-
公开(公告)号：CN119602982A
公开(公告)日：2025-03-11
申请号：CN202411438072.4
申请日：2024-10-15
Applicant: 桂林电子科技大学
IPC: H04L9/40 , H04L67/12 , G06N3/0442 , G06N3/045
Abstract: 本发明涉及物联网安全技术领域，具体涉及一种基于BiAPRN的工业物联网攻击预测方法，首先引入了一种改进的单门结构门控递归单元模型，该模型通过自注意机制和损失补偿机制显著提高了模型的性能。随后构建一种新的双向注意力简约递归网络(BiAPRN)神经网络模型。BiAPRN通过将前向和后向aprn的线性组合相结合，有效地提取数据特征，更深入地挖掘时间序列的相关性，显著降低了预测误差。最后，通过BiAPRN模型获得一个工业物联网攻击预测框架，使用训练好的BiAPRN模型进行攻击预测，实现准确、高效的工业物联网攻击预测。
-
公开(公告)号：CN116545730A
公开(公告)日：2023-08-04
申请号：CN202310616009.4
申请日：2023-05-29
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: H04L9/40 , G06N3/044 , G06N3/0895
Abstract: 本发明公开了一种物联网环境中基于DEPMU的流量异常检测方发法，其特征在于，包括如下步骤：1）数据采集；2）获得训练好的DEPMU模型；3）获得检测结果；4）验证TAG‑Net模型性能。这种方法能实时监控网络的异常状态，实现高效、精确物联网中的网络流量异常检测。
-
公开(公告)号：CN114153382A
公开(公告)日：2022-03-08
申请号：CN202111302542.0
申请日：2021-11-04
Applicant: 桂林电子科技大学
Abstract: 本发明属于云存储技术领域，公开了一种云存储中支持数据可验证删除的高效数据迁移方法、系统，完成数据拥有者在系统中的注册，并生成相关参数和公私钥对；实现外包数据加密，防止数据拥有者的隐私信息泄露；数据拥有者将外包数据集上传到云A，并删除相应的本地备份；数据拥有者更换云服务提供商，并安全地将外包数据从云A迁移到云B；外包数据迁移成功后，数据拥有者将云A上已被迁移的外包数据块永久性删除。本发明不依赖任何第三方，有效地避免了现有解决方案因第三方单点失效而导致的服务中断、隐私泄露等问题。通过形式化的安全性分析，证明了本发明能够满足所有预期的安全需求；实验结果表明本发明在实际应用中具有很高的实用性和普适性。
-
公开(公告)号：CN119155086A
公开(公告)日：2024-12-17
申请号：CN202411261680.2
申请日：2024-09-10
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: H04L9/40 , G06N3/0464 , G06N3/045 , G06N3/0442
Abstract: 本发明属于工业物联网、深度学习与网络态势预测交叉领域，提出了一种能够主动且有效预测工业物联网环境中恶意流量的创新方案。该方案提出了一种基于线性门控未来预测网络(LGF‑Net)的新型网络态势预测方法。具体而言，该模型融合了U‑Net和ResNet的优势，显著提升了网络态势预测的性能。LGF‑Net模型在两个关键方面加强了传统的深度学习网络：首先，它通过多层次结构有效捕捉了时间序列中的内在相关性；其次，它引入了信息补偿机制，极大地减少了学习过程中的信息损失。这些改进大幅增强了模型捕捉要素间相关性的能力，使其能够利用多层次历史数据准确预测未来的网络安全状况。此外，该研究还通过理论复杂性分析评估了所提方法的计算效率。最后，大量实验结果表明，与现有方法相比，该方法在多个性能指标上都具有显著优势。
-
公开(公告)号：CN115021973B
公开(公告)日：2024-04-05
申请号：CN202210511954.3
申请日：2022-05-11
Applicant: 桂林电子科技大学
IPC: H04L9/40 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及入侵检测技术领域，具体涉及一种基于SGRU的新型入侵检测方法，通过改进GRU设计一种新的名为SGRU的神经网络模型，使用数据集对基于SGRU的入侵检测模型进行训练，最后使用训练好的入侵检测模型进行入侵检测，获得检测结果。SGRU神经网络模型通过数据的时间序列关系来表征学习数据，并利用损失补偿的方式缓解非线性变换导致的特征信息丢失，解决了现有的神经网络大多不能有效地处理高维时间序列数据的问题，提高了入侵检测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN114153382B
公开(公告)日：2023-09-26
申请号：CN202111302542.0
申请日：2021-11-04
Applicant: 桂林电子科技大学
Abstract: 本发明属于云存储技术领域，公开了一种云存储中支持数据可验证删除的高效数据迁移方法、系统，完成数据拥有者在系统中的注册，并生成相关参数和公私钥对；实现外包数据加密，防止数据拥有者的隐私信息泄露；数据拥有者将外包数据集上传到云A，并删除相应的本地备份；数据拥有者更换云服务提供商，并安全地将外包数据从云A迁移到云B；外包数据迁移成功后，数据拥有者将云A上已被迁移的外包数据块永久性删除。本发明不依赖任何第三方，有效地避免了现有解决方案因第三方单点失效而导致的服务中断、隐私泄露等问题。通过形式化的安全性分析，证明了本发明能够满足所有预期的安全需求；实验结果表明本发明在实际应用中具有很高的实用性和普适性。
-
公开(公告)号：CN111832073B
公开(公告)日：2023-07-18
申请号：CN202010637582.X
申请日：2020-07-05
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种云环境中支持外包数据动态插入的确定性删除方法，获取两个公私钥对，并得到外包文件的唯一的文件名；利用获取的私钥和文件名计算加密密钥并对所述外包文件加密，此后随机地插入获取的多个数据块，并将得到的数据集和所述文件名上传至云服务器，同时根据所述云服务器返回的存储证据和辅助验证信息，验证所述外包文件的存储结果，根据需要插入或删除的数据块的叶子节点序号、文件名和对应的时间戳，将得到的数据插入命令和第一数据块上传至云服务器，将所述第一数据块插入指定位置，并将得到的数据删除命令上传至云服务器，从所述外包文件中删除第二数据块，本发明提供的方法可以同时支持外包数据的动态插入和安全删除操作。
-
公开(公告)号：CN113780382A
公开(公告)日：2021-12-10
申请号：CN202110999372.X
申请日：2021-08-29
Applicant: 桂林电子科技大学
Abstract: 本发明涉及通信控制领域，具体涉及一种基于AE和PMU的高效网络安全态势评估方法，包括初始化训练数据集和测试数据集；基于训练维度使用AE从训练数据集中提取训练态势评估要素；基于测试维度使用AE从测试数据集中提取测试态势评估要素；基于训练周期将训练态势评估要素输入到基于PMU的NSSA训练模型中进行训练，得到PMU模型；将测试态势评估要素输入PMU训练模型中得到评估态势值用以验证模型的有效性。使用AE进行数据降维以去除冗余数据，然后利用PMU提高模型的性能，与现有方法相比，我们提出的方法在效率、精度和拟合度上具有显著优势。
-
公开(公告)号：CN119520520A
公开(公告)日：2025-02-25
申请号：CN202411730890.1
申请日：2024-11-29
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: H04L67/10 , H04L67/1095 , H04L67/1097 , H04L9/00 , H04L67/1042
Abstract: 本发明涉及一种区块链交易分片方案，该方案旨在通过解决高跨片交易比率和跨片交易验证延迟的挑战来优化区块链性能。本发明提出了一种基于交易特征的区块链分层分片方法，通过智能分配跨不同分片的交易，战略性地降低了跨片交易比率。算法利用区块链内的历史交易数据，根据账户间的交易特征预测并优化分片分布。这种预测方法允许显著减少需要在不同分片间进行的交易数量。通过区分常规分片和桥接分片，算法有效地重新分配交易，以最小化跨片交互并最大化片内处理。实验结果表明，本算法优于随机分片算法，通过降低跨分片交易比率和交易延迟，同时增加桥接分片的验证的跨分片交易比例。这些改进共同提高了区块链系统的整体效率和性能，从而为常规分片技术面临的可扩展性挑战提供了一种强有力的解决方案。
-
公开(公告)号：CN119337970A
公开(公告)日：2025-01-21
申请号：CN202411463865.1
申请日：2024-10-18
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06N3/098 , G06N3/096 , G06N3/082 , G06N3/0455 , G06F21/62
Abstract: 本发明涉及本地差分隐私和迁移学习领域，具体是一种利用基于参数共享的迁移学习和PM扰动机制来实现联邦学习隐私保护的方案。该方案能够实现联邦学习过程中的隐私保护，同时对客户端的骨干模型进行迁移、剪枝，在确保模型精度不降低的情况下大大减少了训练的通信开销。首先，针对深度学习模型的复杂性和资源密集性导致通信开销大的问题，我们利用迁移学习的思想，允许多个客户端之间共享一部分模型参数，这些模型参数形成共享编码器并将其冻结，不参与联邦学习聚合过程。剩余的网络层组成预测器，对预测器进行剪枝，更新剪枝后的预测器，最后将被剪枝部分恢复为训练前的模型参数。针对FL中存在的隐私泄漏问题，客户端可以根据自己的隐私保护需求，设定一个整体的隐私预算，并采用一种动态的隐私预算分配方法分配每轮训练的隐私预算，用这个隐私预算对恢复后的预测器通过分段机制进行分段扰动，客户端将扰动后的预测器上传给中央服务器，服务器对接收到的预测器通过FedAvg算法聚合后广播给客户端，以进行下一轮训练。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.022 seconds)
