-
公开(公告)号：CN113556319B
公开(公告)日：2022-09-30
申请号：CN202110652571.3
申请日：2021-06-11
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种物联网下基于长短期记忆自编码分类器的入侵检测方法，深度学习是实现入侵检测的一种有效的方式，但是传统的简单单一的深度学习模型如CNN和RNN在面对日益复杂的网络数据和网络攻击时检测能力十分有限。因此为了进一步提高模型的检测精度和效率，将无监督学习自编码器加入其中，利用其强悍的特征提取能力对数据非线性降维，再将长短期记忆模型和自编码器相结合，充分结合了这两个模型基于时间序列和非线性降维的特点，对网络流量进行检测。经过对比试验证明，长短期记忆自编码分类器在检测精度上优于BGRU、BLSTM和门控循环单元自编码分类器。
-
公开(公告)号：CN113438239A
公开(公告)日：2021-09-24
申请号：CN202110711741.0
申请日：2021-06-25
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度k近邻的网络攻击检测方法及装置，构建用于网络攻击检测的深度网络模型，采用训练样本数据训练深度网络模型，得到训练完成的深度网络模型，将训练样本数据输入到训练完成的深度网络模型中，获取训练样本数据在深度网络模型每一层的输出，并将校正样本数据输入到训练完成的深度网络模型，计算得到校正样本数据对应的距离特征之和组成数据集，然后将待检测数据输入到训练完成的深度网络模型，结合DkNN分析，来得到预测结果。本发明技术方案具有了良好的鲁棒性，得到了预测分类结果的更加准确的可信度。
-
公开(公告)号：CN112491891A
公开(公告)日：2021-03-12
申请号：CN202011363721.0
申请日：2020-11-27
Applicant: 杭州电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明公开了一种物联网环境下基于混合深度学习的网络攻击检测方法，随着物联网的高速发展，网络攻击愈发多样化与智能化，面对多样的网络攻击，基于传统机器学习的方法无法满足复杂的网络攻击，单一深度学习模型检测性能也不尽人意。本发明在现有的单一深度学习模型基础上，构建混合深度学习模型，之后对模型进行编译，再利用混合深度学习模型和单一深度学习模型进行对比实验，使用公开的网络入侵检测数据集的训练数据对模型进行训练，再将训练后的模型对测试集进行测试检测，最后对各个模型的检测结果进行评估，对比分析评估数据，得出混合深度学习可以有效提高对网络攻击的检测性能的结论。
-
公开(公告)号：CN115499219A
公开(公告)日：2022-12-20
申请号：CN202211138498.9
申请日：2022-09-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于深度度量学习的网络攻击检测方法，构建了基于多尺度CNN模型与Triple network模型混合的深度度量学习模型。其中多尺度CNN模型主要实现系统对数据样本的多尺度特征检测。Triple network模型主要实现对三元组样本的空间映射，用于量化三元组样本之间的相似度。采用soft‑margin triple loss作为度量损失函数，利用公开数据集来训练入侵检测模型。基于深度度量学习的入侵检测系统对数据特征进行提取，实验结果表明，本方法相对于传统的机器学习和度量学习，降低了人工投入成本，得到更优秀的检测效果。
-
公开(公告)号：CN112653751B
公开(公告)日：2022-05-13
申请号：CN202011503520.6
申请日：2020-12-18
Applicant: 杭州电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明公开了一种物联网环境下基于多层极限学习机的分布式入侵检测方法，由于相关设备的资源受约束的特性，用于实现自动攻击检测的这类计算较重的任务，都要移到边界设备上，以便让处理功能靠近数据源。这些边界设备能运行预置的分类模型。但当面对大量的训练数据时，却没有足够的存储和处理能力来构造和升级这类模型。为解决这一问题，本发明将计算密集和存储量大的训练运算移到云服务器中进行，构建并在云服务器中训练单隐藏层极限学习机和多隐藏层极限学习机模型，以让边界设备基于云服务器中预置的深度学习模型来执行流量分类，从而分类出是正常流量还是网络攻击，并通过实验分析得出多隐藏层极限学习机拥有更好的性能。
-
Patent Agency Ranking
公开(公告)号：CN113556328A
公开(公告)日：2021-10-26
申请号：CN202110736516.2
申请日：2021-06-30
Applicant: 杭州电子科技大学
IPC: H04L29/06 , H04L12/851 , G06N3/08 , G06N3/04 , G06K9/62
Abstract: 本发明公开了基于深度学习的加密流量分类方法，涉及到流量分类和深度学习领域。本发明旨在研究加密流量与流量的时空序列间潜在的关系，设计了GRU、LSTM、BiGRU、和BiLSTM四类对时序分类效果较好的RNN模型来对加密流量进行分类。为了进一步提升实验结论的可靠性，设计了一个CNN模型用于对比。经过多个模型对比之后，我们发现四类RNN模型中，除GRU模型性能略差一点外，其余三项RNN模型分类效果相差无几；CNN模型在本次实验中的各项性能表现都非常不错，并且运行时间是五个模型中最短的一个。
-
公开(公告)号：CN115001653B
公开(公告)日：2025-04-22
申请号：CN202210593079.8
申请日：2022-05-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于格的属性基加密外包解密方法。针对现有密钥策略属性基加密KP‑ABE(Key Policy Attribute Based Encryption)方法在解密时存在用户端计算开销大、解密时间长等问题，提出一种基于格的属性基加密外包解密方法。使用一种外包解密的技术将多数解密开销转移到服务器上进行，使得轻量级用户端执行解密操作只需较小的开销。使用同态评估操作将密文转化为短密文，使得轻量级用户端消耗较小的存储空间。相较于基于双线性映射的构造，本方法抗量子攻击，相较于基于LWE的方法具有更好的计算性能，相较于基于格的非解密外包属性基加密方法更适合轻量级用户端。
-
公开(公告)号：CN119484089A
公开(公告)日：2025-02-18
申请号：CN202411605994.X
申请日：2024-11-11
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种个人账单隐私保护记录筛选与金额统计方法，用户将个人账单中涉及到的包括账单金额、收支类别、账单描述、及发生时间等数据，进行同态加密，由用户上传至服务器；再由用户输入账单描述的关键词、账单金额的区间、及发生时间范围三个条件，服务器根据三个条件组成的与/或组合，对密文数据执行若干同态运算的组合，将结果均返回给用户，由用户进行解密恢复查询结果；最后，用户输入所需的收支类别以及发生时间范围，服务器执行同态运算，并将运算结果返回给用户，由用户执行同态解密，计算出总金额，完成金额统计并组合成最终的查询结果。本发明中，服务器只接触账单数据的密文形态，极大地提升了用户个人账单数据的隐私保护水平。
-
公开(公告)号：CN112491891B
公开(公告)日：2022-05-17
申请号：CN202011363721.0
申请日：2020-11-27
Applicant: 杭州电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明公开了一种物联网环境下基于混合深度学习的网络攻击检测方法，随着物联网的高速发展，网络攻击愈发多样化与智能化，面对多样的网络攻击，基于传统机器学习的方法无法满足复杂的网络攻击，单一深度学习模型检测性能也不尽人意。本发明在现有的单一深度学习模型基础上，构建混合深度学习模型，之后对模型进行编译，再利用混合深度学习模型和单一深度学习模型进行对比实验，使用公开的网络入侵检测数据集的训练数据对模型进行训练，再将训练后的模型对测试集进行测试检测，最后对各个模型的检测结果进行评估，对比分析评估数据，得出混合深度学习可以有效提高对网络攻击的检测性能的结论。
-
公开(公告)号：CN113987558B
公开(公告)日：2022-04-01
申请号：CN202111594408.2
申请日：2021-12-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种离线/在线基于格的属性基加密方法。在5G移动网络中多用户数据共享的场景越来越多，利用属性基加密的技术进行用户解密权限的细粒度访问尤为常见，移动设备计算能力较弱，不能够在短时间内完成加密请求的复杂计算。因此，为了提高加密的效率以适用计算能力较弱的轻量级设备。本发明对密钥生成和加密进行预处理操作，分为离线在线两个阶段。生成密钥过程中，离线阶段无需得知属性生成中间密钥，在线阶段根据属性生成对应私钥。加密过程中，离线阶段无需得知消息和访问策略，对加密所需的复杂计算进行预处理，在线阶段获知明文和访问策略后，仅需执行少量简单计算，即可生成密文。本发明相较于基于LWE的方案具有更好的计算性能。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.021 seconds)
