-
公开(公告)号：CN110674865A
公开(公告)日：2020-01-10
申请号：CN201910893983.9
申请日：2019-09-20
Applicant: 燕山大学
Abstract: 本发明公开一种面向软件缺陷类分布不平衡的规则学习分类器集成方法，其包括如下步骤：步骤S1：采用主成分分析(PCA)法从原始特征中提取最有效特征从而去除无关和冗余属性，达到降维去噪目的；步骤S2：执行ADASYN过采样和无放回随机采样相结合的组合采样方法，从而解决软件缺陷数据的类分布不平衡性问题，通对采样率的设定提高了软件缺陷预测效率；步骤S3：选取基于规则学习的基分类器进行集成，构建软件缺陷预测模型。本方法利用基于规则学习算法先处理最不频繁的类最后处理最频繁类的机制，以及集成学习能够有效降低偏差和方差，进而降低分类误差的特点，使得模型在处理不平衡数据时具有良好的性能，提升了软件缺陷预测性能以及预测效率。
-
公开(公告)号：CN109886020A
公开(公告)日：2019-06-14
申请号：CN201910068001.2
申请日：2019-01-24
Applicant: 燕山大学
Abstract: 本申请提供一种基于深度神经网络的软件漏洞自动分类方法，包括：S1，对漏洞信息进行预处理后形成词集列表；S2，对样本漏洞描述信息集合使用TF-IDF算法和IG算法对每个词的权重进行计算，获取重要特征词集列表；S3，根据重要特征词集列表生成词向量空间，把每一条漏洞描述信息表述成一个m维的向量，m是重要特征词集中特征词的数量；S4，使用DNN模型获得软件漏洞分类器；S5，新的漏洞描述信息集合进行分类。本发明基于TF-IDF和IG算法构建深度神经网络漏洞自动分类模型，降低了高维词向量空间的维度，能够适应不断更新的软件漏洞数据集，有效地处理词向量空间的高维性和稀疏性，在准确率、召回率、精度等多维评价指标中表现出较好性能。
-
公开(公告)号：CN106713918A
公开(公告)日：2017-05-24
申请号：CN201710032791.X
申请日：2017-01-17
Applicant: 燕山大学
IPC: H04N19/176 , H04N19/42
CPC classification number: H04N19/176 , H04N19/42
Abstract: 本发明公开了一种图像压缩方法，包括：步骤一、将原始图像分割成多个图像块；步骤二、对每个图像块进行评估，选取每个图像块中的其中一个像素作为基准像素，利用该基准像素的原始像素值计算该基准像素经过压缩后的像素值，作为压缩参考值，计算该图像块中每个普通像素与该基准像素的原始像素值之间的比值a；步骤三、对每个图像块进行压缩，计算该压缩后的图像块中的每个普通像素的像素值与压缩参考值之间的比值b，如比值b与比值a之间的关系符合预定的压缩系数，则保存对该压缩后的图像块；如不符合预定的压缩系数，则对该普通像素进行像素补偿；步骤四、将多个压缩后的图像块组合成压缩后的图像。本发明提高压缩质量，保证压缩后的图像质量。
-
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：CN112529476A
公开(公告)日：2021-03-19
申请号：CN202011592446.X
申请日：2020-12-29
Applicant: 国网河南省电力公司电力科学研究院 , 国网河南省电力公司 , 国家电网有限公司 , 河南九域恩湃电力技术有限公司 , 燕山大学
Inventor： 张建宾 , 胡昆岭 , 王倩 , 王磊 , 马建伟 , 王宁 , 牛雨 , 董轩 , 李宗峰 , 冯光 , 贺翔 , 赵健 , 徐恒博 , 徐铭铭 , 牛荣泽 , 李丰君 , 谢芮芮
Abstract: 本发明公开了一种配电网降损潜力评估方法，通过对降损潜力评估指标的计算和处理，得到配电网降损潜力值，达到评估单个或多个配电网降损潜力的目的，具体步骤如下：步骤1，构建配电网降损潜力评估指标，建立配电网降损潜力评估指标向量P；步骤2，设定配电网降损潜力评估指标向量P中各降损潜力评估指标阈值；步骤3，对配电网降损潜力评估指标向量P进行一致化处理；步骤4，计算配电网降损潜力值dp。本发明能够根据设定的多个指标来客观的评估单个配电网降损潜力，也能比较不同的配电网之间的降损潜力。本发明计算简单，人为因素影响较小，能客观反映配电网的降损潜力，为提高配电网能效提供了评估依据。
-
Patent Agency Ranking
公开(公告)号：CN108632279B
公开(公告)日：2020-07-10
申请号：CN201810434106.0
申请日：2018-05-08
IPC: H04L29/06
Abstract: 本发明公开了一种基于网络流量的多层异常检测方法。使用本发明能够很好地检测出小流量攻击行为，检测正确率高，且能适应不同的数据集。本发明首先在数据预处理阶段，将符号属性采用二进制表示，消除了传统的数值大小对分类的负面影响，且将数据集的属性集升高到一个较高的维度，使得后续的数据分类效果更加准确；然后采用降维方法提取特征，降低了数据量，使得后续步骤能够运行速度更快、内存消耗更低；随后，采用KNN离群点检测方法和遗传算法的结合方法进行数据选择，使得不同类别的数据量更加平衡，每类数据之间分离的尽可能远，分类结果更加公平；最后，利用构建的多层分类器，能够更为准确地将大流量攻击、小流量攻击识别出来。
-
公开(公告)号：CN108632279A
公开(公告)日：2018-10-09
申请号：CN201810434106.0
申请日：2018-05-08
IPC: H04L29/06
CPC classification number: H04L63/1416
Abstract: 本发明公开了一种基于网络流量的多层异常检测方法。使用本发明能够很好地检测出小流量攻击行为，检测正确率高，且能适应不同的数据集。本发明首先在数据预处理阶段，将符号属性采用二进制表示，消除了传统的数值大小对分类的负面影响，且将数据集的属性集升高到一个较高的维度，使得后续的数据分类效果更加准确；然后采用降维方法提取特征，降低了数据量，使得后续步骤能够运行速度更快、内存消耗更低；随后，采用KNN离群点检测方法和遗传算法的结合方法进行数据选择，使得不同类别的数据量更加平衡，每类数据之间分离的尽可能远，分类结果更加公平；最后，利用构建的多层分类器，能够更为准确地将大流量攻击、小流量攻击识别出来。
-
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：CN113901448B
公开(公告)日：2024-10-29
申请号：CN202111030448.4
申请日：2021-09-03
Applicant: 燕山大学
IPC: G06F21/55 , G06F18/24 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F18/214 , G06N20/20
Abstract: 本发明公开了一种基于卷积神经网络和轻量级梯度提升机的入侵检测方法，涉及网络安全领域的入侵检测技术，包括：数据预处理：在数据预处理的过程包括数据类型转换、过采样技术和图像数据转换；特征选择：使用CNN模型选择特征；入侵检测分类：使用LightGBM算法做分类。本发明克服了数据不平衡性、高维性和非线性给入侵检测分析带来的困难，从而在准确率、精确率、漏报率等多维评价指标中表现出较好性能。
-
公开(公告)号：CN118784320A
公开(公告)日：2024-10-15
申请号：CN202410949949.X
申请日：2024-07-16
Applicant: 燕山大学
IPC: H04L9/40 , G06N3/0442
Abstract: 本发明公开了一种基于CDIVAE和双向时序模型的自适应入侵检测方法，属于网络攻击检测技术领域，通过GWR算法对源域数据进行过滤聚类，同时过滤掉其中大量的重复数据，提取出一个分布清晰且规模较小的源域数据子集；基于高斯混合条件域不变变分自编码器缩小源域与目标域之间的后验分布的差异，最后通过双向保持网络编码器和双向长短期记忆网络的融合神经网络BRN‑BiLSTM进行入侵检测，先通过BRN对数据进行双向时序加权，之后通过BiLSTM对时序加权之后的数据进行识别并分类，通过记忆单元和门控单元能够有效的捕获数据的依赖关系。本发明能够更好的进行域不变特征提取和数据分布对齐，同时也具有更好跨领域入侵检测性能。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.02 seconds)
