-
公开(公告)号：CN120068069A
公开(公告)日：2025-05-30
申请号：CN202510008578.X
申请日：2025-01-03
Applicant: 广州大学
IPC: G06F21/56 , G06N3/045 , G06N3/094 , G06N3/0475 , G06F18/243
Abstract: 本发明公开了一种基于先验知识引导对抗训练的APT组织恶意代码防御方法，包括：提取恶意代码标签的分布信息；计算每个标签在数据集中出现的频率，所述频率作为先验知识用于后续的对抗训练；在对抗训练过程中，根据恶意代码标签的分布信息选择更容易误分类的标签作为目标标签，通过加权随机采样技术，按照标签的出现频率来确定目标标签的采样频率，从而针对性地引导对抗样本的生成过程；使用生成对抗网络GAN来生成对抗样本；将生成的对抗样本与原始样本作为训练集进行训练，得到恶意代码检测模型，训练目标是最小化标准损失和对抗损失的加权组合，基于恶意代码检测模型实现对恶意代码攻击的防御。本发明能够提升APT组织恶意代码防御系统的整体检测能力和鲁棒性。
-
公开(公告)号：CN117540232B
公开(公告)日：2025-05-02
申请号：CN202311176802.3
申请日：2023-09-13
Applicant: 广州大学
IPC: G06F18/23213 , G06F18/213 , G06F40/216 , G06N3/042 , G06N3/047 , G06N3/048 , G06N3/084 , G06Q50/00
Abstract: 本发明公开了一种基于上下文路径的在线社交网络用户表示方法及装置，包括：利用用户与网络数据，提取特征并获取节点向量与在线社交网络异质图；构建在线社交网络用户表示模型，在异质图上采用基于上下文路径游走的方式，捕捉异质图中不同节点之间隐藏的高阶关系；利用图编码器处理节点向量并引入注意力机制得到用户节点的向量表示并对用户进行聚类。本发明提供了一种新的网络用户的分类方法，避免了需要专业人员定义元路径的问题和不同长度的上下文路径和关系出现相同的权重问题，能够学习到更为有效的节点向量，提高了模型的鲁棒性。
-
公开(公告)号：CN119337344A
公开(公告)日：2025-01-21
申请号：CN202411206760.8
申请日：2024-08-30
Applicant: 广州大学
IPC: G06F21/16 , G06F40/211 , G06F40/284 , G06F40/216
Abstract: 本发明公开了一种基于大语言模型的Logits生成期间文本水印嵌入方法，包括：依存句法分析对大模型已生成文本tl‑1进行分析，构建已生成文本tl‑1的依存句法树，依据依存句法关系的得分排序，选择添加偏置的Logits；生成候选词列表，计算每个依存类型对应的概率分布并调整候选词表的选择概率，从候选词表中按照设定规则选择在关键位置采样生成词汇，获取嵌入水印文本；所述候选词表包括第一列表和第二列表，第一列表的选择概率高于第二列表；提取嵌入水印文本中待检片段，对文本水印进行检测，输出检测结果。本发明弥补了对已生成文本加水印防攻击能力不足的问题，同时也解决了当前基于大模型生成Logits期间的水印方法文本质量与长文本计算量大的问题。
-
公开(公告)号：CN119336901A
公开(公告)日：2025-01-21
申请号：CN202411206780.5
申请日：2024-08-30
Applicant: 广州大学
IPC: G06F16/34 , G06F16/353 , G06F40/284 , G06F40/216 , G06F18/2321 , G06F18/2415
Abstract: 本发明公开了一种基于动态聚类和词嵌入增强的短文本主题建模方法，首先通过收集短文本数据得到短文本流；再使用FastStream聚类方法对短文本流进行聚类并根据聚类结果构建伪文档；然后利用大型语料库预训练的词嵌入模型形成词嵌入矩阵和词共现矩阵；随后用狄利克雷分布建模伪文档的主题分布及其词分布得到主题模型；接着在伪文档上使用吉布斯采样方法对主题模型进行训练，更新伪文档中每个词的主题分配和伪文档的主题分布参数，直到主题模型收敛；最后获取新的短文本进行主题推断得到主题分布。本发明利用FastStream聚类技术和词嵌入技术的结合，通过创建伪文档视图和增强词嵌入来有效提升短文本数据的主题建模性能。
-
公开(公告)号：CN119232569A
公开(公告)日：2024-12-31
申请号：CN202411206756.1
申请日：2024-08-30
Applicant: 广州大学
IPC: H04L41/08 , H04L41/0894 , H04L41/0895 , H04L41/069 , H04L41/0659 , H04L41/16 , H04L9/40 , G06N3/042 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种云环境下基于生成对抗模仿学习的自动化渗透方法及系统，方法包括：通过Exploit开源工具、Metasploit开源渗透工具，存储使用强化学习模型渗透靶机成功时执行动作‑状态对，以构建渗透专家知识库；将专家知识库中的内容输入模仿学习框架中的判别器进行训练；使用模仿学习框架训练后判别器输出的动作，这些动作可用于自动化渗透指定主机；通过容器化与编排将整个自动化渗透框架部署到云环境中模拟外网攻击。本发明在云环境中进行模仿学习，能够高效利用资源，同时通过增强GAIL网络和渗透测试工具容器化，能够自动调整容器资源分配，从而提高整体性能并优化资源使用和响应时间。
-
Patent Agency Ranking
公开(公告)号：CN117688347B
公开(公告)日：2024-08-06
申请号：CN202311620495.3
申请日：2023-11-30
Applicant: 广州大学
IPC: G06F18/21 , G06F18/214 , G06F18/15 , G06N3/04 , G06Q50/00
Abstract: 本发明公开了一种基于深度学习的社交网络影响力最大化传播效果评估方法，首先基于网络拓扑、用户行为及传播途径构建社交网络信息传播效果的评估指标体系；然后采集不同事件数据进行标注作为样本数据集，进行数据清洗及数据增强得到指标体系数据集；使用赋权法进行特征选择及计算获取三级指标特征值构成特征向量；构建评估模型，对特征向量进行归一化处理后输入残差神经网络中进行训练和学习得到三级指标得分；使用加权平均法进行聚合计算得到某事件在某时间节点下信息传播效果的预测得分；最后计算实际得分并与预测得分进行作差，得到的差值作为对社交网络影响力最大化传播效果的评估结果。本方法可以提高结果的准确性和代表性，确保评估可靠性。
-
公开(公告)号：CN118378250A
公开(公告)日：2024-07-23
申请号：CN202410546130.9
申请日：2024-05-06
Applicant: 广州大学
IPC: G06F21/56 , G06N3/0475 , G06N3/094 , G06N3/086 , G06F18/24
Abstract: 本发明公开了一种针对Windows恶意软件检测器的对抗样本生成方法及装置，包括：向良性软件中添加恶意代码，具体为：读取良性软件的PE结构，获取填充区间的地址与大小；在恶意代码中添加跳转命令和可扰动字节形成注入代码，并计算注入代码的长度；根据所述注入代码的长度和填充区间的大小，选择是否扩大填充区间；选择其中一个填充区间填充注入代码，当无法利用当前填充区间生成对抗样本时，进行添加扰动；所述添加扰动，具体为：利用遗传算法对可扰动字节进行更新；并检查对抗样本是否造成误分类时。本发明通过向良性软件中添加代码，由此产生对抗样本；并使用遗传算法添加扰动，使得算法能够适当地探索可行解的空间。
-
公开(公告)号：CN118038244A
公开(公告)日：2024-05-14
申请号：CN202410346158.8
申请日：2024-03-25
Applicant: 广州大学
IPC: G06V10/82 , G06V10/764 , G06V20/64 , G06V10/422 , G06N3/0455 , G06N3/0475 , G06N3/094
Abstract: 本发明提供了一种基于流形约束的点云对抗攻击方法，属于机器人视觉领域，该方法包括：根据输入的原始点云与预设原参数形状，训练得到双向流形自编码器；使用点扰动攻击方法对原始点云进行攻击获得对抗点云，计算得到点云的对抗损失和形变损失；所述对抗点云逆向输入可逆解码器，获得对抗样本参数形状；根据原参数形状与对抗样本参数形状，计算获得对应的点云的流形约束损失；根据对抗损失、形变损失与流形约束损失，构建优化目标函数；经过多轮攻击迭代优化，根据优化目标函数计算得到不可察觉的对抗性扰动；根据不可察觉的对抗性扰动生成对应的点扰动对抗样本。通过实施本发明，可以生成不可防御性强、攻击可迁移性高的点扰动对抗性点云。
-
公开(公告)号：CN114036503B
公开(公告)日：2024-04-30
申请号：CN202111265538.1
申请日：2021-10-28
Applicant: 广州大学
Abstract: 本申请公开了一种迁移攻击方法、装置、电子设备及存储介质，所述方法包括：将原始图像在预设网络模型中传播的每一层输出与所述原始图像对应的初始对抗样本在所述预设网络模型中传播的每一层输出一一对应，获取每一层输出的差值的二范式；根据所述每一层输出的差值的二范式，计算所述初始对抗样本的李雅普诺夫指数；基于所述李雅普诺夫指数，以及所述预设网络模型的损失函数，确定所述初始对抗样本对应的目标函数；基于所述目标函数对所述预设网络模型进行反向传播，以得到原始图像对应的对抗样本。本申请能够稳定生成高迁移性的对抗样本。
-
公开(公告)号：CN117688347A
公开(公告)日：2024-03-12
申请号：CN202311620495.3
申请日：2023-11-30
Applicant: 广州大学
IPC: G06F18/21 , G06F18/214 , G06F18/15 , G06N3/04 , G06Q50/00
Abstract: 本发明公开了一种基于深度学习的社交网络影响力最大化传播效果评估方法，首先基于网络拓扑、用户行为及传播途径构建社交网络信息传播效果的评估指标体系；然后采集不同事件数据进行标注作为样本数据集，进行数据清洗及数据增强得到指标体系数据集；使用赋权法进行特征选择及计算获取三级指标特征值构成特征向量；构建评估模型，对特征向量进行归一化处理后输入残差神经网络中进行训练和学习得到三级指标得分；使用加权平均法进行聚合计算得到某事件在某时间节点下信息传播效果的预测得分；最后计算实际得分并与预测得分进行作差，得到的差值作为对社交网络影响力最大化传播效果的评估结果。本方法可以提高结果的准确性和代表性，确保评估可靠性。
-
-
-
-
-
-
-
-
-
Search Results
221
records
(took 0.031 seconds)
