一种基于拟态结构动态防御的模型训练方法及装置

    公开(公告)号:CN117576522B

    公开(公告)日:2024-04-26

    申请号:CN202410076456.X

    申请日:2024-01-18

    Abstract: 本说明书公开了一种基于拟态结构动态防御的模型训练方法及装置。所述任务执行方法包括:获取预训练模型,将训练预训练模型所使用的第一图像输入到预训练模型中,得到第一图像对应的识别结果。根据第一图像对应的识别结果以及第一图像对应的实际标签,确定出第二图像。将第二图像输入到预训练模型中,以通过预训练模型中的权重网络层,确定预训练模型中设置的各子识别网络对应的权重,以及通过每个子识别网络,分别对第二图像进行识别,得到各识别结果,并根据确定出的各子识别网络对应的权重,对各识别结果进行加权,得到最终识别结果,以最小化最终识别结果与实际标签之间的偏差为优化目标,对预训练模型进行训练。

    一种图像文本双端迁移攻击方法、装置和介质

    公开(公告)号:CN116523032B

    公开(公告)日:2023-09-29

    申请号:CN202310235411.8

    申请日:2023-03-13

    Abstract: 本发明公开了一种图像文本双端迁移攻击方法、装置和介质,该方法的步骤包括分析攻击目标模型、本地替代模型训练、对抗样本生成和对抗样本迁移,其中,分析攻击目标模型,即对比语言图像预训练模型,其可以接受图像与文本两端输入,之后根据输出向量的相似度进行结果预测;本地替代模型训练为根据目标模型的骨干网络训练替代模型,用于迁移攻击;对抗样本生成为对本地替代模型的进行攻击,进而获得图像和文本的对抗样本;对抗样本迁移为对抗样本输入对比语言图像预训练模型,最终导致网络无法正常工作,网络预测分类错误。本发明从图像和文本两个输入端口进行攻击,同时在本地训练相关模型进行迁移攻击,大幅提高了攻击成功率。

    一种基于模糊汇编指令序列的恶意代码家族分类方法

    公开(公告)号:CN113591083A

    公开(公告)日:2021-11-02

    申请号:CN202110805548.3

    申请日:2021-07-16

    Abstract: 本发明涉及一种基于模糊汇编指令序列的恶意代码家族分类方法,属于计算机网络恶意代码检测技术领域。本方法从不同家族的恶意代码中提取出过滤立即数操作数和常量地址操作数后的模糊汇编指令序列特征,训练用于恶意代码家族分类的长短期记忆网络模型。采用的模糊汇编指令序列较现有的字节码序列和操作码序列,在PE恶意代码家族分类任务中具有更高的准确率。采用的模糊汇编指令序列,使用编写的指令掩码对部分类型操作数进行了屏蔽,向较现有字节码序列特征,降低了输入序列的长度,在LSTM模型训练和检测家族环节具有更低的时间成本。相较现有的操作码序列特征,增强了对不同恶意代码家族的刻画能力,具有更好的检测结果。

    一种基于拟态结构动态防御的模型训练方法及装置

    公开(公告)号:CN117576522A

    公开(公告)日:2024-02-20

    申请号:CN202410076456.X

    申请日:2024-01-18

    Abstract: 本说明书公开了一种基于拟态结构动态防御的模型训练方法及装置。所述任务执行方法包括:获取预训练模型,将训练预训练模型所使用的第一图像输入到预训练模型中,得到第一图像对应的识别结果。根据第一图像对应的识别结果以及第一图像对应的实际标签,确定出第二图像。将第二图像输入到预训练模型中,以通过预训练模型中的权重网络层,确定预训练模型中设置的各子识别网络对应的权重,以及通过每个子识别网络,分别对第二图像进行识别,得到各识别结果,并根据确定出的各子识别网络对应的权重,对各识别结果进行加权,得到最终识别结果,以最小化最终识别结果与实际标签之间的偏差为优化目标,对预训练模型进行训练。

    一种图像文本双端迁移攻击方法、装置和介质

    公开(公告)号:CN116523032A

    公开(公告)日:2023-08-01

    申请号:CN202310235411.8

    申请日:2023-03-13

    Abstract: 本发明公开了一种图像文本双端迁移攻击方法、装置和介质,该方法的步骤包括分析攻击目标模型、本地替代模型训练、对抗样本生成和对抗样本迁移,其中,分析攻击目标模型,即对比语言图像预训练模型,其可以接受图像与文本两端输入,之后根据输出向量的相似度进行结果预测;本地替代模型训练为根据目标模型的骨干网络训练替代模型,用于迁移攻击;对抗样本生成为对本地替代模型的进行攻击,进而获得图像和文本的对抗样本;对抗样本迁移为对抗样本输入对比语言图像预训练模型,最终导致网络无法正常工作,网络预测分类错误。本发明从图像和文本两个输入端口进行攻击,同时在本地训练相关模型进行迁移攻击,大幅提高了攻击成功率。

    一种OOXML文档模板注入攻击的未知威胁防御方法及装置

    公开(公告)号:CN117235716A

    公开(公告)日:2023-12-15

    申请号:CN202311508777.4

    申请日:2023-11-14

    Abstract: 本发明公开了一种OOXML文档模板注入攻击的未知威胁防御方法及装置;通过对文档进行还原,对可能存放恶意攻击载荷的关键文件的XML树再次进行递归,将其可能携带恶意病毒的关键标签进行解析,依据预设的可信度字典及评估算法对其中的威胁标签进行解析、评估、删除或重组,从而破坏黑客构造的恶意文档,使其失去攻击性,让用户可以极大程度避免受钓鱼攻击者的文档模板注入攻击的风险。本发明打破传统杀毒软件只能检测的僵局,提出了一种全新的防御方案,在基本不影响用户正常使用文档的情况下,同时对恶意文档的防御能力具备通用性,在理论上可以预防所有已知的模板注入类型攻击及同类型的变种攻击、nday漏洞、0day漏洞等攻击手段。

Patent Agency Ranking