-
公开(公告)号：CN102833326A
公开(公告)日：2012-12-19
申请号：CN201210292504.6
申请日：2012-08-15
Applicant: 广东工业大学
IPC: H04L29/08
Abstract: 本发明提供了一种基于灰色预测的云存储负载均衡方法，包括以下步骤：根据客户端文件请求查找文件对应数据块所有副本的位置，对任意数据块生成其所有副本所在的节点集合，并采用基于灰色预测的云存储负载均衡方法完成合适节点的选择以及副本的读取。这种方法通过对下一时刻节点负载状况的预测来动态地选择负载最低的节点，因此降低了同一节点同一时刻被大量访问的可能性，有效地实现了负载的动态均衡，从而保证了系统的稳定和高效。
-
公开(公告)号：CN115100490B
公开(公告)日：2025-04-29
申请号：CN202210851943.X
申请日：2022-07-20
Applicant: 广东工业大学
IPC: G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本申请公开的一种图像质量评价方法、系统以及可读存储介质，该方法包括构建训练图像数据集，所述训练图像数据集包含真实失真图像；构建用于结合图像通道、以及空间特征信息，进行图像质量加权评价计算的初始网络模型；按照预设的预处理方式，对所述训练图像数据集中包括的各图像分别进行的预处理操作，得到相应的预处理训练数据；将所述预处理训练数据输入到所述初始网络模型中进行训练，得到训练好的目标网络模型；对待评价的真实失真图像进行所述预处理操作，并将所得的预处理待评数据输入到所述目标网络模型进行处理，得到相应的图像质量评分。该方法的实施能够提高图像质量评分的精准度。
-
公开(公告)号：CN119675896A
公开(公告)日：2025-03-21
申请号：CN202411565280.0
申请日：2024-11-05
Applicant: 广东工业大学
Abstract: 本发明涉及网络安全与人工智能领域，更具体地，涉及基于SDN和图神经网络的网络异常攻击行为检测方法，其中方法包括：根据SDN控制器采集SDN交换机所保存的流量数据；计算节点流量特征值；构建网络流量的无向图结构：计算边流量特征值；将节点流量特征值和边流量特征值与无向图结构相结合，然后输入到GNN模型中进行建模，进行训练，得到训练后的网络异常攻击行为检测模型；通过训练后的网络异常攻击行为检测模型对新采集的流量数据进行检测，得到检测结果。本发明将SDN和GNN结合起来，利用SDN的动态网络管理能力，提升网络异常攻击行为检测的准确性和实时性，通过GNN对复杂的网络拓扑和节点间的关联进行建模，从而有效检测多种类型的网络异常攻击行为。
-
公开(公告)号：CN119442077A
公开(公告)日：2025-02-14
申请号：CN202411308962.3
申请日：2024-09-19
Applicant: 广东工业大学
IPC: G06F18/2433 , G06F18/15 , G06F18/213 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/09
Abstract: 本发明属于数据异常检测技术领域，提出一种基于对比学习和生成对抗网络的时间序列异常检测方法，其步骤包括：对时间序列数据集进行预处理，进行不同域的数据增强并输入编码器得到第一潜在变量；对第一潜在变量进行对比学习，得到第二潜在变量；通过生成器和判别器对当前批次时间序列数据相应的所述第二潜在变量进行生成对抗网络训练，并根据训练得到的误差计算时间序列数据的异常分数，寻找出异常分数高于预设阈值的时间序列数据并将其标记为异常数据。相较于现有技术泛用性的不足，本发明提出了一种适用于不同场景下的时间序列异常检测方法。
-
公开(公告)号：CN115148303B
公开(公告)日：2024-11-01
申请号：CN202210690052.0
申请日：2022-06-17
Applicant: 广东工业大学
IPC: G16C20/70 , G16C20/20 , G16B30/00 , G16B40/00 , G06F18/22 , G06F18/2135 , G06F18/24 , G06N3/048 , G06N3/042 , G06N3/0895
Abstract: 本发明提出了一种基于规范化图神经网络的微生物‑药物关联预测方法，包括利用现有的微生物‑药物关联数据库构建微生物‑药物的关联网络；构建微生物‑药物的多模态属性图；根据微生物‑药物的关联网络和微生物‑药物的多模态属性图，建立引入正则化的图神经网络模型；利用现有的微生物‑药物关联数据库构建训练集和测试集，用训练集训练引入正则化的图神经网络模型；将测试集输入训练后的图神经网络模型，预测测试集中微生物‑药物的关联。本发明通过在神经网络模型中引入正则化，防止模型过拟合，从而解决孤立节点问题，从而提高微生物‑药物关联预测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN118709561A
公开(公告)日：2024-09-27
申请号：CN202410858029.7
申请日：2024-06-28
Applicant: 广东工业大学
IPC: G06F30/27 , G06Q10/04 , G06F18/24 , G06F17/13 , G06F18/214 , G06N3/0475 , G06N3/094 , G06N3/084
Abstract: 本发明公开了一种基于泊松流模型的对抗训练方法及装置，包括：从原始数据集中采样样本数据集并建模为电场电子，由常微分方程模拟电子在电场中的运动，计算每个样本数据的经验泊松场以计算损失函数，迭代更新泊松流模型参数；基于泊松流模型使用前向模拟生成与原始数据集具有相似分布特性的高维点，并将高维点转换为与样本数据格式相同的图像数据；将图像数据输入预训练的深度学习分类网络，生成伪标签并选取置信度相对高的若干样本数据与原始数据集合并生成合并数据集；基于合并数据集生成对抗样本，并使用对抗样本与原始数据集训练目标分类模型。本发明提高了训练数据的多样性，显著缓解了对抗训练的鲁棒过拟合，提高了目标模型的对抗鲁棒性。
-
公开(公告)号：CN117688355A
公开(公告)日：2024-03-12
申请号：CN202311536951.6
申请日：2023-11-16
Applicant: 广东工业大学 , 广东三维家信息科技有限公司
IPC: G06F18/2113 , G06F18/23213 , G06F18/2411 , G06Q40/00
Abstract: 本发明涉及联邦学习的安全技术领域，更具体地，涉及一种联邦学习中数据污染的恶意节点检测方法，本发明主要基于分析和对比各用户历史数据更新的差异性，为了更精确地衡量每个节点的贡献，将所有节点的历史更新变化纳入评估范围，更能真实反映在非独立数据分布下模型参数的更新和分布特性，首先对高维度参数进行降维处理，然后再针对各节点对全局模型的贡献情况进行评估，可以有效地筛选出存在异常更新行为的节点，这不仅提高了联邦学习的聚合效率，还有助于优化模型的准确度，并显著增强了系统的安全性，在k‑means聚类中使用余弦距离替代欧氏距离，通过多次迭代，该方法能更有效地识别并隔离潜在的恶意节点，从而增强系统的鲁棒性和安全性。
-
公开(公告)号：CN114257428B
公开(公告)日：2024-02-27
申请号：CN202111509168.1
申请日：2021-12-10
IPC: H04L9/40 , G06F18/2431 , G06N3/0442 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于深度学习的加密网络流量识别及分类方法，所述识别方法包括以下步骤：S1：获取加密网络流量数据并进行预处理得到若干单独的会话；S2：对于预处理后的流量数据进行统计特征的选择；S3：对预处理后的流量数据进行有效载荷截取；S4：将统计特征和有效载荷进行特征整合并进行特征标准化；S5：利用整合后的特征对识别模型进行训练，得到训练好的识别模型；S6：利用训练好的识别模型对加密网络流量进行识别和分类。本发明提高了加密网络流量识别及分类的准确度，实现了更高的分类性能，并且能够对细粒度的加密网络流量进行识别和分类同时具有更强的场景适用性。
-
公开(公告)号：CN110378430B
公开(公告)日：2023-07-25
申请号：CN201910667229.3
申请日：2019-07-23
Applicant: 广东工业大学
IPC: G06F18/214 , H04L9/40
Abstract: 本申请公开了一种基于多模型融合的网络入侵检测的方法，包括：获取公开数据集；对公开数据集中的数据进行预处理，得到训练数据集和待测数据集；利用训练数据集对预设融合模型进行训练，直至预设融合模型收敛；利用收敛后的预设融合模型对待测数据集进行基于多模型融合的网络入侵检测，得到基于多模型融合的网络入侵检测结果。本申请减少了不相关特征和冗余信息对检测结果的影响，与传统的机器学习方法相比，节省了人工挖掘关联规则的成本，更有效的利用了数据特征，提高了基于多模型融合的网络入侵检测率。本申请同时还提供了一种基于多模型融合的网络入侵检测的系统、设备及计算机可读存储介质，具有上述有益效果。
-
公开(公告)号：CN114726614B
公开(公告)日：2023-05-23
申请号：CN202210356162.3
申请日：2022-04-06
Applicant: 广东工业大学
IPC: H04L9/40 , G06F40/126 , G06F18/241 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于条件变分自编码器和SENet的XSS攻击检测方法，包括以下步骤：获取攻击样本数据并进行数据预处理，将预处理后的数据映射至设定的区域；构建条件变分自编码器CVAE模型，利用得到的数字数据训练条件变分自编码器CVAE模型，并将训练好的模型的编码器作为特征提取器；构建SENet模型，利用特征提取器对预处理后的数据进行采样得到特征，利用特征训练SENet模型，得到分类器；提取待检测攻击数据的特征，输入至分类器，输出分类结果，完成XSS攻击检测。本方法与传统的XSS攻击检测的方法相比，结合了条件变分自动编码器的特点和SENet的优点提升了学习数据的表征能力，提高了XSS攻击检测的准确率。
-
-
-
-
-
-
-
-
-
Search Results
317
records
(took 0.111 seconds)
