-
公开(公告)号：CN111209594B
公开(公告)日：2022-08-12
申请号：CN202010037620.8
申请日：2020-01-14
Applicant: 广东工业大学
Abstract: 本申请公开了一种基于中国剩余定理和智能合约的位置隐私保护方法，该方法包括：当请求方想要保护自己位置信息的安全时，可以向部署了基于拍卖的激励机制的智能合约发起调用，输入相关的拍卖信息，发起一次拍卖；参与方可以通过提交报价加入到某次拍卖中，智能合约将根据每次拍卖的出价确定中标者集合，并返回给请求方；若请求发在规定的拍卖时间内未收到足够的中标者信息，则可以调用中国剩余定理来生成相应的位置等价集合，从而补充中标者集合。最后，请求方发送聚合请求给位置服务供应商以获得相应的服务信息，并确定奖惩范围。与传统方案相比，本申请针对K‑匿名隐匿区的生成效率更高，能够更好的保护请求方的位置隐私。
-
公开(公告)号：CN114374633A
公开(公告)日：2022-04-19
申请号：CN202210015680.9
申请日：2022-01-07
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于智能合约的可信物联网云服务评价方法及系统，该方法包括：按照用户需求将规则限制打包写入SLA智能合约；引入证人池机制，基于选举无偏向随机选择算法选举证人委员会；基于证人委员会，根据SLA智能合约对服务进行监控。该系统包括：打包模块、选举模块和监控模块。对于物联网服务商与开发者用户在服务过程中发生的质量问题，本发明通过引入证人池机制选举产生证人委员会对服务质量进行监控。本发明作为一种基于智能合约的可信物联网云服务评价方法及系统，可广泛应用于智能合约技术领域。
-
公开(公告)号：CN113923041A
公开(公告)日：2022-01-11
申请号：CN202111230036.5
申请日：2021-10-20
Applicant: 广东工业大学
Abstract: 本发明公开了一种SDN网络下DDoS攻击流量识别检测方法，包括步骤如下：S1：对流表信息进行收集；S2：根据流表信息计算得出具有DDoS攻击特性的流量特征值，并将流量特征值转换为特征向量数据；S3：利用特征向量数据构建随机森林模型，采用构建好的随机森林模型对识别DDoS攻击作用不大的流量特征进行筛选，并得到最优特征子集；S4：将最优特征子集转化为特征向量Fnew，通过度量特征向量Fnew和特征模式图中各节点的马氏距离，若有与特征向量Fnew最近马氏距离的节点，该节点所对应的特征模式就是特征向量Fnew的类别，若为良性分类则为正常流量；否则为DDoS攻击流量。
-
公开(公告)号：CN112949702A
公开(公告)日：2021-06-11
申请号：CN202110201538.9
申请日：2021-02-23
Applicant: 广东工业大学
Abstract: 本申请公开了一种网络恶意加密流量识别方法和系统，在空间维度上，利用ResNet‑BiLSTM算法模型的卷积层提取有效特征，利用ResNet‑Inception层解决深层次网络梯度消失难以训练的问题，在时间维度上，利用双向LSTM网络学习网络流量间的潜在时间特征，在提高识别准确率的同时提高了分类器的执行效率，同时还满足了在不侵犯用户隐私的条件下，识别出恶意加密流量的目标，解决了现有的恶意加密流量识别方式采用CNN和RNN，识别准确性和效率不高的技术问题。
-
公开(公告)号：CN112232948A
公开(公告)日：2021-01-15
申请号：CN202011205158.4
申请日：2020-11-02
Applicant: 广东工业大学
Abstract: 本发明公开一种流量数据的异常检测方法及装置、电子设备、存储介质，方法包括：将预处理后的流量数据输入自动编码网络模型，以对流量数据进行自动编码解码获得重构特征向量；然后将重构特征向量输入到循环神经网络模型中，以获得内部特征信息；其中，内部特征信息用于表征流量数据的内部特征的前后相关性；最后通过Sigmoid函数对内部特征信息进行分类，以获得用于表征流量数据是否异常的二分类结果，从而能够提高异常检测准确率。
-
Patent Agency Ranking
公开(公告)号：CN112104602A
公开(公告)日：2020-12-18
申请号：CN202010773891.X
申请日：2020-08-04
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于CNN迁移学习的网络入侵检测方法，包括：S1：获取公开数据集；S2：对公开数据集的基本特征进行选取，并构建CNN迁移学习模型；S3：用公开数据集对CNN迁移学习模型进行训练；S4：对训练好的CNN迁移学习模型进行测试；S5：用经过测试的CNN迁移学习模型进行网络入侵检测。本发明所述方法能自动提取多维网络威胁数据的高层特征，且适合于训练样本较少的情况，在面对训练样本较少的情况下，利用迁移学习的特点，构建一个训练高效的模型，提高网络入侵检测的准确率。
-
公开(公告)号：CN111181939A
公开(公告)日：2020-05-19
申请号：CN201911327275.5
申请日：2019-12-20
Applicant: 广东工业大学
Abstract: 本申请公开了一种基于集成学习的网络入侵检测方法及装置，所述方法包括：采集网络入侵检测数据并提取特征和预处理，建立训练数据集，选择数据量较少的攻击类型数据增加其数据量；对于训练数据集中的每个数据类型训练多个学习器，然后用集成学习的方式将多个学习器融合在一起，形成每一种数据类型对应的集成学习模型；为每个数据类型设置最优的分类阈值，使发生误分类的代价最小；将待检测数据分别输入到每一种数据类型的集成学习模型中，根据集成学习模型的输出结果和所述的分类阈值得到待检测数据所属的数据类型。本申请能有效解决现有技术中存在的对数据量少的攻击类型的攻击数据检测准确率低下、误报率和虚警率较高的问题。
-
公开(公告)号：CN110533581A
公开(公告)日：2019-12-03
申请号：CN201910737935.0
申请日：2019-08-12
Applicant: 广东工业大学
Abstract: 本发明提供一种基于雨滴概率图的雨滴消除方法、系统和存储介质，所述方法包括：接收一张雨滴图像；根据雨滴的先验信息构建雨滴概率图；通过自然图像的先验假设对所述雨滴图像的背景层和雨滴层进行约束，以构建最优化模型；基于所述雨滴概率图求解所述最优化模型，在求解所述最优化模型的迭代过程中同时更新所述雨滴概率图；输出无雨滴的图像。本发明通过对拍摄的雨滴图像进行成像模型假定，估计模型中雨滴概率图的分布，从而构建最优化模型来准确地消除图像中的雨滴，构建高质量的无雨滴图像，并可实现对雨滴图像的有效增强。
-
公开(公告)号：CN110347829A
公开(公告)日：2019-10-18
申请号：CN201910562653.1
申请日：2019-06-26
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于两组聚类中心相似度矩阵的自适应调整聚类中心标号的方法，用于解决群体智能进化算法在采用基于划分的形式进行聚类时，构造的种群中个体间各聚类中心随机排列导致的聚类中心标号不一致，即属于不同簇集的聚类中心却排列在同一维度的问题而导致算法种群个体更新效率低下和搜索盲目性的问题。所提出方法采用一种双向选择的竞争淘汰策略，将个体间相似度最大，距离最接近的聚类中心尽量排列在同一维度，保证聚类中心标号一致性的最大化。
-
公开(公告)号：CN110264434A
公开(公告)日：2019-09-20
申请号：CN201910420295.0
申请日：2019-05-20
Applicant: 广东工业大学
IPC: G06T5/50
Abstract: 本发明提供一种基于低秩矩阵补全的单幅图像去雨方法，包括以下步骤：S1)、利用雨线的两个物理特征，建立准确的检测雨模型，通过检测雨模型对图像进行雨标记，得到雨候选标记矩阵B1(i,j)，并利用方向算子对雨候选标记矩阵B1(i,j)中的错误检测进行纠正，得到雨候标记矩阵B2，最终得到的雨标记矩阵B(i,j)，即B(i,j)＝B1(i,j)*B2(i,j)；S2)、利用低秩矩阵恢复算法，对被雨像素破坏的区域进行高质量恢复，本发明相对于现有技术的去雨方法，具有去雨效果好、计算量小的优点，同时，本发明能够在保持图像细节，尤其是背景图像的轮廓边缘的同时，可以有效去除单幅图像中的雨线，能够最大限度的保证图像的细节。本发明利用稀疏和低秩矩阵的属性降低了计算量，同时提高了图像的处理效果。
-
-
-
-
-
-
-
-
-
Search Results
162
records
(took 0.03 seconds)
