-
公开(公告)号:CN119030744A
公开(公告)日:2024-11-26
申请号:CN202410989072.7
申请日:2024-07-23
Applicant: 辽宁大学
IPC: H04L9/40
Abstract: 一种基于CoT驱动的网络攻击信息解释评判的优化方法,给定Prompt提供CoT的学习样板,将多个模型CoT生成的解释分别通过信息修正的自适应迭代检测、语义精度与偏差的控制、基于规则模板匹配的相似度进行融合迭代式修正优化,并结合标准黄金标签进行综合评判,使得不同模型的CoT不断学习和完善自身的解释能力,逐渐提高解释的准确性和质量,最终将不同模型CoT生成的答案维持在一个平衡状态,以此来弥补单一模型的不足,提高整体性能。本发明通过上述方法,能够有效地解决现有模型对网络攻击信息生成的解释答案存在的信息不够规范完整、准确性偏差等问题。
-
公开(公告)号:CN118629423A
公开(公告)日:2024-09-10
申请号:CN202410698027.6
申请日:2024-05-31
Applicant: 辽宁大学
Abstract: 一种基于特征组合遗传算法的恶意语音检测方法,在恶意语音检测中具有较高的可信度和较低的误判概率。该方法中,结合适应度函数、特征重要性选择方法以及交叉和变异操作,能够有效地提取特征组合并训练最终的恶意语音检测模型。同时,还使用了基于特征重要性的启发式选择方法来选择特征组合父本。具体方法是通过将各个特征组合样本中各个特征的重要性进行累计,作为选择的标准。这样可以确保重要特征在选择过程中有更高的机会被选中,从而增加了特征组合搜索的效率和准确性。该方法在恶意语音检测方面取得了显著的改进,大大提高了恶意语音的准确率和误报率。这一发明为恶意语音检测的研究和实践提供了一种有效的方法,具有广泛应用和推广价值。
-
公开(公告)号:CN118629422A
公开(公告)日:2024-09-10
申请号:CN202410698022.3
申请日:2024-05-31
Applicant: 辽宁大学
Abstract: 一种基于影响函数的恶意语音检测方法,该方法通过分析数据点对模型预测的影响度,增强了深度学习模型在恶意语音检测领域的可解释性。利用影响函数对原始声音信号中可能存在的恶意语音进行识别和检测,大幅提升了检测精度和效率。相较于传统方法,该方法通过影响函数使用较少的计算量来达到较好的检测效果。这种技术在保持检测在效率和优势方面表现出色,为深度学习和解释性机器学习领域提供了新的应用可能。该技术不仅提高了恶意语音检测的准确性,还能准确地识别并解释模型为何将特定语音判定为恶意,从而在确保检测率的同时,提升了模型的透明度和信任度。
-
公开(公告)号:CN118488005A
公开(公告)日:2024-08-13
申请号:CN202410588449.8
申请日:2024-05-13
Applicant: 辽宁大学
IPC: H04L47/127
Abstract: 一种基于图卷积神经网络的流量预测方法,属于网络安全领域。该专利技术提出了一种基于图卷积神经网络的流量预测方法,利用空间时间图卷积网络进行网络流量预测。该方法在传统的图卷积神经网络基础上进行了改进,引入了注意力机制,并将全连接层替换为1×1卷积层,同时对时域卷积结果进行乘积操作。提高了网络流量预测的准确性和效率,使得该方法在网络流量预测领域具有潜在的应用前景。实验证明,所提出的模型在网络流量预测上准确度以及性能优于其他神经网络预测模型。本发明通过上述方法,可以整合网络流量数据、软件特征和系统拓扑等多种信息,提供更全面的网络流量预测能力。
-
公开(公告)号:CN117118688A
公开(公告)日:2023-11-24
申请号:CN202311024559.3
申请日:2023-08-15
Applicant: 辽宁大学
IPC: H04L9/40 , H04L43/0876 , H04L43/02 , G06N3/0464 , G06N3/049 , G06N3/042 , G06N3/08
Abstract: 一种基于差分时空图卷积神经网络的恶意流量检测方法,涉及网络安全领域。步骤为:步骤1)收集流量数据,对数据进行预处理,使用深度学习算法对数据进行特征提取;步骤2)使用数据特征构建关系图,得到邻接矩阵;步骤3)将邻接矩阵带入,构建Diff‑TGCN模型,得到分类器模型;步骤4)将待检测数据的时空特征带入分类器模型中,判断节点是否被属于恶意流量。本发明通过上述方法,能够快速准确地分辨网络流量中的正常和恶意行为,并且对新颖的恶意流量具有很强的鲁棒性。
-
公开(公告)号:CN109120617B
公开(公告)日:2020-11-17
申请号:CN201810933343.1
申请日:2018-08-16
Applicant: 辽宁大学
Abstract: 基于频数CNN的多态蠕虫检测方法,步骤为:首先,对有效载荷数据进行数值化处理,将每个字符转化为对应的ASCII值,其次通过统计有效载荷数据中每个字符出现的次数来处理有效载荷数据,可以捕获蠕虫有效载荷数据的字符分布特征。通过上述方法,本发明提供了一种能够提高多态蠕虫检测的准确率,以便于CNN能够从中学习到丰富的特征的基于频数CNN的多态蠕虫检测方法。
-
公开(公告)号:CN119667649A
公开(公告)日:2025-03-21
申请号:CN202510114239.X
申请日:2025-01-24
Applicant: 辽宁大学
IPC: G01S7/495 , G01S17/931
Abstract: 本发明涉及一种基于激光雷达的自动驾驶攻击检测方法,其方法是:首先,使用障碍物实体置于车载激光雷达系统附近某位置,通过激光雷达系统发收信号获得周边空间点云数据,框定出障碍物实体点云所在方体区域,利用现有先进的针对激光雷达的攻击设备伪造此障碍物在此方体区域摆放的点云数据,获得此障碍物出现的真实与伪造的数据后,进行对比分析,得到基于所发明的计算方法的经验阈值。最后,在实际行车过程中,当激光雷达发收信号获取周边点云时,对每一识别出的方体区域内的点云数据通过所设计公式进行计算,并将计算结果与相应阈值比对,可判断数据是否为伪造,即判断是否遭到攻击。判断数据为伪造后,便可辅助自动驾驶系统忽略这一障碍物,正常完成实时行车决策。该方法大大增强了模型的通用性和应对复杂攻击场景的能力,全方位提升了自动驾驶攻击检测的效果和安全性。
-
公开(公告)号:CN118487819A
公开(公告)日:2024-08-13
申请号:CN202410637269.4
申请日:2024-05-22
Applicant: 辽宁大学
IPC: H04L9/40 , H04L41/16 , G06N3/0455 , G06N3/092
Abstract: 基于Integral‑Transformer的功耗侧信道强化学习模型漏洞检测方法:1)采集数据;2)建立Integral‑Transformer模型:编码器由多个编码层组成,每一层具有一系列核心组件,包括多头自注意力机制、残差连接和层归一化、积分函数以及前馈神经网络;解码器由多个解码层构成,每一层包括掩蔽多头自注意力、残差连接和层级归一化、编解码器互注意力机制以及前馈神经网络;3)检测:识别强化学习模型的类别,如果与实际运行中的模型的类别相同,则证明该强化学习模型的类别方面存在安全漏洞;相反,无安全漏洞存在。本发明能够为系统的稳定运行提供保障,极大的提高强化学习应用的整体安全水平。
-
公开(公告)号:CN118473766A
公开(公告)日:2024-08-09
申请号:CN202410637289.1
申请日:2024-05-22
Applicant: 辽宁大学
IPC: H04L9/40 , H04L41/16 , G06N20/00 , G06F18/23213
Abstract: 一种强化学习模型中策略矩阵的安全漏洞检测方法,步骤为:1)使用Flush+Reload技术的缓存测信道方法,获取函数加载特定数据所需的时间大小,作为原始数据;2)采用一个迭代的聚类和修剪过程检时间数据分组,一组表示标准时间,另一组表示特殊时间;3)根据函数的总迭代次数与特殊时间的数量,获得状态空间维度m和动作空间维度k的大小,判断漏洞情况。本发明通过上述方法,为系统的稳定运行提供保障,从而极大提高了强化学习应用的整体安全水平。本发明通过上述方法,针对动作空间维数k并不确定的情况,提供了一种能够有效识别出模型中策略矩阵的状态空间维数和动作空间维数的大小的安全漏洞检测方法。
-
公开(公告)号:CN117579290A
公开(公告)日:2024-02-20
申请号:CN202310985236.4
申请日:2023-08-07
Applicant: 辽宁大学
IPC: H04L9/40 , G06N3/0464 , G06N3/0455 , G06N3/042 , G06N3/048 , G06N3/08 , G06N3/047
Abstract: 本发明涉及一种基于融合时空注意力的积分时空图卷积神经网络的恶意流量检测方法,属于网络安全领域。其检测过程如下:数据收集与预处理:对网络设备进行监控和数据收集,构建图结构:针对恶意流量数据构建图结构,并用邻接矩阵表示,其中每个节点表示网络设备,每条边代表节点间的通信关系;构建ST‑GCN模型:ST‑GCN模型由多个时空卷积层和池化层组成,用于提取时空特征。构建积分时空卷积网络,融入时空注意力:最后通过构建的积分时空卷积网络实现恶意流量检测。该方法可以大幅提高恶意流量检测的准确性和效率。
-
-
-
-
-
-
-
-
-