-
公开(公告)号：CN116069672A
公开(公告)日：2023-05-05
申请号：CN202310288727.3
申请日：2023-03-23
Applicant: 中南大学
IPC: G06F11/36
Abstract: 本发明公开了一种操作系统内核定向模糊测试的种子变异方法，包括获取目标操作系统的数据信息；构建函数调用图和控制流图；得到过程间控制流图；得到内核代码相对目标位置的距离度量；评估现有种子并得到符合设定条件的种子；对得到的种子进行质量评分和能量分配，得到具有不同能量的测试例种子；对测试例种子进行自适应变异，完成对应的种子变异。本发明还公开了一种包括所述操作系统内核定向模糊测试的种子变异方法的测试方法。本发明方法不仅能够让优质种子优先变异执行，实现了种子变异的高可靠性高、高效率和优秀的变异效果，而且也能够使得后续的测试过程的资源花费较少，测试时间缩短，测试效率更高。
-
公开(公告)号：CN115311521B
公开(公告)日：2023-04-28
申请号：CN202211111492.2
申请日：2022-09-13
Applicant: 中南大学
IPC: G06V10/774 , G06V10/776 , G06V10/771 , G06V20/40
Abstract: 本发明公开了一种基于强化学习的黑盒视频对抗样本生成方法，包括获取原始视频数据并分割得到视频块集合；对视频块集合插入位置信息得到带有位置信息的视频块集合；进行视觉特征提取得到视频块的特征；对带有位置信息的视频块集合进行提取得到关键视频块集合；对关键视频块集合进行迭代得到估计梯度；生成对抗样本值并构建对应的损失函数；将对抗样本值输入到目标视频模型中获取返回值，根据返回值和损失函数值得到最终构建的对抗样本。本发明还公开了一种包括所述基于强化学习的黑盒视频对抗样本生成方法的评价方法。本发明提高了添加的扰动的精准性，减少了对抗样本的复杂性，而且成本较低，可靠性高，效率较高。
-
公开(公告)号：CN114840437A
公开(公告)日：2022-08-02
申请号：CN202210572212.1
申请日：2022-05-24
Applicant: 中南大学
Abstract: 本发明公开了一种操作系统内核模糊测试种子评估调度方法，包括首先模糊测试工具读取初始语料库获取用于内核模糊测试的测试用例；操作系统执行测试用例；判断测试用例在执行过程中是否发生崩溃现象；判断测试用例在执行过程中是否覆盖到就绪种子池中种子未曾覆盖到的内核位置；判断模糊测试工具是否接收到测试结束指令；根据优化后种子评估策略和能量分配策略选择下一个测试例种子并分配对应的能量进行变异操作；重复步骤并输出当前测试过程中维护更新的崩溃种子池。本发明优化了种子优先级评估策略以及能量分配策略，提高了种子访问低频率路径的概率，从而减少了低频率路径上漏洞暴露的时间，大大提升了内核模糊测试的效率。
-
公开(公告)号：CN119886255A
公开(公告)日：2025-04-25
申请号：CN202510361196.5
申请日：2025-03-26
Applicant: 中南大学
IPC: G06N3/08 , G06F40/237 , G06F40/284 , G06F40/30 , G06F16/35 , G06F16/9535
Abstract: 本申请公开了一种推荐系统的大语言模型对齐微调方法、系统及设备，该方法将提示词中的关键部分和每个知识增强文本转换为高维嵌入向量，得到第一高维嵌入向量和第二高维嵌入向量；对多个知识增强文本进行筛选；采用训练数据集对预设推荐模型进行训练，得到第一嵌入向量矩阵和第二嵌入向量矩阵；将每个筛选后的知识增强文本对应的高维嵌入向量和第二嵌入向量矩阵中与待推荐目标相关的嵌入向量进行融合；基于每个筛选后的知识增强文本对应的融合特征向量和第一嵌入向量矩阵，对每个筛选后的知识增强文本进行打分；根据打分结果构建微调数据集，采用微调数据集对大语言模型进行对齐微调。本申请能够利用大语言模型自带的广泛外部知识，提高推荐效果。
-
公开(公告)号：CN119484367A
公开(公告)日：2025-02-18
申请号：CN202411684676.7
申请日：2024-11-22
Applicant: 中南大学
Abstract: 本公开实施例中提供了一种协议模糊测试引导的网络协议格式推理方法，属于数据处理技术领域，具体包括：步骤1，捕获目标系统的流量并进行过滤，识别并分离出目标协议的报文序列；步骤2，对报文序列进行字段分割，得到分割结果；步骤3，根据分割结果推断协议格式；步骤4，根据推断的协议格式构建输入数据包并发送至服务器进行格式验证；步骤5，当格式验证通过时，根据推断的协议格式对应的分割结果进行循环反馈的模糊测试引导，直至得到最优分割结果。通过本公开的方案，可以提高协议逆向字段切割的精度，从而提升了协议格式推断的效率和准确性。
-
Patent Agency Ranking
公开(公告)号：CN117195970A
公开(公告)日：2023-12-08
申请号：CN202311467452.6
申请日：2023-11-07
Applicant: 中南大学
IPC: G06N3/0475 , G06N3/042 , G06N3/094 , G06N3/126
Abstract: 本发明公开了一种基于遗传算法的超图神经网络对抗样本生成方法，包括获取目标超图神经网络的数据信息；为注入节点随机生成标签并得到注入节点的特征；选定注入节点可能连接的所有超边；将注入节点注入超边得到超图，计算损失并选取若干超边作为遗传进化的输入数据；采用遗传算法对超边进行遗传进化并计算个体得分；选取个体作为注入节点的连接关系，完成注入节点生成并保存注入节点；对注入节点进行排列组合并输出对抗样本，完成目标超图神经网络的对抗样本生成。本发明设计了一种基于遗传进化的注入节点生成方法，并保存高质量的注入节点，通过对注入节点进行变异操作得到高质量对抗样本；因此本发明方法的可靠性更高，效果更好。
-
公开(公告)号：CN115934666A
公开(公告)日：2023-04-07
申请号：CN202211500810.4
申请日：2022-11-28
Applicant: 中南大学
IPC: G06F16/18 , G06F18/214 , G06F18/22 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 本公开实施例中提供了一种基于图卷积神经网络的特征增强云容器异常日志分类方法，属于数据处理技术领域，具体包括：从异常日志数据集中读取异常日志；将异常日志划分为堆栈跟踪数据帧；将堆栈跟踪数据帧进行标记和裁剪；将堆栈跟踪数据帧构建为Bert模型的输入特征向量Fin；将输入特征向量Fin输入编码器中，输出特征向量Fout并分割为[FCLS,Flog]；构建一张图，将向量Flog当作点特征，向量FCLS的余弦相似性结果当作边关系，将该图输入到图卷积神经网络中；将图卷积神经网络特征增强后的异常日志特征向量经过全连接层和激活函数映射成一维特征向量，然后对该一维向量进行相似性度量，并据此对异常日志进行分类。通过本公开的方案，提高了异常日志分类的效率和精准度。
-
公开(公告)号：CN115311521A
公开(公告)日：2022-11-08
申请号：CN202211111492.2
申请日：2022-09-13
Applicant: 中南大学
IPC: G06V10/774 , G06V10/776 , G06V10/771 , G06V20/40
Abstract: 本发明公开了一种基于强化学习的黑盒视频对抗样本生成方法，包括获取原始视频数据并分割得到视频块集合；对视频块集合插入位置信息得到带有位置信息的视频块集合；进行视觉特征提取得到视频块的特征；对带有位置信息的视频块集合进行提取得到关键视频块集合；对关键视频块集合进行迭代得到估计梯度；生成对抗样本值并构建对应的损失函数；将对抗样本值输入到目标视频模型中获取返回值，根据返回值和损失函数值得到最终构建的对抗样本。本发明还公开了一种包括所述基于强化学习的黑盒视频对抗样本生成方法的评价方法。本发明提高了添加的扰动的精准性，减少了对抗样本的复杂性，而且成本较低，可靠性高，效率较高。
-
公开(公告)号：CN114565097A
公开(公告)日：2022-05-31
申请号：CN202210194895.1
申请日：2022-03-01
Applicant: 中南大学
IPC: G06N10/20
Abstract: 本发明公开了一种参数化量子线路构建方法，包括确定初始系统的哈密顿量，并预设末态系统的哈密顿量；根据得到的初始系统的哈密顿量和末态系统的哈密顿量构造对应的酉算子；对构造得到的酉算子进行分解得到对应的量子逻辑门；根据得到的量子逻辑门构建最终的参数化量子线路。本发明还公开了包括所述参数化量子线路构建方法的量子态系统构建方法。本发明提供的这种参数化量子线路构建方法及量子态系统构建方法，通过创新的量子线路构建方法的设计，不仅可以通过构建参数化量子线路完成哈密顿学习，而且而且所设计的参数化量子线路具有学习性、稳定性以及实用性，可靠性更高，实用性更好。
-
公开(公告)号：CN114565096A
公开(公告)日：2022-05-31
申请号：CN202210194165.1
申请日：2022-03-01
Applicant: 中南大学
IPC: G06N10/20 , G06V10/26 , G06V10/764
Abstract: 本发明公开了一种量子哈密顿学习方法，包括确定初始系统的哈密顿量并预设末态系统的哈密顿量；构造对应的酉算子并分解得到对应的量子逻辑门；构建最终的参数化量子线路；将初始系统带入参数化量子线路并演化生成中间态量子系统，演化过程中计算损失函数并更新系统参数；比较中间态量子系统的哈密度量的期望值与预设的末态系统的哈密度量期望值并输出最终的量子比特排序和对应系统的哈密顿量的期望值，完成参数化量子的哈密顿学习。本发明还公开了一种包括所述量子哈密顿学习方法的图像分割方法，以及包括了所述图像分割方法的车牌识别方法。本发明可靠性更高，实用性更好。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.019 seconds)
