-
公开(公告)号：CN116957106A
公开(公告)日：2023-10-27
申请号：CN202310884951.9
申请日：2023-07-18
Applicant: 北京交通大学
IPC: G06N20/00 , G06F18/214 , G06F18/24
Abstract: 本发明提供了一种基于动态注意力机制的联邦学习模型训练方法。该方法包括：在每个通信轮次中，各客户端利用本地数据样本集和中央服务器下发的联合模型参数采用动态参数策略和最佳表现模型策略迭代训练更新本地的机器学习模型，将本轮次训练的模型参数更新信息和模型贡献度信息上传到中央服务器；中央服务器根据接收到的模型贡献度信息进行动态注意力分配，融合参数更新信息进行多模型安全聚合生成新的联合模型，下发新的联合模型参数信息给各个客户端进行同步更新，开启新一轮次的迭代训练。本发明方法能够动态捕捉各参与方本地模型训练的性能提升度，给予性能提升度大的模型更多的关注，从而改善联合模型训练迭代的流程及提升最终模型的性能。
-
公开(公告)号：CN116633639A
公开(公告)日：2023-08-22
申请号：CN202310622371.2
申请日：2023-05-30
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于无监督与有监督融合深度强化学习的网络入侵检测方法。该方法包括：构建无监督数据与有监督数据混合的污染数据集；构建结合无监督学习和深度强化学习的入侵检测模型，利用污染数据集对入侵检测模型进行训练，得到训练好的入侵检测模型；利用训练好的入侵检测模型对目标网络进行入侵检测。本发明将无监督数据作为污染样本和有监督数据混合来模拟网络入侵的现实场景，并提出将无监督学习引入深度强化学习的入侵检测模型中，进一步探索网络入侵检测的新方法。
-
-
公开(公告)号：CN119804186A
公开(公告)日：2025-04-11
申请号：CN202411904389.2
申请日：2024-12-23
Applicant: 北京交通大学
Abstract: 本发明提供一种基于增材制造的滚动接触疲劳内部裂纹扩展试验方法，属于滚动部件近表面疲劳裂纹扩展研究技术领域，用以解决滚动接触疲劳内部裂纹扩展扩展过程难以监测、扩展路径和扩展速率不清晰等技术问题。通过增材制造制备含内部埋藏型缺陷的滚动接触疲劳试样，利用滚动接触疲劳实验机，改变不同的实验参数进行滚动接触疲劳实验，通过工业CT监测不同循环次数下内部裂纹的扩展行为，获得裂纹的扩展速率曲线，研究其裂纹形成机理。本发明可以复现出滚动接触疲劳II‑III型复合裂纹的扩展行为，为铁路车轮辋裂，钢轨核伤、轴承滚道面剥离等工程问题及滚动接触疲劳理论的研究提供技术支持。
-
公开(公告)号：CN116192421B
公开(公告)日：2024-04-30
申请号：CN202211500772.2
申请日：2022-11-28
Applicant: 北京交通大学
IPC: H04L9/40 , H04L41/16 , G06F18/23 , G06N3/0442 , G06N3/0455 , G06N3/08
Abstract: 本发明提供了一种基于溯源图和自注意力机制的APT攻击检测方法。该方法包括：根据待进行APT攻击检测的系统日志生成溯源图，将溯源图序列抽取为特征序列，采用基于Transformer的编码器‑解码器来训练自注意力网络，生成特征提取网络，通过特征提取网络将特征序列转换为特征向量；使用改进后的ADOA算法对特征向量中的正常样本进行聚类，生成多个聚类中心，根据特征向量中的未标记的样本数据与聚类中心之间的距离，判断未标记的样本数据是否异常。本发明使用Transformer模型建模系统的状态变化，使用大量的正常数据结合自注意力机制的编码器‑解码器来训练模型提取特征，提取APT攻击对系统产生的长期影响，使得攻击行为的特征与正常行为的特征更易区分。
-
Patent Agency Ranking
公开(公告)号：CN114358912B
公开(公告)日：2024-10-15
申请号：CN202111362361.7
申请日：2021-11-17
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于联邦学习的风险权重融合的异常检测方法。该方法包括：将参与联邦学习的各银行机构视为客户端，各个客户端分别建立机器学习模型，在每轮迭代中，各个客户端的机器学习模型利用本地数据样本集迭代训练后，提取参数更新信息和本轮次训练的风险权重信息，并上传至中央服务器；中央服务器将接收到的所有参数更新信息融合各客户端的风险权重信息进行安全聚合后，下发联合模型参数更新信息给各个客户端，各个客户端根据接收的联合模型更新信息进行本地的机器学习模型的参数更新。本发明通过风险权值聚合的方式强化提取相应参与方的优势特征，在金融欺诈识别等异常检测领域，对于异常数据检测的准确率和召回率进行提升。
-
公开(公告)号：CN116633639B
公开(公告)日：2024-04-12
申请号：CN202310622371.2
申请日：2023-05-30
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于无监督与有监督融合深度强化学习的网络入侵检测方法。该方法包括：构建无监督数据与有监督数据混合的污染数据集；构建结合无监督学习和深度强化学习的入侵检测模型，利用污染数据集对入侵检测模型进行训练，得到训练好的入侵检测模型；利用训练好的入侵检测模型对目标网络进行入侵检测。本发明将无监督数据作为污染样本和有监督数据混合来模拟网络入侵的现实场景，并提出将无监督学习引入深度强化学习的入侵检测模型中，进一步探索网络入侵检测的新方法。
-
公开(公告)号：CN117478354A
公开(公告)日：2024-01-30
申请号：CN202311179127.X
申请日：2023-09-13
Applicant: 北京交通大学
Abstract: 本发明提供一种基于自编码器模型的APT攻击检测方法及系统，属于APT攻击检测技术领域，采用固定长度的广度优先有向游走，生成一组信息丰富、独立的溯源图特征序列；使用训练好的基于多头自注意力机制的编码器来提取APT攻击长期特征序列，使用输出矩阵的平均向量作为整个序列的表示；读取系统正常行为生成K个聚类中心，对测试集的数据进行长期特征提取，根据提取的特征向量分别到K个聚类中心的最短距离是否超过阈值来判断该行为是否为攻击行为。本发明增加数据的无损压缩算法和增量的数据特征表示，有效降低系统资源使用和数据的计算量；提高了提取的长期特征的有效性；引入多头注意力机制来高效、完整的提取长序列数据的全局特征。
-
-
公开(公告)号：CN119996022A
公开(公告)日：2025-05-13
申请号：CN202510225577.0
申请日：2025-02-27
Applicant: 北京交通大学
Abstract: 本发明提供一种基于Transformer及GNN的恶意攻击行为检测方法，包括：获取待检测的系统日志数据，并基于所述系统日志数据进行溯源图构建，以获得溯源图；对所述溯源图进行词嵌入生成处理，以获得词嵌入；将所述溯源图与所述词嵌入输入至预先训练好的恶意攻击行为检测模型，以获得检测结果；其中，所述恶意攻击行为检测模型是基于Transformer及GNN的模型。本发明能够捕捉溯源图中的局部特征和全局图特征，有效提高了APT攻击检测的准确性和实时性，增强了系统的适应性和可扩展性，具有显著的实用价值。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.022 seconds)
