-
公开(公告)号：CN114301667B
公开(公告)日：2024-01-30
申请号：CN202111617202.7
申请日：2021-12-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于WGAN动态惩罚的网络安全不平衡数据集分析方法，针对不平衡数据集中的少类样本构建WGAN模型。在判别器损失函数中添加一项惩罚项，约束损失函数的梯度范数，惩罚项在真实数据分布上叠加一个随机分布作为过渡分布，惩罚项的系数为真实分布与生成分布之间的均方距离。在模型训练过程中，两个数据分布之间的均方距离不断变化，即对判别器损失函数的惩罚是动态更新的，有助于提高模型训练的稳定性和效率。本发明提出的基于WGAN动态惩罚的网络安全不平衡数据集分析方法，通过生成大量少类样本，与原始样本融合，实现数据集的平衡。在基于浅层机器学习算法对数据分类时，实现对原始少类数据的高效正确检测。
-
公开(公告)号：CN113868647B
公开(公告)日：2025-02-28
申请号：CN202111033151.3
申请日：2021-09-03
Applicant: 杭州电子科技大学
IPC: G06F21/56 , G06N3/0464 , G06F18/214 , G06F18/2411 , G06F18/2415
Abstract: 本发明公开了一种基于特征扩展CNN的网络未知威胁检测方法，针对很多网络未知威胁与已知威胁源自于同一家族，表现为样本特征相似的特点构建特征扩展CNN模型，首先在CNN网络每一层对原始数据卷积操作，得到原生特征图；再对原生特征图进行线性随机操作，得到扩展特征图；最后两者合并，得到原始数据的扩展重构数据，其维度低于原始数据的维度，实现数据的降维扩展重构。再基于浅层机器学习算法构建安全数据分类模型，实现对网络安全大数据中的未知威胁的检测。本发明提出的基于特征扩展CNN的网络未知威胁检测方法，生成的扩展重构特征，不仅实现了降维，还扩展了未知威胁的数据表征，实现了未知威胁高精准的检测，还降低了计算复杂度。
-
公开(公告)号：CN113537313B
公开(公告)日：2024-02-27
申请号：CN202110736686.0
申请日：2021-06-30
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/21 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于WGAN训练收敛的不平衡数据集分析方法，针对不平衡数据集中的少类样本构建包含生成器和判别器的WGAN模型。生成器生成数据，再利用判别器对生成的新数据和原始数据进行判断，进而将判别结果以代价的形式反馈给生成器，使生成器生成与原始数据更相近的新数据。在WGAN模型训练过程中，生成器和判别器交替训练，每一轮以判别器的代价函数收敛作为生成器和判别器训练平衡的纳什均衡点，指导生成器和判别器的训练更替。本发明提出的基于WGAN训练收敛的不平衡数据集分析方法，可以通过生成大量少类样本，与原始样本融合，实现数据集的平衡，当基于浅层机器学习算法对数据分类时，实现对原始少类数据的高效正确检测。
-
公开(公告)号：CN114301667A
公开(公告)日：2022-04-08
申请号：CN202111617202.7
申请日：2021-12-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于WGAN动态惩罚的网络安全不平衡数据集分析方法，针对不平衡数据集中的少类样本构建WGAN模型。在判别器损失函数中添加一项惩罚项，约束损失函数的梯度范数，惩罚项在真实数据分布上叠加一个随机分布作为过渡分布，惩罚项的系数为真实分布与生成分布之间的均方距离。在模型训练过程中，两个数据分布之间的均方距离不断变化，即对判别器损失函数的惩罚是动态更新的，有助于提高模型训练的稳定性和效率。本发明提出的基于WGAN动态惩罚的网络安全不平衡数据集分析方法，通过生成大量少类样本，与原始样本融合，实现数据集的平衡。在基于浅层机器学习算法对数据分类时，实现对原始少类数据的高效正确检测。
-
Patent Agency Ranking
公开(公告)号：CN113537313A
公开(公告)日：2021-10-22
申请号：CN202110736686.0
申请日：2021-06-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于WGAN训练收敛的不平衡数据集分析方法，针对不平衡数据集中的少类样本构建包含生成器和判别器的WGAN模型。生成器生成数据，再利用判别器对生成的新数据和原始数据进行判断，进而将判别结果以代价的形式反馈给生成器，使生成器生成与原始数据更相近的新数据。在WGAN模型训练过程中，生成器和判别器交替训练，每一轮以判别器的代价函数收敛作为生成器和判别器训练平衡的纳什均衡点，指导生成器和判别器的训练更替。本发明提出的基于WGAN训练收敛的不平衡数据集分析方法，可以通过生成大量少类样本，与原始样本融合，实现数据集的平衡，当基于浅层机器学习算法对数据分类时，实现对原始少类数据的高效正确检测。
-
公开(公告)号：CN112488149B
公开(公告)日：2024-02-27
申请号：CN202011209655.1
申请日：2020-11-03
Applicant: 杭州电子科技大学
IPC: G06F18/241 , G06F18/213 , G06N3/0464 , G06N3/082 , G06N3/048 , G06N3/0499
Abstract: 本发明公开了一种基于1D‑CNN特征重构的网络安全数据分类方法，包括模型的构建与训练优化，具体为首先利用特征之间的相关性矩阵构建1D‑CNN深层学习模型，通过卷积、池化和全连接的全局卷积操作，生成低维的重构特征，完成数据的降维重构。再利用传统的浅层机器学习算法构建安全数据分类模型，实现对网络安全大数据中的威胁行为检测。本发明提出的基于1D‑CNN的特征重构方法，可以控制重构特征的维度，实现数据降维，不仅简化了深度学习的运算过程，还提高了模型的运算效率，在卷积层中利用特征之间的相关性，提高了重构特征之间的关联性，使分类结果更加准确。
-
公开(公告)号：CN113868647A
公开(公告)日：2021-12-31
申请号：CN202111033151.3
申请日：2021-09-03
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于特征扩展CNN的网络未知威胁检测方法，针对很多网络未知威胁与已知威胁源自于同一家族，表现为样本特征相似的特点构建特征扩展CNN模型，首先在CNN网络每一层对原始数据卷积操作，得到原生特征图；再对原生特征图进行线性随机操作，得到扩展特征图；最后两者合并，得到原始数据的扩展重构数据，其维度低于原始数据的维度，实现数据的降维扩展重构。再基于浅层机器学习算法构建安全数据分类模型，实现对网络安全大数据中的未知威胁的检测。本发明提出的基于特征扩展CNN的网络未知威胁检测方法，生成的扩展重构特征，不仅实现了降维，还扩展了未知威胁的数据表征，实现了未知威胁高精准的检测，还降低了计算复杂度。
-
公开(公告)号：CN113239949A
公开(公告)日：2021-08-10
申请号：CN202110276693.7
申请日：2021-03-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于1D分组卷积神经网络的数据重构方法。该方法数据分组、模型的构建与训练优化以及数据重构。计算数据特征之间的相关性并降序排列，然后依据相关性对数据进行分组，输入分组卷积神经网络中进行分组运算，再通过全连接层的全局卷积操作和拼接层的特征拼接，输出重构特征，实现任意维度的特征重构。得到的重构特征维度降低，并且模型的空间复杂度和时间复杂度都有所下降，因此可以减少时间，降低内存资源占用。本方法，在分组时利用了特征之间的相关性，提高了重构特征之间的相关性；通过对数据分组，可以控制重构特征的维度，实现数据降维，不仅简化了深度学习的运算过程，还提高了模型的运算效率。
-
公开(公告)号：CN112488149A
公开(公告)日：2021-03-12
申请号：CN202011209655.1
申请日：2020-11-03
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于1D‑CNN特征重构的网络安全数据分类方法，包括模型的构建与训练优化，具体为首先利用特征之间的相关性矩阵构建1D‑CNN深层学习模型，通过卷积、池化和全连接的全局卷积操作，生成低维的重构特征，完成数据的降维重构。再利用传统的浅层机器学习算法构建安全数据分类模型，实现对网络安全大数据中的威胁行为检测。本发明提出的基于1D‑CNN的特征重构方法，可以控制重构特征的维度，实现数据降维，不仅简化了深度学习的运算过程，还提高了模型的运算效率，在卷积层中利用特征之间的相关性，提高了重构特征之间的关联性，使分类结果更加准确。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.017 seconds)
