-
公开(公告)号:CN119945728A
公开(公告)日:2025-05-06
申请号:CN202411927395.X
申请日:2024-12-25
Applicant: 北京理工大学
IPC: H04L9/40 , H04L41/12 , G06N3/045 , G06F18/214
Abstract: 本申请涉及网络攻击技术领域,特别涉及一种LFA被动防御方法、装置、电子设备及存储介质,其中,方法包括:通过获取待防御网站的网络拓扑结构和流量信息,基于网络拓扑结构确定待防御网站中的每个节点的图中心性指标,以根据每个节点的图中心性指标确定待防御网站的关键节点,并将待防御网站的流量信息、网络拓扑结构和关键节点输入至预设的防御模型,识别关键节点中的网络瓶颈,并确定网络瓶颈的第一目标防御动作,执行第一目标防御动作进行被动防御。由此,解决了人工建立备用链路或节点防御LFA耗时耗力问题,本申请通过预设的防御模型,在LFA发生后自动识别网络瓶颈建立新节点和链路,将数据流引入新节点和链路,降低网络瓶颈被攻击后瘫痪的风险。
-
公开(公告)号:CN119254395A
公开(公告)日:2025-01-03
申请号:CN202411230602.6
申请日:2024-09-03
Applicant: 北京理工大学
IPC: H04L5/00 , H04L25/02 , H04B7/0413
Abstract: 本申请涉及一种基于去蜂窝大规模MIMO架构的导‑频分配方法及装置,其中,方法包括:基于预设的去蜂窝大规模MIMO架构,并根据目标网络中的每个无线接入点和每个目标用户构建目标网络对应的无向拓扑图;根据预设的信号阈值和大尺度衰落系数化简无向拓扑图,生成简化无向拓扑图;根据简化无向拓扑图对每个目标用户进行可用导频分析,得到每个目标用户的可用导频分析结果,并基于可用导频分析结果,结合预设的导频使用次数要求或导频污染值要求,为每个目标用户分配相应的目标导频。由此,解决了现有技术在导频资源有限的条件下,难以有效地分配导频资源,每个用户无法均获取正交导频时,导频污染抑制难等问题。
-
公开(公告)号:CN115237914A
公开(公告)日:2022-10-25
申请号:CN202210845036.4
申请日:2022-07-18
Applicant: 北京理工大学
IPC: G06F16/22 , G06F16/2453 , G06F21/64
Abstract: 本发明提出了一种防篡改索引结构及其构建、存储和查询方法,能够能够支持高效存储和高效查询,满足现实工业界使用场景。与传统B+树相比,本发明索引结构为每个关键字新增了一个关联的hash字段以提供防篡改功能;在每层节点间增加左右兄弟指针支持双向查询,同时为每层非最右节点新增High Key字段标识关键字范围加速查询;此外,摒弃了B+树对关键字定长的假设,转而以节点的剩余可利用存储空间为判断依据,构建出了一种支持变长key存储和双向查询的高效防篡改索引结构。本发明详细描述了该索引结构及其构建方法,为数据的安全使用和高效查询提供了新的方案。
-
公开(公告)号:CN119834871A
公开(公告)日:2025-04-15
申请号:CN202510293980.7
申请日:2025-03-12
Applicant: 北京理工大学
Abstract: 本申请涉及卫星通信技术领域,特别涉及一种基于联邦学习的卫星跳波束方法,包括:获取每个卫星的局部模型梯度;对每个卫星的局部模型梯度进行质量估计,并对满足预设质量达标条件的多个梯度进行异步联邦聚合,得到新的全局模型梯度;计算每个卫星的局部模型梯度与新的全局模型梯度之间的相似度,并在相似度大于预设阈值时,判定新的全局模型处于预设收敛状态。由此,解决了现有跳波束技术中用户数据安全风险高和系统同步通信复杂度过高的问题,实现了在保障用户数据安全的同时,降低系统同步通信复杂度,提高计算效率,确保卫星通信系统资源的有效利用和长期稳定运行。
-
公开(公告)号:CN117997678A
公开(公告)日:2024-05-07
申请号:CN202410045835.2
申请日:2024-01-12
Applicant: 北京理工大学
IPC: H04L25/02 , H04B17/391
Abstract: 本发明公开的基于压缩感知的mMIMO用户活跃性检测和信道估计方法,属于无线通信技术领域。本发明实现方法为:将大规模MIMO技术拓展应用于低轨卫星通信系统,使得卫星具备实施灵活波束成形的能力,能够充分利用大规模MIMO的空间自由度,显著提高LEO卫星通信系统的频谱效率和功率效率。基于压缩感知进行信道估计,能够借助于信道在变换域的稀疏性,导频数量得到最大化减少,频谱利用率得到提高,从而降低矩阵的维度以及算法复杂度。使用SOMP算法进行稀疏信号恢复,SOMP算法每次迭代使用一组联合稀疏信号的残差共同选择最匹配的支撑集元素,降低迭代次数,减小计算复杂度,同时增加支撑集元素选择的准确性,提高恢复信号精度。
-
-
-
-