发明公开了一种基于联合对称不确定性和超参数优化神经网络的入侵检测方法，属于网络安全、入侵检测技术领域，首先对于非数值特征进行独热编码，转换为数值特征，并对数值做归一化处理；基于对称不确定性和松散条件下的马尔可夫毯，使用联合对称不确定性进行特征选择，获得最优特征子集，降低了原始数据的维度；基于CNN和LSTM构建CNN‑LSTM融合神经网络分类模型，并使用改进后的PSO算法对模型的超参数进行自动优化，提高算法的泛化能力。本发明具有更好的特征选择性能，同时也具有更好的入侵检测流量分类性能。从而在准确率、精确率、召回率等多维评价指标中表现出较好性能。
-
公开(公告)号：CN114861160A
公开(公告)日：2022-08-05
申请号：CN202210400321.5
申请日：2022-04-16
Applicant: 哈尔滨工业大学(深圳) , 燕山大学
Abstract: 本发明适用于计算机技术领域，提供了提升非管理员账户权限的方法，包括：以系统管理权限运行桌面代理程序；所述桌面代理程序获取待运行进程信息；所述桌面代理程序将所述待运行进程信息与程序白名单进行匹配；若匹配成功，则所述桌面代理程序创建待运行进程；若匹配失败，则重新执行所述以系统管理权限运行桌面代理程序的步骤。通过上述方案，本发明可以解决在特定场景下，标准用户无法获得管理员权限导致工作无法推进的技术问题。
-
公开(公告)号：CN113901472B
公开(公告)日：2023-08-08
申请号：CN202111047801.X
申请日：2021-09-08
Applicant: 燕山大学
Abstract: 本发明公开了一种双粒度轻量级的漏洞代码切片质量评估方法，属于信息安全技术领域，包括以下步骤：分类、预处理漏洞代码切片样本；使用窗口的单词、字符不同粒度，分割代码切片；建立评估特征向量；计算代码切片统计特征，建立切片数据集；建立轻量级评估模型；将切片数据集输入到轻量级评估模型，输出评估特征及评估指标。本发明通过单词、字符级别多种大小窗口分割代码切片，使用统计特征构建漏洞检测向量空间，提取代码切片中内隐的漏洞特征，解决了基于代码切片的漏洞检测技术中存在的未登录词嵌入问题，构建异质集成的轻量级评估模型，输出评估特征与多维评估指标，替代传统技术中的黑盒模型，提高了研究人员代码切片方法的研发、迭代效率。
-
公开(公告)号：CN116094808A
公开(公告)日：2023-05-09
申请号：CN202310062030.4
申请日：2023-01-17
IPC: H04L9/40
Abstract: 本发明涉及一种基于RBAC模式Web应用安全的访问控制漏洞检测方法，其包括以下步骤，步骤1：获取Web应用程序数据库中的基础数据；步骤2：处理基础数据，构造动态节点连接图和静态链接跳转图，并将其合并构成站点地图模型；步骤3：挖掘站点地图模型中不同用户的访问控制策略Gr；步骤4：违背访问控制策略，生成Web应用程序的攻击向量；步骤5：完成Web应用程序的访问控制漏洞检测。本发明通过动静混合的方式进行细粒度建模，将权限验证与数据库中的身份信息相结合，分析不同角色和用户的行为，通过模拟用户操作跟踪收集响应信息构建多属性站点地图模型，推导程序的访问控制策略；本发明通过构造攻击向量，模拟漏洞攻击，实现应用程序评估和漏洞检测。
-
Patent Agency Ranking
公开(公告)号：CN115270121A
公开(公告)日：2022-11-01
申请号：CN202210811548.9
申请日：2022-07-11
Applicant: 燕山大学
IPC: G06F21/56 , G06F21/57 , G06F16/958
Abstract: 本发明公开了一种信息高度集成的Web应用程序复杂网络表示方法，属于信息安全技术领域，包括通过静态分析和动态分析技术构建基础网络表示，基于边标签注释和节点标签注释改进传统的软件测试表征方法，并融合多类型Web漏洞特征构建复杂网络表示方法。本发明为Web系统多层级结构信息的完全表征提供了新的概念和方法，有利于解决当前Web安全分析工具方法功能碎片化和独立化、漏洞检测类型单一等问题，有效的表征了Web应用程序的静态结构和动态行为信息，为各类型漏洞检测、定位、防御研究提供了可行的基础。
-
公开(公告)号：CN113901463A
公开(公告)日：2022-01-07
申请号：CN202111033119.5
申请日：2021-09-03
Applicant: 燕山大学
Abstract: 本发明公开了一种面向概念漂移的可解释Android恶意软件检测方法，属于信息安全技术领域，包括通过人工Android恶意软件分析报告引入检测特征，基于自动化机器学习算法与可解释算法改进传统的特征包装，并融合同分布检验与迁移学习算法。本发明提高了Android恶意软件检测模型的可解释性，有利于逆向分析人员人工验证检测模型，降低了概念漂移问题对检测模型准确率影响，有利于检测模型低代价的长时间维持高准确率，用于Android恶意应用软件的检测与分析中。
-
公开(公告)号：CN113892939A
公开(公告)日：2022-01-07
申请号：CN202111130709.X
申请日：2021-09-26
Applicant: 燕山大学
Abstract: 本发明公开了一种基于多特征融合的人体静息状态下呼吸频率监测方法，属于医学专用软件领域，涉及人体检测技术领域，包括通过融合滤波器选频算法与机器学习模型，基于多体位心电信号、光电容积脉搏波信号及其统计特征，结合测量便捷的心率、脉搏率、血氧饱和度等生理参数，拟合输出呼吸频率。本发明提高了呼吸频率监测技术的准确率与泛化性能，降低了呼吸频率监测的成本，普遍适用于监护场景下呼吸频率的测定中。
-
公开(公告)号：CN114881172B
公开(公告)日：2025-04-01
申请号：CN202210614135.1
申请日：2022-05-31
Applicant: 燕山大学
IPC: G06F18/241 , G06F40/284 , G06F40/30 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/084 , G06F21/57
Abstract: 本发明公开了一种基于加权词向量和神经网络的软件漏洞自动分类方法，属于计算机软件安全领域，包括以下步骤：S1，对漏洞详细描述文本的数据预处理；S2，漏洞文本经过预处理后，通过Word2Vec模型和N‑TF‑IDF算法结合构造加权词向量，完成文本向量表示；S3，基于神经网络的TCNN‑BiGRU漏洞分类模型实现漏洞自动分类，模型主要包括4个部分，分别为输入层、TextCNN结构、BiGRU结构和全连接层。本发明能够满足对软件漏洞的自动化分类需求，且不受漏洞数量和漏洞种类增多的限制，有效地处理词向量空间的高维性和稀疏性问题，在准确率、宏精确率、宏召回率和宏F1值等多维评价指标中表现出较好性能。
-
公开(公告)号：CN114881172A
公开(公告)日：2022-08-09
申请号：CN202210614135.1
申请日：2022-05-31
Applicant: 燕山大学
IPC: G06K9/62 , G06F40/289 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于加权词向量和神经网络的软件漏洞自动分类方法，属于计算机软件安全领域，包括以下步骤：S1，对漏洞详细描述文本的数据预处理；S2，漏洞文本经过预处理后，通过Word2Vec模型和N‑TF‑IDF算法结合构造加权词向量，完成文本向量表示；S3，基于神经网络的TCNN‑BiGRU漏洞分类模型实现漏洞自动分类，模型主要包括4个部分，分别为输入层、TextCNN结构、BiGRU结构和全连接层。本发明能够满足对软件漏洞的自动化分类需求，且不受漏洞数量和漏洞种类增多的限制，有效地处理词向量空间的高维性和稀疏性问题，在准确率、宏精确率、宏召回率和宏F1值等多维评价指标中表现出较好性能。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.02 seconds)
