-
公开(公告)号：CN116484384A
公开(公告)日：2023-07-25
申请号：CN202310421659.3
申请日：2023-04-19
Abstract: 本发明提供了一种基于深度学习的以太坊智能合约漏洞的检测和定位方法。该方法包括：通过语法分析和词法分析将以太坊智能合约的源码转化为抽象语法树；分析各种漏洞的代码特征，分析代码特征在抽象语法树中的关键属性，基于关键属性提取抽象语法树中的切片；提取切片的语义特征和结构特征；根据切片的语义特征和结构特征通过漏洞类型检测模型检测出所述以太坊智能合约的漏洞类型信息；根据漏洞类型信息利用图自编码器定位所述以太坊智能合约的漏洞位置。本发明通过研究多种漏洞类型的本质属性特征，精准切片出这些特征，有利于检测漏洞类型并且定位漏洞位置，提高检测效率，有效增强深度学习检测结果的可解释性。
-
公开(公告)号：CN116450344A
公开(公告)日：2023-07-18
申请号：CN202310269682.5
申请日：2023-03-13
Abstract: 本说明书公开了一种任务执行方法、装置、存储介质及电子设备。所述任务执行方法包括：根据第一任务指令，获取目标模型以及各候选训练框架，以不同候选训练框架对目标模型进行训练时所涉及的指定参数、不同候选训练框架所调用的算子和各算子之间的依赖关系，以及不同候选训练框架对所述目标模型进行更新时的更新方式中的至少一种保持等价为目标，得到各调整后框架，确定部署目标模型的终端设备基于该调整后框架执行目标模型的运算操作时的运算时长，根据运算时长，确定调整后框架对应的优先级，根据每个调整后框架的优先级，从各候选训练框架中确定出目标训练框架，当接收到第二任务指令时，通过目标训练框架，执行模型训练任务。
-
公开(公告)号：CN116095199A
公开(公告)日：2023-05-09
申请号：CN202310114864.5
申请日：2023-02-15
Abstract: 本发明提供了一种基于FPGA的多协议接入装置，属于物联网系统领域，包括接口层、协议层和控制层，接口层与外部射频模块连接，在外部射频模块和协议层间传输数据包；协议层对数据包进行有效载荷封装和协议抽象，将其传递至控制层，并接收控制层的反馈指令，将封装和协议抽象后的有效载荷处理成数据包，将其传递至接口层；控制层将有效数据载荷传递至处理器，并接收处理器控制指令，向协议层下发反馈指令。本发明能够支持基于各种通信协议的射频模块的动态接入和控制，并在模型中对各个物联网通讯协议进行了封装，提供统一的操作接口，实现了各通讯协议的兼容，各射频模块通过处理器进行统一控制，使得物联网的网络资源的动态负载均衡成为可能。
-
公开(公告)号：CN115758388A
公开(公告)日：2023-03-07
申请号：CN202211540037.4
申请日：2022-11-30
IPC: G06F21/57
Abstract: 本发明提供了一种基于低维字节码特征的智能合约的漏洞检测方法，包括以下步骤：通过以太坊智能合约字节码构建操作码序列控制流图；记录操作码序列控制流图中各个基本块并编号，然后遍历每个基本块所关联的边，建立邻接矩阵；基于邻接矩阵，获取操作码序列控制流图的特征，分别是边数、节点数、最大出度和最大入度，获取漏洞类别及与其可能相关的操作码类别，将操作码序列中每类所述操作码所占操作码总数的比例作为特征；将特征进行归一化，然后作为输入，漏洞类别作为输出，对机器学习模型进行训练；使用训练好的机器学习模型进行漏洞检测。本发明有效提高了机器学习模型的检测效率和问题合约的分析解释能力。
-
公开(公告)号：CN111428674B
公开(公告)日：2022-06-24
申请号：CN202010252779.1
申请日：2020-04-02
Applicant: 南开大学
Abstract: 本发明公开一种保持多度量空间一致性的多损失联合训练方法，包括以下步骤：行人样本通过卷积神经网络前向传播获得高维度特征矩阵；再转化为行人特征向量；特征向量进行L2正则操作；单位特征向量拼接组成三元组，计算三元损失；单位特征向量，通过Bach Normalization层得到测试向量；再输入到网络模型之后的全连接层并前向计算交叉熵损失；计算其梯度信息；损失层的梯度反向传播，更新权值参数；如果模型仍未收敛，或者是未达到最大迭代次数，重复上述步骤。在未增加参数量的情况下，在各个行人重识别模型上采用本发明方法能够有明显的效果提升。
-
Patent Agency Ranking
公开(公告)号：CN110011990B
公开(公告)日：2022-03-04
申请号：CN201910219705.5
申请日：2019-03-22
Applicant: 南开大学
Abstract: 本发明提出了一种内网安全威胁智能分析方法，应用于网络安全领域。通过以下方式实现：第1、多模型不一致性得分的计算，包括：第1.1步、生成日志模板集；第1.2步、计算不一致性得分；第2、内网安全威胁智能分析方法，包括：第2.1步、计算P‑Value；第2.2步、基于统计学习预测待测日志流。本发明利用人工智能分析而不是手工分析，实现对日志的分析；改变日志存储于本地的存储方式，转而采用区块链进行安全存储，并实现对内网不同设备产生的日志的合并使用；该方法支持多种日志解析模型，实现多模型协同；利用统计学习方法，提高了对异常日志的探测能力。
-
公开(公告)号：CN110223291B
公开(公告)日：2021-03-19
申请号：CN201910534317.6
申请日：2019-06-20
Applicant: 南开大学
Abstract: 本发明公开一种基于损失函数的训练眼底病变点分割网络方法，使用损失函数来训练深度分割网络，来对眼底病变点进行高效地分割。根据指示器函数的结果，判断负样本被保留还是丢弃，指示器函数取值为1则保留负样本，反之则丢弃负样本。以此来提高网络的判别能力和学习速率，其中，易分样本以较高的概率丢弃，难分样本以较低的概率丢弃；在保留难分样本的情况下，可以节约大量的样本选择时间，从而使得网络集中在难分样本的学习上。本发明可解决类平衡交叉熵损失函数造成的分割网络误分情况多和学习效率较低的问题，对眼底病变点进行高效分割。
-
公开(公告)号：CN110011990A
公开(公告)日：2019-07-12
申请号：CN201910219705.5
申请日：2019-03-22
Applicant: 南开大学
Abstract: 本发明提出了一种内网安全威胁智能分析方法，应用于网络安全领域。通过以下方式实现：第1、多模型不一致性得分的计算，包括：第1.1步、生成日志模板集；第1.2步、计算不一致性得分；第2、内网安全威胁智能分析方法，包括：第2.1步、计算P-Value；第2.2步、基于统计学习预测待测日志流。本发明利用人工智能分析而不是手工分析，实现对日志的分析；改变日志存储于本地的存储方式，转而采用区块链进行安全存储，并实现对内网不同设备产生的日志的合并使用；该方法支持多种日志解析模型，实现多模型协同；利用统计学习方法，提高了对异常日志的探测能力。
-
公开(公告)号：CN108416828A
公开(公告)日：2018-08-17
申请号：CN201810250606.9
申请日：2018-03-26
Applicant: 南开大学
Abstract: 本发明公开一种3D场景文本图片合成方法及系统。所述方法包括：获取原始3D场景图；对所述原始3D场景图进行深度渲染，得到深度图；对所述深度图进行平面选取，获得文本贴放平面；根据所述文本贴放平面确定文本图片；对所述文本图片进行渲染；将渲染后的文本图片贴放到所述原始3D场景图的对应位置，合成3D场景文本图片。本发明能够自动合成大量带标签的场景文本图片，并且合成的图片更加符合真实场景。
-
公开(公告)号：CN118608793A
公开(公告)日：2024-09-06
申请号：CN202410693640.9
申请日：2024-05-31
Applicant: 南开大学
IPC: G06V10/28 , G06V10/82 , G06N3/0464 , G06V10/774
Abstract: 本发明涉及计算机技术领域，具体公开了一种基于偏置补偿的神经网络量化误差凸优化方法，包括：在量化模型的每个量化层的输出上分别添加偏置补偿向量，所述偏置补偿向量为所述量化层的输出与所述量化层对应的原始浮点模型的浮点层的输出的差值，所述量化模型为所述原始浮点模型量化后的模型。本发明通过找到量化模型中每个量化层的输出的最优偏置补偿向量，并将该向量补偿到量化层输出中来最小化量化误差，将寻找最优的噪声矩阵这样一个非凸的问题转换为寻找最优的偏置补偿向量这样一个凸问题，能够很好地减小输出误差，并且本发明可以和许多现有的量化方法相结合，进一步提升量化后模型的精度，实现模型超低位宽的量化。
-
-
-
-
-
-
-
-
-
Search Results
56
records
(took 0.079 seconds)
