-
公开(公告)号：CN108122215A
公开(公告)日：2018-06-05
申请号：CN201810030760.5
申请日：2018-01-12
Applicant: 广东工业大学
Abstract: 本发明提供了一种基于边界连通性的图像修补方法，包括：根据约束已知的退化图像在转换域下的边界连通性，修补退化图像的稀疏结构，输出对应的清晰图像。通过本发明的技术方案，能修复在获取、传输以及存储过程中由于各种原因导致的数据受损或品质下降的退化图像，修补受损的图像区域，提升了输出的清晰图像的质量，以图像空间域的边界连通性与小波框架下大能量系数所在位置的连通性相关联，通过修复小波框架下零元素位置来构造正定系统，进而求解该正定系统得到修补后输出的清晰图像，清晰图像的还原度更高，质量更高。
-
公开(公告)号：CN107168998A
公开(公告)日：2017-09-15
申请号：CN201710203028.9
申请日：2017-03-30
Applicant: 广东工业大学
CPC classification number: G06F16/21 , G06F21/602 , G06F21/6227
Abstract: 本发明提出一种基于保留格式的数据库透明加密方法，能有效地保护数据库的安全性，以密文的形式进行存储。同时又能够对合法用户透明化，拥有与非加密数据库相同的增删改查方法，不影响用户使用。本发明方法利用保留格式的加密方式来对数据库中每一数据项中的记录进行加密，使其以相同数据类型的密文形式存储在数据库中。在用户需要对该加密的数据库进行增删改查时，将用户输入的明文字段进行加密转化为相同数据类型的密文，使其与加密数据库中的数据一致，再将查询得到的结果进行解密，以明文的形式呈现给用户，从而来实现对用户透明化。
-
公开(公告)号：CN106992866A
公开(公告)日：2017-07-28
申请号：CN201710239604.5
申请日：2017-04-13
Applicant: 广东工业大学
CPC classification number: H04L9/3273 , H04L9/0844 , H04L9/3033 , H04L9/3066 , H04W4/80 , H04W12/06
Abstract: 无线网络接入认证是无线局域网安全性一个保障，目前无线网络接入方式暴露出诸如无线网络监听、钓鱼AP、非法接入等安全问题。为提高无线局域网接入安全性和便捷性，本文提出一种基于NFC无证书认证的无线网络接入方法。在该方法下，用户设备通过近场通信模块与接入点(Access Point,AP)的近场通信模块建立点对点工作模式的通信通道，并以此通道作为无证书认证时传输参数的安全通道。用户以近场通信中的发起方向目标AP发起激活和认证请求，用户通过身份认证后，用户与WLAN使用双方共同协商的对称密钥KEY对信息进行加密传输。本发明具有完美前向安全性，可有效防止窃听、被钓鱼、非法接入安全问题，加强无线局域网安全性同时简化用户接入网络步骤。
-
公开(公告)号：CN115100490B
公开(公告)日：2025-04-29
申请号：CN202210851943.X
申请日：2022-07-20
Applicant: 广东工业大学
IPC: G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本申请公开的一种图像质量评价方法、系统以及可读存储介质，该方法包括构建训练图像数据集，所述训练图像数据集包含真实失真图像；构建用于结合图像通道、以及空间特征信息，进行图像质量加权评价计算的初始网络模型；按照预设的预处理方式，对所述训练图像数据集中包括的各图像分别进行的预处理操作，得到相应的预处理训练数据；将所述预处理训练数据输入到所述初始网络模型中进行训练，得到训练好的目标网络模型；对待评价的真实失真图像进行所述预处理操作，并将所得的预处理待评数据输入到所述目标网络模型进行处理，得到相应的图像质量评分。该方法的实施能够提高图像质量评分的精准度。
-
公开(公告)号：CN119675896A
公开(公告)日：2025-03-21
申请号：CN202411565280.0
申请日：2024-11-05
Applicant: 广东工业大学
Abstract: 本发明涉及网络安全与人工智能领域，更具体地，涉及基于SDN和图神经网络的网络异常攻击行为检测方法，其中方法包括：根据SDN控制器采集SDN交换机所保存的流量数据；计算节点流量特征值；构建网络流量的无向图结构：计算边流量特征值；将节点流量特征值和边流量特征值与无向图结构相结合，然后输入到GNN模型中进行建模，进行训练，得到训练后的网络异常攻击行为检测模型；通过训练后的网络异常攻击行为检测模型对新采集的流量数据进行检测，得到检测结果。本发明将SDN和GNN结合起来，利用SDN的动态网络管理能力，提升网络异常攻击行为检测的准确性和实时性，通过GNN对复杂的网络拓扑和节点间的关联进行建模，从而有效检测多种类型的网络异常攻击行为。
-
Patent Agency Ranking
公开(公告)号：CN119559484A
公开(公告)日：2025-03-04
申请号：CN202411642651.0
申请日：2024-11-18
Applicant: 广东工业大学
IPC: G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种基于YOLOv9改进的高精度红外目标检测方法，该方法包括：以公开的热数据集作为目标检测图像数据，并将其转换为YOLO训练格式，得到训练集；基于YOLOv9基础框架，引入SDI模块、DySample动态采样器和MPDIoU损失函数，构建红外目标检测模型；将所述训练集输入至所述红外目标检测模型，对模型进行优化训练，得到训练完成的红外目标检测模型；将待测图像输入至所述训练完成的红外目标检测模型，输出红外目标检测结果。通过使用本发明，能够提高针对红外图像的目标检测精度。本发明可广泛应用于图像处理技术领域。
-
公开(公告)号：CN119442077A
公开(公告)日：2025-02-14
申请号：CN202411308962.3
申请日：2024-09-19
Applicant: 广东工业大学
IPC: G06F18/2433 , G06F18/15 , G06F18/213 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/09
Abstract: 本发明属于数据异常检测技术领域，提出一种基于对比学习和生成对抗网络的时间序列异常检测方法，其步骤包括：对时间序列数据集进行预处理，进行不同域的数据增强并输入编码器得到第一潜在变量；对第一潜在变量进行对比学习，得到第二潜在变量；通过生成器和判别器对当前批次时间序列数据相应的所述第二潜在变量进行生成对抗网络训练，并根据训练得到的误差计算时间序列数据的异常分数，寻找出异常分数高于预设阈值的时间序列数据并将其标记为异常数据。相较于现有技术泛用性的不足，本发明提出了一种适用于不同场景下的时间序列异常检测方法。
-
公开(公告)号：CN118709561A
公开(公告)日：2024-09-27
申请号：CN202410858029.7
申请日：2024-06-28
Applicant: 广东工业大学
IPC: G06F30/27 , G06Q10/04 , G06F18/24 , G06F17/13 , G06F18/214 , G06N3/0475 , G06N3/094 , G06N3/084
Abstract: 本发明公开了一种基于泊松流模型的对抗训练方法及装置，包括：从原始数据集中采样样本数据集并建模为电场电子，由常微分方程模拟电子在电场中的运动，计算每个样本数据的经验泊松场以计算损失函数，迭代更新泊松流模型参数；基于泊松流模型使用前向模拟生成与原始数据集具有相似分布特性的高维点，并将高维点转换为与样本数据格式相同的图像数据；将图像数据输入预训练的深度学习分类网络，生成伪标签并选取置信度相对高的若干样本数据与原始数据集合并生成合并数据集；基于合并数据集生成对抗样本，并使用对抗样本与原始数据集训练目标分类模型。本发明提高了训练数据的多样性，显著缓解了对抗训练的鲁棒过拟合，提高了目标模型的对抗鲁棒性。
-
公开(公告)号：CN118101276A
公开(公告)日：2024-05-28
申请号：CN202410217154.X
申请日：2024-02-28
Applicant: 广东工业大学
IPC: H04L9/40 , G06F18/10 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0499 , G06N3/094
Abstract: 本发明公开了一种基于融合特征的入侵检测方法及系统，该方法包括：获取网络数据并对所述网络数据进行过采样和去噪处理，得到预处理后的网络数据；基于不同的分析方法，对所述预处理后的网络数据进行特征提取，得到对应的特征；对所述对应的特征进行融合，得到融合特征；基于所述融合特征对预测模型进行训练，得到训练完成的预测模型；基于训练完成的预测模型完成入侵检测任务；所述训练完成的包括卷积自注意力编码器和多头transformer模型。该系统包括：预处理模块、特征提取模块、特征融合模块、模型训练模型和应用模块。通过使用本发明，能够提高入侵检测的准确率。本发明可广泛应用于网络安全领域。
-
公开(公告)号：CN117688355A
公开(公告)日：2024-03-12
申请号：CN202311536951.6
申请日：2023-11-16
Applicant: 广东工业大学 , 广东三维家信息科技有限公司
IPC: G06F18/2113 , G06F18/23213 , G06F18/2411 , G06Q40/00
Abstract: 本发明涉及联邦学习的安全技术领域，更具体地，涉及一种联邦学习中数据污染的恶意节点检测方法，本发明主要基于分析和对比各用户历史数据更新的差异性，为了更精确地衡量每个节点的贡献，将所有节点的历史更新变化纳入评估范围，更能真实反映在非独立数据分布下模型参数的更新和分布特性，首先对高维度参数进行降维处理，然后再针对各节点对全局模型的贡献情况进行评估，可以有效地筛选出存在异常更新行为的节点，这不仅提高了联邦学习的聚合效率，还有助于优化模型的准确度，并显著增强了系统的安全性，在k‑means聚类中使用余弦距离替代欧氏距离，通过多次迭代，该方法能更有效地识别并隔离潜在的恶意节点，从而增强系统的鲁棒性和安全性。
-
-
-
-
-
-
-
-
-
Search Results
162
records
(took 0.03 seconds)
