公开(公告)号：CN118734210A

公开(公告)日：2024-10-01

申请号：CN202410708885.4

申请日：2024-06-03

Applicant: 无锡学院

Inventor： 刘苗 ,  陈逸阳 ,  刘洋洋 ,  柳龙玺 ,  谷越

IPC: G06F18/2433 ,  H04L43/0876 ,  G06F18/213 ,  G06F18/25 ,  G06F18/22 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0499 ,  G06N3/048 ,  G06N3/084 ,  G06N3/098

Abstract: 本发明涉及一种基于图神经网络的动态权重联邦学习异常检测方法，包括：基于图神经网络构建异常检测模型并分发至客户端，其中，异常检测模型通过图神经网络构建；客户端基于本地数据对异常检测模型进行训练，获取客户端模型并发送至服务器端，服务器端基于客户端模型结合余弦相似度量化方法对客户端动态分发权重；获取数据集并分发给客户端模型，获取客户端异常检测结果；基于客户端异常检测结果和客户端的权重更新全局模型，对更新后的全局模型进行聚合，获取最终异常检测模型；基于最终异常检测模型进行流量异常检测，获取异常检测结果。本发明在保护数据隐私的前提下能够有效处理图结构数据和时间序列数据，并在联邦学习框架下实现良好的性能。

公开(公告)号：CN119652592A

公开(公告)日：2025-03-18

申请号：CN202411768344.7

申请日：2024-12-04

Applicant: 无锡学院

Inventor： 刘苗 ,  谷越 ,  孙振兴 ,  滕秀明 ,  宋千喜

IPC: H04L9/40 ,  H04L67/12 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/0985

Abstract: 本发明涉及基于多向投影特征增强和负增益聚合的物联网安全方法，包括：S1、云服务器建立与边缘客户端的通信链路，并对边缘客户端部署负增益聚合超参数；S2、边缘客户端从云服务器接收当前全局模型，边缘客户端通过特征增强对当前全局模型进行本地模型训练，训练完成后上传局部模型；S3、边缘客户端计算参数适配度，并传输至云服务器；S4、云服务器根据参数适配度和负增益聚合超参数对局部模型进行聚合，获取新的全局模型；S5、边缘客户端接收新的全局模型，返回S2通过特征增强对新的全局模型进行下一轮本地训练。本发明通过特征增强和负增益聚合技术在保护隐私的同时提升系统的整体效能。