-
公开(公告)号：CN118036768A
公开(公告)日：2024-05-14
申请号：CN202410148779.5
申请日：2024-02-01
Applicant: 中电科普天科技股份有限公司 , 广州杰赛通信规划设计院有限公司 , 暨南大学
IPC: G06N20/00
Abstract: 本发明公开了一种联邦学习模型优化方法、设备、介质及程序产品，所述方法包括：获取边缘端采集的多属性数据，并计算边缘端的数据量因子、数据质量因子以及数据分布特征因子，从而得到边缘端的可信度；选取可信边缘端进行全局模型的参数更新；向可信边缘端发送第一全局参数，以使可信边缘端进行本地模型的训练，并得到本地模型参数；根据本地模型的平均误差以及预设的全局模型学习率，计算得到动态学习率；根据第一全局参数、动态学习率、可信边缘端的可信度以及本地模型参数，计算得到第二全局参数，实现全局模型的参数更新。本发明实施例解决了数据异构所导致的全局模型性能低下的问题，实现了全局参数更新速度和算法稳定度的平衡。
-
公开(公告)号：CN119696827A
公开(公告)日：2025-03-25
申请号：CN202411677995.5
申请日：2024-11-22
Applicant: 中电科普天科技股份有限公司 , 暨南大学 , 广州杰赛通信规划设计院有限公司
IPC: H04L9/40 , G06F18/2415 , G06F18/25 , G06F18/22 , G06F18/213 , G06N3/045 , H04L41/0631 , H04L41/16
Abstract: 本发明涉及互联网技术领域，公开了一种基于多模态融合的网络异常检测方法和系统；方法包括：利用多头注意力提取多模态信息的数据特征；引入标签形成表达对网络入侵检测的影响程度的权重并根据权重对数据特征进行特征融合；将融合后的特征输入分类器实现网络异常检测。通过多模态数据的融合，实现了信息互补和信息相互验证的优势；采用多注意力机制实现网络流级别、进程级别和告警事件级别等多模态特征的融合，挖掘不同数据源之间存在的关联规则，实现多源异构信息共享，减少网络流量突发性、随机性等噪声对网络异常产生的影响。
-
公开(公告)号：CN118138339A
公开(公告)日：2024-06-04
申请号：CN202410357625.7
申请日：2024-03-27
Applicant: 中电科普天科技股份有限公司 , 广州杰赛通信规划设计院有限公司 , 暨南大学
Abstract: 本发明公开了一种基于物联网设备的安全保护方法、系统、设备和介质，涉及物联网技术领域，方法包括：通过卷积神经网络锁定异常滑动窗口，之后采用偏移距离分析法，锁定异常的物联网设备；根据交互行为信任度和数据一致性水平，得到综合信任度，实现物联网设备的信任度评估；引入综合信任度阈值调整访问权限，实现物联网设备安全保护。采用告警事件和物联网设备构建物联网设备的入侵机制；引入零信任的持续评估机制，结合交互行为信任度和数据一致性水平实现物联网设备的信任度评估；引入综合信任度阈值调整访问权限，实现物联网设备安全保护，对物联网设备的身份进行统一管理，实时评估物联网设备的安全性问题。
-
公开(公告)号：CN116112251A
公开(公告)日：2023-05-12
申请号：CN202310088989.5
申请日：2023-02-06
Applicant: 中电科普天科技股份有限公司 , 广州杰赛通信规划设计院有限公司
IPC: H04L9/40 , G06F18/2415
Abstract: 本发明公开了一种网络攻击路径生成方法、装置、设备及存储介质，方法包括获取网络拓扑中每一节点的边数量，根据边数量计算网络拓扑每一条边的权重；根据每一节点的漏洞危害评分、漏洞数量和破坏性，计算每一个节点面临的漏洞攻击概率；基于预先获取的历史漏洞的成功攻击概率，构建漏洞之间的初始贝叶斯网络，得到每一个攻击行为的初始联合概率；根据每一条边的权重、每一个节点面临的漏洞攻击概率，对初始联合概率进行优化，得到每一个攻击行为的预测联合概率；根据动态漏洞数据更新贝叶斯网络的概率，进而更新每一个攻击行为的预测联合概率，得到最大概率攻击路径。本方法能实现对攻击者的攻击路径的准确计算，有效的展现网络安全态势情况。
-
公开(公告)号：CN119323240A
公开(公告)日：2025-01-17
申请号：CN202411257236.3
申请日：2024-09-09
Applicant: 中电科普天科技股份有限公司 , 广州杰赛通信规划设计院有限公司 , 中国联合网络通信有限公司清远市分公司
IPC: G06N3/0464 , G06N3/098 , G06N3/006
Abstract: 本发明涉及人工智能领域领域，具体公开了一种基于联邦学习的时延与能耗优化方法，该方法由终端层、边缘层和云端层三层协同工作：终端层负责采集数据并通过卷积神经网络提取特征；边缘层接收这些特征并训练边缘模型，然后将参数上传至云端层；云端层对这些参数进行聚合，形成全局模型并发送回边缘层以供下一轮训练使用。此外，本发明还构建了一个全局时延与能耗模型，并通过粒子群算法进行优化，以进一步降低训练过程中的时延与能耗，提升模型训练的效率和性能。本方法不仅优化了资源利用，还通过对终端层、边缘层和云端层三层的时延与能耗进行优化，实现了更为高效的模型训练过程。
-
Patent Agency Ranking
公开(公告)号：CN116489676A
公开(公告)日：2023-07-25
申请号：CN202310030669.4
申请日：2023-01-10
Applicant: 中电科普天科技股份有限公司 , 广州杰赛通信规划设计院有限公司
IPC: H04W24/02 , H04L41/083 , G06N3/006 , H04W84/06
Abstract: 本发明公开了一种空地一体化的移动核心网部署方法、装置、终端及介质，通过构建移动边缘计算的空地一体化网络架构，部署移动核心网，以最小业务时延为目标，建立所述移动核心网的目标函数，求得所述目标函数的最优解，得到所述移动核心网的部署集合。因此，本发明实施例能够实现升空平台Mesh网络和地面Mesh网络数据层面的融合；避免升空平台节点移动由于发生切换而出现的网络性能不稳定的问题；在保障网络时延的同时能够有效降低平均数据流建立时延，提升空地一体化网络的实用性。
-
公开(公告)号：CN116170194A
公开(公告)日：2023-05-26
申请号：CN202310089644.1
申请日：2023-02-07
Applicant: 中电科普天科技股份有限公司 , 广州杰赛通信规划设计院有限公司
IPC: H04L9/40 , G06N3/0442
Abstract: 本发明公开了一种基于LSTM终端自适应优化的安全策略选择方法、装置及介质，通过LSTM将威胁类型、发生概率、系统脆弱性水平以及系统安全等级和时间相结合，形成攻击意图的识别和分析，最终生成最大可能攻击路径，并基于攻击路径所涉及节点的攻击损失、相应代价、安全等级的要求选择安全策略模型。因此，本发明实施例在预判攻击意图的基础上，采用最大可能性攻击路行来衡量终端接入安全风险，能够快速适应终端风险和系统安全需求的动态变化，除此之外，本发明实施例还考虑到资源动态性，在考虑负载不均衡约束的基础上建立终端风险防御成本最小的终端接入安全策略模型，提升模型自适应更新优化安全策略的实用性。
-
公开(公告)号：CN114448599B
公开(公告)日：2024-11-29
申请号：CN202210151457.7
申请日：2022-02-18
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司 , 暨南大学
IPC: H04L9/00
Abstract: 本发明公开一种入侵检测方法及系统，其由边缘节点对边缘侧自身的设备特征数据进行边缘入侵检测模型的构造，由云节点基于所有边缘节点的边缘入侵检测模型的模型输入和模型输出训练云节点的全局模型参数，其中，所述全局模型为基于贝叶斯深度学习的模型；同时云节点基于全局模型预测的误差精度自适应调整全局模型输入的采样数据量，本发明不仅能减少云节点通信传输的压力，还提升了云节点响应服务的能力。同时，本发明每隔一检测周期进行入侵检测模型的更新，全局模型的参数更新会随着边缘节点的数据分布的变动而变动，从而能提高入侵检测的准确率。
-
公开(公告)号：CN114448599A
公开(公告)日：2022-05-06
申请号：CN202210151457.7
申请日：2022-02-18
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司 , 暨南大学
IPC: H04L9/00
Abstract: 本发明公开一种入侵检测方法及系统，其由边缘节点对边缘侧自身的设备特征数据进行边缘入侵检测模型的构造，由云节点基于所有边缘节点的边缘入侵检测模型的模型输入和模型输出训练云节点的全局模型参数，其中，所述全局模型为基于贝叶斯深度学习的模型；同时云节点基于全局模型预测的误差精度自适应调整全局模型输入的采样数据量，本发明不仅能减少云节点通信传输的压力，还提升了云节点响应服务的能力。同时，本发明每隔一检测周期进行入侵检测模型的更新，全局模型的参数更新会随着边缘节点的数据分布的变动而变动，从而能提高入侵检测的准确率。
-
公开(公告)号：CN114462679B
公开(公告)日：2024-11-29
申请号：CN202210003743.9
申请日：2022-01-04
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
IPC: G06Q10/04 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/0442
Abstract: 本发明涉及通信技术领域，公开了一种基于深度学习的网络流量预测方法、装置、设备及介质，方法包括获取网络流量数据；对所述网络流量数据进行预处理，得到流量预测数据；基于卷积神经网络和长短期记忆网络对所述流量预测数据进行特征提取，得到时间特征和空间特征；根据多模态注意力机制网络对所述时间特征和所述空间特征进行融合，得到网络流量预测结果。本方法能够减小预测结果的误差，提高预测结果的准确度。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.049 seconds)
