-
公开(公告)号：CN111859394A
公开(公告)日：2020-10-30
申请号：CN202010704861.3
申请日：2020-07-21
Applicant: 中国人民解放军国防科技大学
Abstract: 本发明公开了一种基于TEE的软件行为主动度量方法及系统，该方法包括在REE环境下的度量对象运行过程中执行的下述步骤：REE环境下的主动度量代理监控获取度量对象的行为特征，将度量对象的行为特征发送到TEE环境下的主动度量模块；TEE环境下的主动度量模块根据主动度量策略库对度量对象的行为特征进行度量获得对应的主动度量结果，将主动度量结果返回给REE环境下的主动度量代理；REE环境下的主动度量代理收到返回的主动度量结果。本发明比传统度量方法具有更强的软件行为度量能力及更好的运行效率，安全强度方面更优，能够保障软件可信运行，支持对软件实时运行行为发起主动度量，度量能力相比已有方法更强。
-
公开(公告)号：CN110618876A
公开(公告)日：2019-12-27
申请号：CN201910219053.5
申请日：2019-03-21
Applicant: 天津麒麟信息技术有限公司 , 中国人民解放军国防科技大学
IPC: G06F9/54
Abstract: 一种基于飞腾平台与共享内核的Linux与Android并存和交互方法，所述Linux与所述Android均运行在所述飞腾平台上；步骤包括：S1、所述Linux与所述Android的兼容性准备；S2、所述Linux与所述Android并存流程；S3、所述Linux与所述Android的交互流程；所述S1的兼容性准备包括：所述Linux和所述Android使用同一共享内核、所述Android针对所述Linux的功能扩展和所述Linux针对所述Android的功能扩展。相较于现有技术，本申请的优势在于：通过自底向上全面兼容并行Linux与Android两个系统，最终能够实现一个兼容式的新系统，它们使用同一内核，使用共同的内核接口，既能够保留各自系统的运行时，又能将自身扩展到对方系统中去；为高效兼容并行Linux和Android提供稳定可靠的方法。
-
公开(公告)号：CN119939445A
公开(公告)日：2025-05-06
申请号：CN202411791492.0
申请日：2024-12-06
Applicant: 中国人民解放军国防科技大学
IPC: G06F18/2433 , G06F18/25 , G06F18/214 , G06F18/21 , G06N3/045 , G06N3/0985
Abstract: 本发明公开了一种基于元学习和多模态大模型的少样本异常检测方法及系统，本发明包括将辅助数据集根据检测目标物体的类别划分为N个任务构成的任务集合，将每个任务分成训练集和测试集，构造基于多模态大模型的语义‑异常网络，所述语义‑异常网络包括视觉编码器、语言编码器、图像‑图像异常判别器、图像‑文本异常检测器和融合模块，利用任务集中各个任务的训练集和测试集训练语义‑异常网络并将语义‑异常网络用于预测查询样本的异常分数以确定查询样本是否异常。本发明旨在解决传统异常检测方法中跨类别异常检测泛化能力较差、无法有效地将语义信息转化为异常信息的问题，提高了图像异常检测的准确度和鲁棒性以及对跨类别异常检测能力。
-
公开(公告)号：CN119938374A
公开(公告)日：2025-05-06
申请号：CN202411791502.0
申请日：2024-12-06
Applicant: 中国人民解放军国防科技大学
IPC: G06F11/07 , G06F40/30 , G06F18/2411 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/0455 , G06N3/084 , G06N3/048 , G06F21/57
Abstract: 本发明公开了一种基于图卷积自注意力网络的系统异常检测方法及系统，本发明基于图卷积自注意力网络的系统异常检测方法包括下述步骤：S1，将日志和跟踪数据转换为事件节点并使用时间和逻辑关系链接成异构有向数据图；S2，将有向异构图使用图卷积自注意力网络进行图表征学习得到图表征；S3，基于图表征进行异常检测得到多源异构数据系统是否异常的异常检测结果。本发明旨在解决现有系统异常检测领域中缺乏融合异构数据方法的问题，有效整合系统日志、跟踪数据的信息来实现数据系统的异常精确检测。
-
公开(公告)号：CN119883577A
公开(公告)日：2025-04-25
申请号：CN202510372908.3
申请日：2025-03-27
Applicant: 中国人民解放军国防科技大学
Abstract: 本发明公开了一种工作负载感知的容器和虚拟机混合调度方法及系统，本发明包括采集资源池的资源信息，所述资源池用于统一管理多个节点的物理资源；获取应用的应用资源请求信息；根据应用的应用资源请求信息中包含的应用信息判断请求类型，如果请求类型是请求对该应用进行发布操作，则对应用资源请求信息和资源池当前的资源信息分析该应用的工作负载特性，根据该应用的工作负载特性动态选择发布类型信息为容器或虚拟机，调度生成该应用的分配资源信息和发布节点信息；将该应用发布到发布节点信息对应的节点上。本发明旨在解决现有方案中的资源割裂和调度复杂性问题，提升容器和虚拟机混合调度系统的灵活性、资源利用率和故障恢复能力。
-
Patent Agency Ranking
公开(公告)号：CN119597253A
公开(公告)日：2025-03-11
申请号：CN202411652068.8
申请日：2024-11-19
Applicant: 中国人民解放军国防科技大学
Abstract: 本发明公开了一种基于社区分类的软件仓库并行构建方法及系统，通过从软件包中提取软件包依赖关系，基于软件包依赖关系建立软件包之间的软件包依赖关系图；基于关系图社区分类算法对软件包依赖关系图进行聚类划分，根据软件包依赖关系对社区进行层级确定；依据层级确定后的社区，对软件仓库进行并行构建。本发明基于软件包依赖关系信息进行软件包社区划分，实现软件仓库的并行构建，为软件仓库的管理提供支撑，具有应用方便、易于实施的优点。
-
公开(公告)号：CN119577740A
公开(公告)日：2025-03-07
申请号：CN202411613160.3
申请日：2024-11-13
Applicant: 中国人民解放军国防科技大学
Abstract: 本发明公开了一种Web应用插件的安全隔离与集成方法及装置。属于Web操作系统技术领域。在Web操作系统中，输入第三方插件源代码；通过沙箱模块的wasm编译模块将第三方插件源代码编译成wasm文件，其中，沙箱模块用于提供隔离环境；通过沙箱模块的wasm2c转换模块将wasm文件进行转换得到第三方插件源代码对应的C源码及头文件；对第三方插件源代码进行沙箱化重构；编写插件库源代码，并调用第三方插件源代码对应的C源码及头文件；将插件库源代码编译成插件库并运行。实现了Web应用中使用插件形式安全访问第三方插件源代码的功能，解决了现有Web应用无法安全使用C/C++等系统语言开发的第三方插件的问题，实现了对第三方插件内存访问的隔离管控，避免了因第三方插件漏洞造成的数据泄密、终端设备失控等安全风险。
-
公开(公告)号：CN119513858A
公开(公告)日：2025-02-25
申请号：CN202411461739.2
申请日：2024-10-18
Applicant: 中国人民解放军国防科技大学
IPC: G06F21/53 , G06F21/62 , G06F21/14 , G06V10/764 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于TEE的端侧深度神经网络模型保护方法及系统，本发明包括针对被保护的预训练模型需部署在可信执行环境TEE外的富执行环境REE中的L个线性层执行权重混淆：将预训练模型的原始权重保存为当前权重；分别针对预训练模型的L个线性层独立进行层内搜索；针对得到的L个混淆模型基于预设的损失函数计算损失函数值，使用损失函数值最大的混淆模型的权重作为预训练模型的当前权重继续迭代层内搜索直至若跨层搜索次数等于预设的跨层搜索轮次，确定最终得到的混淆模型及其噪音权重。本发明旨在实现只需对预训练模型修改最少的权重即可将混淆模型的准确率降低到随机猜测的程度并确保恢复后的预训练模型的准确率不受到影响。
-
公开(公告)号：CN119356871A
公开(公告)日：2025-01-24
申请号：CN202411454097.3
申请日：2024-10-17
Applicant: 中国人民解放军国防科技大学
Abstract: 本发明公开了一种面向有限资源下DNN训练的GPU内存优化方法及系统，本发明方法包括：S1，从输入的DNN模型的算子序列O中遍历选择一个当前算子op，如果尚未遍历完毕则跳转步骤S2；否则结束并退出；S2，执行当前算子op，并记录执行当前算子op的张量的运行时信息；S3，如果GPU的内存使用量大于等于预设阈值，则选择部分GPU内存中的张量，并将选择的张量直接驱逐或交换到CPU内存以释放GPU内存；跳转步骤S1。本发明旨在实现面向有限资源下DNN训练的GPU内存优化，使得相同的GPU可以支持更大的DNN模型以及更大的训练批次，同时减少对训练效率的影响，减少运行时开销。
-
公开(公告)号：CN118796477A
公开(公告)日：2024-10-18
申请号：CN202411259448.5
申请日：2024-09-10
Applicant: 中国人民解放军国防科技大学
Abstract: 本发明公开了一种AI框架上的昆仑XPU芯片内存分配优化方法及系统，本发明包括下述步骤：在PaddlePaddle框架的AI模型训练开始前，开辟出一系列的XPU显存块并建立显存池；在PaddlePaddle框架的AI模型训练过程中，若需要申请XPU显存块则在显存池中查找空闲的XPU显存块并分配XPU显存块，且在申请的XPU显存块使用完之后会将XPU显存归还到显存池中并标记为空闲；在PaddlePaddle框架的AI模型训练结束后，将显存池中的XPU显存块归还到系统中。本发明旨在减少包括PaddlePaddle在内的AI框架训练过程中在昆仑XPU上产生的显存碎片、减少了昆仑XPU计算资源的浪费。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.103 seconds)
