-
公开(公告)号：CN115146310B
公开(公告)日：2024-10-01
申请号：CN202210761993.9
申请日：2022-06-30
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明公开了一种应用容器镜像层度量列表的验证方法及系统，容器服务端可以生成与客户端请求下载的目标容器镜像对应的验证请求；并将其发送至容器镜像远程仓库后，获取第一数据集合，第一数据集合包括第一加密信息、身份证明证书以及容器镜像层度量列表，容器镜像层度量列表为基于默克尔树构造的度量列表，其包括镜像平台的度量聚合值以及每个容器镜像的镜像层哈希值；确定第一数据集合中的容器镜像层度量列表是否完整；若容器镜像层度量列表的度量结果与目标数据库中的哈希值相同，确定目标容器镜像的镜像层完整。通过容器镜像层度量列表，在远程证明过程中减少了远程镜像仓库基础平台和镜像文件的信息泄露、提高了验证效率。
-
公开(公告)号：CN114722407B
公开(公告)日：2024-05-24
申请号：CN202210208387.4
申请日：2022-03-03
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明提供一种基于内生式对抗样本的图像保护方法。该方法包括：步骤1：对原始图像进行特征分解，分解为显性特征和隐性特征；步骤2：对所述隐性特征进行特征修改，得到修改后隐性特征；步骤3：将所述显性特征和所述修改后隐性特征进行合成得到对抗样本，将所述对抗样本替换掉原始图像作为面向外部系统公开的图像。本发明提供的内生式的对抗攻击十分契合于黑盒攻击的场景；并且由于修改的隐性特征部分本身不影响图像质量及其主要内容，因此对抗样本图像与原始图像的视觉一致性天然存在，使得生成的对抗样本天然满足对抗样本应该具有的难以察觉性，具有很好的感知真实性，因此可以省去关于对抗扰动大小的超参数和损失函数的设置。
-
公开(公告)号：CN108200181B
公开(公告)日：2021-03-19
申请号：CN201810025746.6
申请日：2018-01-11
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明公开了一种面向云存储的可撤销属性基加密系统及方法，属性授权模块生成加密系统的公钥和主私钥和数据用户的属性私钥和属性群初始密钥；数据拥有者模块构造数据访问结构，对明文加密得到初始密文；数据管理模通过构建的密钥加密密钥树生成属性群密钥，对初始密文进行重加密处理，生成密文文件和密文文件的密文头,并通过存储模块对密文文件进行存储；数据管理模块还可以更新数据用户模块属性撤销后的属性群密钥，并处理得到更新后的密文文件。数据用户模块访问密文文件，对密文文件进行解密处理，得到密文文件对应的明文。因此，实现了属性级用户撤销能力，能够抵抗撤销用户与非撤销用户之间的合谋攻击，且具有定长的密文长度和更高的效率。
-
公开(公告)号：CN108200181A
公开(公告)日：2018-06-22
申请号：CN201810025746.6
申请日：2018-01-11
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明公开了一种面向云存储的可撤销属性基加密系统及方法，属性授权模块生成加密系统的公钥和主私钥和数据用户的属性私钥和属性群初始密钥；数据拥有者模块构造数据访问结构，对明文加密得到初始密文；数据管理模通过构建的密钥加密密钥树生成属性群密钥，对初始密文进行重加密处理，生成密文文件和密文文件的密文头,并通过存储模块对密文文件进行存储；数据管理模块还可以更新数据用户模块属性撤销后的属性群密钥，并处理得到更新后的密文文件。数据用户模块访问密文文件，对密文文件进行解密处理，得到密文文件对应的明文。因此，实现了属性级用户撤销能力，能够抵抗撤销用户与非撤销用户之间的合谋攻击，且具有定长的密文长度和更高的效率。
-
公开(公告)号：CN116155598A
公开(公告)日：2023-05-23
申请号：CN202310154635.6
申请日：2023-02-22
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本申请公开了一种多服务器架构下的认证方法及系统，用户向注册服务器注册就可获得注册服务器为用户生成的临时身份标识TIDU，当用户需要应用服务器提供服务时，在客户端输入TIDU即可计算得到认证用户身份信息γ0，客户端将包含γ0的集合M0发送给该应用服务器，该应用服务器会生成相关认证信息，并将该认证信息与M0发送给注册服务器，由注册服务器完成该用户与应用服务器的身份认证，用户及应用服务器的认证均在注册服务器完成，每个应用服务器均无需存储关于用户的任何信息，减少了应用服务器的资源负担，并且用户只需向注册服务器注册获得临时身份标识即可完成认证与密钥交换，无需向多服务器架构下的每个应用服务器进行注册，节省了时间成本。
-
Patent Agency Ranking
公开(公告)号：CN113542266B
公开(公告)日：2022-09-27
申请号：CN202110790499.0
申请日：2021-07-13
Applicant: 中国人民解放军战略支援部队信息工程大学
IPC: H04L9/40 , H04L43/06 , H04L41/12 , H04L41/14 , H04L41/0894
Abstract: 本发明公开了一种基于云模型的虚拟网元信任度量方法及系统，方法包括：面向网络功能虚拟化架构对虚拟网元可信代理进行设计，对虚拟网元信任监控数据进行可信采集和上报；基于云模型的虚拟网元信任度量算法对监控数据进行信任值评估；对虚拟网元迁移信任值进行评估计算。本发明有效解决了基于虚拟网络功能架构中虚拟网元信任来源、信任监控数据可信采集和信任评估结果上报等问题。
-
公开(公告)号：CN113542266A
公开(公告)日：2021-10-22
申请号：CN202110790499.0
申请日：2021-07-13
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明公开了一种基于云模型的虚拟网元信任度量方法及系统，方法包括：面向网络功能虚拟化架构对虚拟网元可信代理进行设计，对虚拟网元信任监控数据进行可信采集和上报；基于云模型的虚拟网元信任度量算法对监控数据进行信任值评估；对虚拟网元迁移信任值进行评估计算。本发明有效解决了基于虚拟网络功能架构中虚拟网元信任来源、信任监控数据可信采集和信任评估结果上报等问题。
-
公开(公告)号：CN118839324A
公开(公告)日：2024-10-25
申请号：CN202410790650.4
申请日：2024-06-18
Applicant: 中国人民解放军战略支援部队信息工程大学
IPC: G06F21/32 , A61B5/117 , A61B5/378 , A61B5/00 , H04L9/32 , G06F18/241 , G06F18/213 , G06V40/10 , G06V40/50 , G06V10/764 , G06V10/82 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于混合任务编码的可撤销脑电身份认证方法，应用于身份认证技术领域。本发明包括：S1、诱发图案设计步骤：采用多个圆形闪烁图案来构成诱发图案；S2、用户注册步骤：获取用户根据S1中诱发图案产生的脑电信号，并依据脑电信号产生身份编码完成用户注册；S3、用户认证步骤：采集用户根据注册时的诱发图案产生的脑电信号，依据脑电信号产生对应身份编码，通过判断认证产生的身份编码与注册产生的身份编码是否一致来完成用户的认证；S4、身份编码撤销更换步骤：当身份编码面临安全风险时，用户则重新进行注册来产生新的身份编码。本发明由于该生成身份编码与任务高度相关，可以通过改变诱发任务更改用户的身份编码，实现脑电身份编码的可撤销性。
-
公开(公告)号：CN118319296A
公开(公告)日：2024-07-12
申请号：CN202410512072.8
申请日：2024-04-26
Applicant: 中国人民解放军战略支援部队信息工程大学
IPC: A61B5/117 , A61B5/372 , A61B5/00 , G06F18/25 , G06F18/241 , G06F18/2131 , G06F18/213 , G06N3/0475 , G06N3/045 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开一种基于集成学习的多维度EEG信号身份识别的方法和系统，该方法包括：将原始脑电信号转换为时频图和脑电地形图，并使用生成对抗网络进行数据增强；分别针对时频图和脑电地形图设计不同分类网络，提取时频空特征，进而进行身份识别；将不同分类网络的身份识别结果通过加权投票的集成策略进行整合，得到最终的身份识别结果。本发明充分利用了不同分类网络的优势，通过适应性的权重调整实现更为鲁棒和精确的整体分类性能，同时能够处理同一被试的不同形式数据集，从而有效学习脑电信号的时间、频谱和空间结构等多维度的特征信息，显著提升身份识别准确性。
-
公开(公告)号：CN115358373A
公开(公告)日：2022-11-18
申请号：CN202211000089.2
申请日：2022-08-19
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明提供一种针对基于交叉熵对抗攻击的防御方法。该方法包括：采用干净样本对需要防御的深度神经网络模型进行训练，使其达到拟合状态；当所述深度神经网络模型达到拟合状态之后，采用干净样本对其继续训练使其达到超拟合状态；所述超拟合状态对应至采用对抗样本对所述深度神经网络模型进行训练之后达到的拟合状态；将此时超拟合状态下的深度神经网络模型作为训练好的深度神经网络模型进行使用。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.046 seconds)
