-
公开(公告)号：CN117014210A
公开(公告)日：2023-11-07
申请号：CN202311024681.0
申请日：2023-08-15
Applicant: 辽宁大学
IPC: H04L9/40 , G06N3/0464 , G06N3/08
Abstract: 基于ChebNet图卷积神经网络的邮件蠕虫检测系统，包括以下步骤：步骤1)基于开源威胁情报信息库、恶意样本分享站点、在线病毒扫描器等渠道收集有关蠕虫邮件的数据，并对原始数据进行预处理，得到蠕虫邮件的历史特征，并构建邻接矩阵关系图来表示蠕虫邮件节点之间的关系；步骤2)得到增强ChebNet图卷积神经网络模型；步骤3)将待检测的蠕虫邮件数据代入增强ChebNet图卷积神经网络模型中，进行分类或者回归提取邮件特征，对邮件进行预测和判定，根据判定结果实现蠕虫邮件的检测和预警。本发明通过上述步骤，解决目前邮件蠕虫检测技术的不足，达到保护网络安全的目的。
-
公开(公告)号：CN117014205A
公开(公告)日：2023-11-07
申请号：CN202310985147.X
申请日：2023-08-07
Applicant: 辽宁大学
IPC: H04L9/40 , G06N3/0464 , G06N3/042 , G06N3/048 , G06N3/08
Abstract: 本发明基于图卷积神经网络的恶意代码检测方法，包括如下步骤：1、通过流量抓包程序获得网络流量数据，并且提取网络流量的有效载荷；2、定义有效载荷矩阵：定义网络数据包的有效载荷的矩阵为(aij)255*255；其中，aij＝sum(i,j),sum(i,j)为有效载荷i和有效载荷j相邻出现的次数；3、训练图卷积神经网络模型：将训练数据输入至图卷积神经网络，使用一阶局部卷积操作迭代传播邻居的信息；4：检测恶意代码：将待检测的代码输入至训练好的图卷积网络模型，检测恶意代码。使用该技术，能够实现对恶意代码的快速、准确识别和分析，从而提高计算机和网络安全防护的能力，保障用户信息的安全。
-
公开(公告)号：CN109102079A
公开(公告)日：2018-12-28
申请号：CN201810933532.9
申请日：2018-08-16
Applicant: 辽宁大学
Abstract: 一种基于值导数GRU的入侵检测算法，其步骤为：1)制定值导数GRU的隐层单元结构，通过捕获网络流量的静态和动态信息，提高值导数GRU算法针对网络异常流量的检测准确率；2)添加池化层来调节值导数GRU算法，捕获网络异常流量的关键信息；3)对值导数GRU进行训练。通过上述步骤本发明提供了一种基于值导数GRU，有效的捕获网络异常流量的动态变化信息的入侵检测算法。
-
公开(公告)号：CN120034364A
公开(公告)日：2025-05-23
申请号：CN202510114145.2
申请日：2025-01-24
Applicant: 辽宁大学
IPC: H04L9/40 , H04L43/0876 , H04L43/08 , G06F17/18
Abstract: 本发明提供一种恶意流量检测方法，属于网络安全领域。其步骤如下：步骤一：提取流量数据，以供检测；步骤二：计算恶意流量的检测特征以供检测算法进行检测，包括平均流量大小，平均包大小，平均包时间间隔；步骤三：通过检测算法来检测恶意流量的存在。本发明通过综合考虑最近流量交叉熵，最近平均包大小，最近平均包时间间隔等特征的最近方差、中位数和距离计算可以达到检测复杂网络情况下的恶意流量。从不同角度助力精准识别网络流量中的异常情况，保障网络安全稳定运行。
-
Patent Agency Ranking
公开(公告)号：CN118841027A
公开(公告)日：2024-10-25
申请号：CN202410698023.8
申请日：2024-05-31
Applicant: 辽宁大学
Abstract: 一种基于特征重要性方法的可解释恶意语音检测方法，属于深度学习、机器学习可解释性技术领域。该方法旨在缓解维度灾难问题，同时确保所选特征能够提升模型对恶意语音的检测性能。本发明利用机器学习的可解释性来优化模型训练中的特征维度选择，通过分析特征的贡献度，区分了影响模型性能的关键特征和可以被移除的非关键特征。这种基于贡献度分析的特征选择方法提高了模型训练和部署的效率，增加了模型的透明度和用户的信任度。在检测恶意语音的应用中，本发明方法通过评估每个特征的贡献，筛选出对区分正常语音和恶意语音具有显著分辨力的特征。优化后的特征空间提高了恶意语音检测精度，降低了计算负担。
-
公开(公告)号：CN118588099A
公开(公告)日：2024-09-03
申请号：CN202410660371.6
申请日：2024-05-27
Applicant: 辽宁大学
IPC: G10L21/013 , G10L25/30
Abstract: 本发明涉及一种基于StarGAN损失函数的语音音色转换方法，包括如下步骤：步骤1，提取语音数据集特征，用于构建特征集合；步骤2，设计StarGAN损失函数：通过对抗损失函数和源分类器损失函数的优化，实现样本的音色转换；步骤3，训练SrarGAN语音音色转换模型；步骤4，当模型训练完成后，利用其进行预测，以进行语音音色风格的转换。该方法通过设计StarGAN损失函数生成不同情感语音不同方法，在进行音色转换时，我们不仅要确保语音的清晰度，还要尽量保持其自然度，使得转换后的语音听起来更加流畅自然。
-
公开(公告)号：CN118487820A
公开(公告)日：2024-08-13
申请号：CN202410637323.5
申请日：2024-05-22
Applicant: 辽宁大学
Abstract: 强化学习模型中折扣因子的安全漏洞检测方法，步骤为：1)在强化学习模型中利用Eigen库的C++库更新策略矩阵，在矩阵运算上采用Flush+Reload技术的缓存侧信道方法，获取强化学习模型中策略矩阵的状态空间维数m和动作空间维数k后，获得完整的策略矩阵；2)在Q‑learning和Sarsa这两种强化学习方法中，利用完整的策略矩阵中的数据和奖励函数的大小，获取折扣因子γ的大小；在Policy Gradient算法中，利用完整的策略矩阵中的数据和奖励函数的大小，获取折扣因子γ的大小，并判断最终漏洞情况。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。
-
公开(公告)号：CN111027068A
公开(公告)日：2020-04-17
申请号：CN201911188092.X
申请日：2019-11-28
Applicant: 辽宁大学
IPC: G06F21/56
Abstract: 本发明涉及一种基于层级DoI-RNNs模型的安卓恶意软件动态检测方法，首选利用若干安卓软件的运行时特征，训练基于层级DoI-RNNs模型的分类器，建立基于层级DoI-RNNs模型的安卓恶意软件动态检测方法的训练模型；其次利用分类器来判断目标安卓软件是否属于安卓恶意软件。通过上述方法，本发明解决了结合安卓恶意软件动态检测的特点，提出更适合安卓恶意软件检测的深度学习模型的问题，提供了一种可以显著提高检测效果的安卓恶意软件动态检测方法。
-
公开(公告)号：CN110941828A
公开(公告)日：2020-03-31
申请号：CN201911106998.2
申请日：2019-11-13
Applicant: 辽宁大学
IPC: G06F21/56
Abstract: 一种基于AndroGRU的安卓恶意软件静态检测方法，其步骤为：1)使用Androguard逆向工具对安卓APK文件进行反编译，解析AndroidManifest.xml并提取安卓应用程序用到的Intents特征；2)采用androcg.py来生成函数调用图并从中提取敏感函数调用序列；3)模型训练模块负责基于提取的静态特征对AndroGRU模型进行训练，检测模块通过训练好的AndroGRU模型对未知的安卓APK样本进行检测。本发明创造通过上述方法，提供了一种结合安卓恶意软件相似性和深度学习GRU模型特点的基于AndroGRU的安卓恶意软件静态检测方法。
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.018 seconds)
