公开(公告)号：CN119938492A

公开(公告)日：2025-05-06

申请号：CN202411861567.8

申请日：2024-12-17

Applicant: 北京邮电大学 ,  北京控制工程研究所

Inventor： 张华 ,  龚惠民 ,  王华伟 ,  乔磊 ,  沈宗亮 ,  王永吉 ,  王稼慧 ,  兰晨曦 ,  毛煜阳 ,  周岩

IPC: G06F11/362 ,  G06F11/3668 ,  G06N20/00

Abstract: 本申请提供一种AI代码缺陷修复数据集构建方法、缺陷修复方法及设备。数据集构建方法，包括：获取多组初始AI代码数据；每组初始AI代码数据分别包括缺陷数据和对应的修复数据；对多组初始AI代码数据进行变异处理；每组变异AI代码数据包括变异缺陷数据和对应的变异修复数据；对多组初始AI代码数据和多组变异AI代码数据分别进行去重和上下文提取处理，得到多组AI代码片段；依据CWE标准对多组AI代码片段进行分类和标注，得到多组结构化的AI代码片段；对多组结构化的AI代码片段进行预处理，以使多组结构化的AI代码数据对应的数据格式一致；将预处理后的每组结构化的AI代码片段，分别生成思维链数据，得到AI代码数据集。

公开(公告)号：CN119884735A

公开(公告)日：2025-04-25

申请号：CN202411850129.1

申请日：2024-12-16

Applicant: 北京控制工程研究所 ,  北京邮电大学

Inventor： 乔磊 ,  王华伟 ,  张潇锐 ,  张华 ,  蔡正华 ,  沈宗亮 ,  刘振岩

IPC: G06F18/214 ,  G06F18/213 ,  G06F18/2111 ,  G06F18/2433 ,  G06F18/20 ,  G06F21/56 ,  G06F21/14

Abstract: 本申请提供了一种AI算法的后门攻击样本生成方法、装置及相关设备，该方法包括：获取样本程序，对所述样本程序进行特征提取，得到特征集；根据SHAP模型对所述特征集进行置信度计算，根据置信度计算结果在所述特征集中确定至少两个特征区域；根据设定策略对所述至少两个特征区域进行初始化，得到初始后门特征；在所述特征集的基础上，利用遗传算法对所述初始后门特征进行优化，得到目标后门特征；将所述目标后门特征反编译回所述样本程序，生成攻击样本。

公开(公告)号：CN117915401A

公开(公告)日：2024-04-19

申请号：CN202311733412.1

申请日：2023-12-15

Applicant: 北京邮电大学

Inventor： 范文浩 ,  乔磊 ,  刘元安 ,  王冠 ,  吴帆 ,  唐碧华

IPC: H04W28/08 ,  H04W28/06 ,  G06N3/092

Abstract: 本发明公开了一种WiFi‑蜂窝异构网络中边缘计算系统的任务卸载和资源分配方法，包括网络控制器感知当前任务信息、无线环境信息和计算资源信息，并将相关信息传输到网络控制器的算法模型当中，计算出蜂窝网络发射功率控制、任务卸载和计算资源分配策略；网络控制器向终端设备发送任务卸载决策和发射功率控制指令，终端设备收到相关指令，将任务切分多个子任务并同时卸载到多个计算节点；网络控制器向各计算节点发送计算资源分配策略信息，各计算节点按照接收到的策略信息对子任务计算处理，并把计算结果返回到终端。本发明利用数值算法联合强化学习算法以极低时间复杂度优化了任务卸载和资源分配，提升了系统执行效率和用户体验。

公开(公告)号：CN119990306A

公开(公告)日：2025-05-13

申请号：CN202411892485.X

申请日：2024-12-20

Applicant: 北京邮电大学 ,  北京控制工程研究所

Inventor： 张华 ,  张劼 ,  程晓怡 ,  刘振岩 ,  沈宗亮 ,  徐艳新 ,  乔磊 ,  王华伟 ,  王永吉 ,  王稼慧

IPC: G06N5/04 ,  G06N20/00 ,  G06F21/60 ,  G06F21/62

Abstract: 本公开提供一种数据异构联邦学习模型推理方法及相关装置，包括：确定待推理数据，基于待推理数据进行特征提取，得到第一特征图，对第一特征图进行加密，得到第一加密特征图，并传输至至少一个第二客户端，以使至少一个第二客户端生成第一加密查询距离，接收至少一个第二客户端发送的至少一个第一加密查询距离，并构建查询数据点集合，对第一加密查询距离进行解密，得到至少一个解密查询距离，基于至少一个解密查询距离对查询数据点集合进行选取，得到至少一个近邻数据点，对至少一个近邻数据点进行置信度计算，得到推理结果。本公开构建隐私保护的特征图查询机制，在保护数据特征隐私的前提下增强模型推理能力，降低全局模型重新训练的需求。

公开(公告)号：CN119940475A

公开(公告)日：2025-05-06

申请号：CN202411851758.6

申请日：2024-12-16

Applicant: 北京邮电大学 ,  北京控制工程研究所

Inventor： 张华 ,  高平昊 ,  刘振岩 ,  乔磊 ,  刘晨璐 ,  王华伟 ,  沈宗亮 ,  王永吉 ,  徐艳新 ,  王稼慧 ,  田梓安 ,  兰晨曦

IPC: G06N3/098 ,  G06N3/096 ,  G06N5/04 ,  G06V10/82 ,  G06V10/764

Abstract: 一种利用高阶子模型辅助训练的联邦学习方法及装置，该方法通过集成多高阶子模型的决策信息，增强低阶子模型的推理准确率；低阶子模型可以借助高阶子模型的决策信息和基于特征距离的最高阶子模型的量化矩阵辅助训练，提高训练效果；通过降低目标类别置信度的目标损失(信息熵)优化低阶子模型，避免了传统自蒸馏中再次拟合高阶子模型的目标类别置信度引起的信息偏移问题；利用对比学习统一各级子模型的特征维度，构建基于特征距离的最高阶子模型的量化矩阵作为监督信息，通过最小化低阶子模型与最高阶子模型距离矩阵的分布差异，引导低阶子模型接近最高阶子模型的量化矩阵，指导低阶子模型挖掘不同图像中的语义关系，提高模型的泛化能力。