-
公开(公告)号：CN119001772A
公开(公告)日：2024-11-22
申请号：CN202411288375.2
申请日：2024-09-13
Applicant: 桂林电子科技大学
Abstract: 本发明提供了一种基于灰色Verhulst动态模型的周跳探测修复方法，涉及卫星导航周跳信号处理技术领域。包括：输入原始观测数据序列，并将此序列中的每一个值都减去此序列的最小值，以保证得到非负序列，并将此序列作为灰色Verhulst模型的原始数据序列；设定灰色Verhulst动态模型的滑动窗口，对原始数据序列进行灰色Verhulst建模，计算每个历元的预测值以及原始观测数据序列的标准差；在滑动结束后获得的所有预测值序列组成矩阵，将对角矩阵每列的非0元素求均值即可得到模型最终的预测值序列；将预测值加上序列的最小值得到此历元的还原预测值，将还原预测序列与原始观测数据序列进行比较，若其差大于原始观测数据序列的M标准差，则判断发生周跳，用还原预测值进行修复。
-
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。
-
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：CN116543213A
公开(公告)日：2023-08-04
申请号：CN202310516097.0
申请日：2023-05-09
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: G06V10/764 , G06V10/774 , G06V10/42 , G06N3/0499
Abstract: 本发明公开了一种基于Informer的图像识别方法，其特征在于，包括如下步骤：1）输入图像；2）数据预处理；3）特征提取；4）生成推理；5）判断是否达到训练轮次；6）输出图像识别结果并保存。这种方法能提高图像识别的效率并降低计算开销。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN113448515A
公开(公告)日：2021-09-28
申请号：CN202110624846.2
申请日：2021-06-04
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外包数据细粒度插入的可验证删除方法，包括：步骤一：初始化：生成相关的密钥对和公共参数；步骤二：数据外包：用户将大规模文件F外包给云服务器；步骤三：数据插入：在外包文件中插入新的数据块，并检查数据插入结果；步骤四：数据删除：用户将不再需要的外包数据块永久性删除，而将有用的数据块保留在云服务器中，并验证删除结果。本发明利用基于数量秩的Merkle哈希树(NR‑MHT)设计新的方案，该方案可以在不依赖可信第三方(TTP)的情况下同时实现基于块的外包数据可验证删除和细粒度插入。同时，本发明通过详细的安全性分析和准确的效率评估，证明本发明所提出方案的安全性和实用性。
-
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：CN113780382B
公开(公告)日：2024-07-26
申请号：CN202110999372.X
申请日：2021-08-29
Applicant: 桂林电子科技大学
IPC: G06F18/214 , G06N3/0464 , G06N3/08
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：CN115021973A
公开(公告)日：2022-09-06
申请号：CN202210511954.3
申请日：2022-05-11
Applicant: 桂林电子科技大学
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。
-
公开(公告)号：CN114330487A
公开(公告)日：2022-04-12
申请号：CN202111382821.2
申请日：2021-11-22
Applicant: 桂林电子科技大学
Abstract: 本发明涉及网络安全技术领域，尤其涉及一种基于BIPMU的无线网络网络安全态势评估方法，通过双向简约记忆单元构建训练模型，进行时间序列数据的特征学习和表征并提供理论分析，与传统的循环神经网络相比，该方法不仅考虑了过去传输的信息，还考虑了未来传输的信息，全面有效地管理时间序列数据的短期和长期依赖间的潜在联系，同时通过获取网络安全的相关要素来分析和判断网络安全状态，提高了网络安全态势评估的有效性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.039 seconds)
