-
公开(公告)号：CN117254968A
公开(公告)日：2023-12-19
申请号：CN202311318229.5
申请日：2023-10-12
Applicant: 广东工业大学
IPC: H04L9/40
Abstract: 本发明提供了一种基于对比学习的网络异常流量检测方法，包括：构建标签空间位置模型；基于网络流量数据，获取低维网络流量状态；构建网络流量空间位置模型；基于度量空间中的标签位置，计算标签位置与网络流量空间位置的距离；构建网络流量空间位置价值评估模型；基于低维网络流量状态及标签的空间位置距离对各个模型的参数进行调整；基于调整后的所述网络异常流量检测模型，对所述网络流量进行监测预警。基于本发明，可实现更加快速的模型构建和异常识别，同时更好地识别正常流量与异常流量的区别，对网络攻击实施预警防御。
-
公开(公告)号：CN117216757A
公开(公告)日：2023-12-12
申请号：CN202311154409.4
申请日：2023-09-07
Applicant: 广东工业大学
IPC: G06F21/55 , G06F18/241 , G06F18/214 , G06N3/0442 , G06N3/08
Abstract: 本发明涉及入侵检测技术领域，公开了基于变分自动编码器和shapelet的时间序列异常检测方法及系统，包括以下具体步骤：S1、获取数据集，进行预处理；S2、通过shapelet算法提取预处理后的数据集的特征序列；S3、构建基于变分自编码器和shapelet的异常检测模型；将shapelet特征序列输入到异常检测模型中进行训练，得到隐变量；使用标准化流对隐变量进行可逆映射；根据可逆映射后的隐变量重构特征序列，并计算重构概率为异常分数；S4、根据异常分数，通过SPOT算法自动计算异常阈值；S5、判断是否为异常序列。本发明解决了现有技术无法用于时间序列，不能在不访问标签下的情况下学习异常检测的问题，且具有适用于无监督异常检测的特点。
-
公开(公告)号：CN117171762A
公开(公告)日：2023-12-05
申请号：CN202311147432.0
申请日：2023-09-07
Applicant: 广东工业大学
IPC: G06F21/57 , G06F21/71 , G06N3/094 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于数据增强和步长调整的单步对抗训练方法及系统，该方法包括：利获取训练集并对训练集样本进行数据增强，得到噪声样本；构建目标分类模型及模型的损失函数；基于目标分类模型对噪声样本及其对应标签进行FGSM对抗攻击，得到第一对抗样本；对第一对抗样本的对抗扰动步长进行自适应调整，得到最终对抗样本并对最终对抗样本进行对抗训练，直至模型的损失函数收敛，得到优化的目标分类模型。该系统包括：数据增强模块、模型构建模块、FGSM对抗攻击模块、步长调整模块和对抗训练模块。通过使用本发明，防止单步对抗训练陷入灾难性过拟合，能够有效提升深度神经网络的鲁棒性能，提高训练效率。本发明可广泛应用于人工智能安全技术领域。
-
公开(公告)号：CN116778016A
公开(公告)日：2023-09-19
申请号：CN202310773192.9
申请日：2023-06-27
Applicant: 广东工业大学
Abstract: 本申请提供了一种MRI图像重建方法、系统及介质，该方法包括：将全采样MRI图像进行模拟欠采样预处理获取欠采样MRI图像，所述全采样MRI图像为采集的原始MRI图像数据；基于所述欠采样MRI图像与区域质量映射图预测模块获取区域质量映射图，所述区域质量映射图预测模块至少由所述欠采样MRI图像确定；获取所述欠采样MRI图像的全局图像特征以及局部图像特征；基于所述区域质量映射图、所述全局图像特征以及所述局部图像特征获取重建MRI图像；从而解决难以应对复杂和嘈杂的图像的问题，提高MRI图像质量。
-
公开(公告)号：CN116309315A
公开(公告)日：2023-06-23
申请号：CN202310067371.0
申请日：2023-01-30
Applicant: 广东工业大学
IPC: G06T7/00 , G06V10/778 , G06V10/764 , G06V10/774
Abstract: 本发明公开的一种半监督双分支图像质量评价方法、系统和存储介质，所述方法包括：获取无参考图像质量评价数据，根据所述无参考图像质量评价数据，得到数据集合，对所述数据集合进行预处理，得到预处理数据，根据所述预处理数据发送至MT‑IQA模型进行训练，得到无参考图像质量评价模型，获取将待评价的失真图像，将所述将待评价的失真图像发送至无参考图像质量评价模型，得到图像质量评分信息。本发明由于不需要参考图像因此它具有实用性强、应用广泛的优势。另外，本发明还利用大量的无标签数据，克服了图像质量评价有标签数据数量的有限。并且还通过额外利用无标签图像数据，结合一致性保持策略，能对图像质量做出与主观感知有较好的评价。
-
Patent Agency Ranking
公开(公告)号：CN114844682B
公开(公告)日：2023-05-26
申请号：CN202210375971.9
申请日：2022-04-11
Applicant: 广东工业大学
IPC: H04L9/40 , H04L61/4511 , G06F18/2415 , G06F18/243 , G06F18/2431 , G06F18/214 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明提出一种DGA域名检测方法及系统，涉及网络安全的技术领域，获取域名公开数据集，对域名公开数据集进行预处理，得到训练数据集，将训练数据集分别输入初始二分类模型以及初始多分类模型，并训练初始二分类模型以及初始多分类模型，得到训练好的二分类模型以及多分类模型，在对待检测域名进行多分类以确定待检测域名所属DGA家族前，尽可能通过二分类模型筛选出待检测域名中的良性域名，即筛选出不属于DGA域名的域名，再对属于DGA域名的待检测域名进行多分类以确定属于DGA域名的待检测域名所属DGA家族，能够降低将良性域名误报为DGA家族的概率。
-
公开(公告)号：CN113672811B
公开(公告)日：2023-04-18
申请号：CN202110973781.2
申请日：2021-08-24
Applicant: 广东工业大学
IPC: G06F16/9535 , G06F16/9536 , G06F18/214 , G06F18/232 , G06N3/0464
Abstract: 本发明公开的一种基于拓扑信息嵌入的超图卷积协同过滤推荐方法、系统及计算机可读存储介质，方法包括：获取用户与项目交互数据，并构造用户‑项目交互二部图；构建用户与项目的初始嵌入查找表，利用聚类算法进行子图划分；对聚类子图进行编码，得到位置拓扑编码；定义关联规则表，利用关联规则表分别得到用户和项目超边组，整合所述超边组生成超图，并获得超图关联矩阵；通过超图卷积操作分别学习用户与项目的高阶邻域复杂相关性，将超图卷积的输出与位置拓扑编码进行结合，并通进行信息融合得到嵌入向量；将嵌入向量进行内积处理得到用户与项目之间的关联分数，并根据关联分数为用户推荐可能感兴趣的项目。本发明提高了推荐精度和模型的可行性。
-
公开(公告)号：CN115967533A
公开(公告)日：2023-04-14
申请号：CN202211457602.0
申请日：2022-11-21
Applicant: 广东工业大学
IPC: H04L9/40 , G06N3/084 , G06F18/24 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开了一种基于注意力机制的僵尸网络检测方法，涉及网络安全技术领域，步骤如下：S1：获取数据集，对数据集进行预处理，得到预处理后的数据集；S2：构建基于注意力机制的僵尸网络检测模型，根据预处理后的数据集进行训练；S3：捕获网络数据流，使用训练后的僵尸网络检测模型判断捕获的网络数据流是否来自僵尸网络；本发明针对新型僵尸网络流量样本数量小的特点，使用自适应综合过采样算法、主成分分析法对数据集进行预处理，提高检测模型对新型僵尸网络的检测准确率。
-
公开(公告)号：CN115731448A
公开(公告)日：2023-03-03
申请号：CN202211435046.7
申请日：2022-11-16
Applicant: 广东工业大学
IPC: G06V10/82 , G06V10/34 , G06V10/30 , G06V10/74 , G06V10/764 , G06N3/045 , G06N3/0464 , G06N3/094
Abstract: 本发明公开了一种基于双边滤波器和孪生神经网络的对抗样本检测方法，该方法包括：基于双边滤波器技术，对孪生神经网络结构进行改进，得到改进后的孪生神经网络；对改进后的孪生神经网络进行训练，得到训练完成的孪生神经网络；将待测样本输入至训练完成的孪生神经网络，输出第一特征向量和第二特征；计算第一特征向量和第二特征向量的L2范数距离并根据计算结果检测对抗样本。通过使用本发明，能够在提高神经网络的鲁棒性同时又能检测出对抗样本的攻击。本发明作为一种基于双边滤波器和孪生神经网络的对抗样本检测方法，可广泛应用于数据检测领域。
-
公开(公告)号：CN113283909B
公开(公告)日：2022-11-08
申请号：CN202110643095.9
申请日：2021-06-09
Applicant: 广东工业大学
Abstract: 本发明提供一种基于深度学习的以太坊钓鱼账户检测方法，该方法结合交易时间和权值特征，将以太坊交易网络建模为时序加权有向图，能够有效捕捉到更全面的动态交易网络的性质；然后采用skip‑gram模型得到时序加权有向图中各账户节点的图嵌入特征向量，相对于传统手工特征，该模型得到的图嵌入特征向量能自适应捕捉到各账户间的隐含特性；最终将上述得到的图嵌入特征向量输入分类器，该分类器有效结合无监督学习中的k‑means聚类算法和监督学习中的支持向量机算法，在少量标签数据的情况下能够得到更加鲁棒的钓鱼账户分类结果；所提出的方法能够准确将钓鱼账户从大量账户中分类出来，保证了以太坊交易平台的生态安全。
-
-
-
-
-
-
-
-
-
Search Results
162
records
(took 0.028 seconds)
