一种基于音频对抗样本的隐蔽通信方法

    公开(公告)号:CN116707781A

    公开(公告)日:2023-09-05

    申请号:CN202310639010.9

    申请日:2023-06-01

    Abstract: 本发明公开了一种基于音频对抗样本的隐蔽通信方法,依次包括以下步骤:A:根据设定的编码规则生成随机种子及加密随机序列,并生成原始音频对应的乱序音频;B:使用音频对抗样本生成方法对随机种子进行加密隐藏得到对抗音频;C:将乱序音频与对抗音频进行拼接得到加密音频,并按照设定帧数进行传输;D:接收方接收加密音频并进行实时解密;先将加密音频拆分为乱序音频和对抗音频,然后对对抗音频中的随机种子信息进行解密并生成解密随机序列;最后利用解密随机序列对乱序音频进行解密得到原始音频。本发明通过打乱语音帧顺序方式实现加密,同时采用生成音频对抗样本随机种子信息进行加密,有效提高了语音通信的安全性和实时性。

    基于深度学习和多维特征识别的网页挖矿攻击检测方法及系统

    公开(公告)号:CN119696803A

    公开(公告)日:2025-03-25

    申请号:CN202311238683.X

    申请日:2023-09-25

    Abstract: 一种基于深度学习和多维特征识别的网页挖矿攻击检测方法及系统,在离线阶段通过对采集到的流量进行预处理并生成灰度图后,分别用于训练两个基于VGG‑16的网页挖矿流量检测模型;对提取到的JavaScript脚本进行反混淆以及字符替换处理后,分别用于训练两个基于BiLSTM的网页挖矿JavaScript脚本检测模型;在在线阶段通过训练后的网页挖矿流量检测模型和网页挖矿JavaScript脚本检测模型进行分类,并将分类结果进行多维特征融合,实现网页挖矿攻击检测。本发明从挖矿网络流量和挖矿JavaScript脚本两个方面对挖矿行为进行检测。通过直接将原始流量数据和JavaScript脚本作为输入,实现了端到端的网页挖矿攻击检测,无需手动设计特征,从而提升了检测方法的泛化能力和鲁棒性。

    一种融合互信属性的跨异构链可信数据共享方法

    公开(公告)号:CN115174118B

    公开(公告)日:2024-05-24

    申请号:CN202210807964.1

    申请日:2022-07-11

    Inventor: 张科 娄曦 谢康

    Abstract: 本发明公开了一种融合互信属性的跨异构链可信数据共享方法,包括以下步骤:S1、区块链A中某节点将数据传递给区块链B中某节点;S2、区块链B选择初始辅助认证节点;S3、向其他链中的节点请求辅助认证;S4、每个辅助认证节点将自身得到的数据哈希值以及该哈希值的可信度传递给上一层请求的节点,直至位于区块链B中的初试辅助认证节点将哈希值以及可信度上链;S5、区块链B统计上链的判定依据可信度之和,并进行数据认证;S6、参与认证的节点更新其请求认证的节点的评价。本发明引入节点间的评价值作为选择辅助认证节点的标准,并在评价值中融合了节点间的交互历史以及节点间的互信属性,进一步提高了跨链数据的认证可靠性,并降低了认证成本。

    一种融合互信属性的跨异构链可信数据共享方法

    公开(公告)号:CN115174118A

    公开(公告)日:2022-10-11

    申请号:CN202210807964.1

    申请日:2022-07-11

    Inventor: 张科 娄曦 谢康

    Abstract: 本发明公开了一种融合互信属性的跨异构链可信数据共享方法,包括以下步骤:S1、区块链A中某节点将数据传递给区块链B中某节点;S2、区块链B选择初始辅助认证节点;S3、向其他链中的节点请求辅助认证;S4、每个辅助认证节点将自身得到的数据哈希值以及该哈希值的可信度传递给上一层请求的节点,直至位于区块链B中的初试辅助认证节点将哈希值以及可信度上链;S5、区块链B统计上链的判定依据可信度之和,并进行数据认证;S6、参与认证的节点更新其请求认证的节点的评价。本发明引入节点间的评价值作为选择辅助认证节点的标准,并在评价值中融合了节点间的交互历史以及节点间的互信属性,进一步提高了跨链数据的认证可靠性,并降低了认证成本。

    一种面向协同深度学习模型训练的隐私保护方法

    公开(公告)号:CN111460478A

    公开(公告)日:2020-07-28

    申请号:CN202010239448.4

    申请日:2020-03-30

    Abstract: 本发明公开了一种面向协同深度学习模型训练的隐私保护方法,包括:提出协同的分布式深度学习模型训练方法,参与者在其本地利用已有训练数据进行模型参数梯度计算,并将计算得到的梯度数据发送给参数服务器,进行模型参数更新;提出基于双陷门公钥密码算法的隐私保护机制,使得参与者在保证各自训练数据隐私的前提下,实现深度学习模型的安全训练;设计细粒度的深度学习模型发布方法,确保只有参加训练的数据拥有者才可以获得模型,保证模型训练公平性。仿真测试的结果表明本发明能够在保证参与者数据隐私的前提下提供准确的模型训练服务。可为人工智能等新一代计算机技术提供隐私保护。

    一种面向协同深度学习模型训练的隐私保护方法

    公开(公告)号:CN111460478B

    公开(公告)日:2022-05-13

    申请号:CN202010239448.4

    申请日:2020-03-30

    Abstract: 本发明公开了一种面向协同深度学习模型训练的隐私保护方法,包括:提出协同的分布式深度学习模型训练方法,参与者在其本地利用已有训练数据进行模型参数梯度计算,并将计算得到的梯度数据发送给参数服务器,进行模型参数更新;提出基于双陷门公钥密码算法的隐私保护机制,使得参与者在保证各自训练数据隐私的前提下,实现深度学习模型的安全训练;设计细粒度的深度学习模型发布方法,确保只有参加训练的数据拥有者才可以获得模型,保证模型训练公平性。仿真测试的结果表明本发明能够在保证参与者数据隐私的前提下提供准确的模型训练服务。可为人工智能等新一代计算机技术提供隐私保护。

Patent Agency Ranking