-
公开(公告)号：CN116132081A
公开(公告)日：2023-05-16
申请号：CN202211077052.X
申请日：2022-09-05
Applicant: 桂林电子科技大学
Abstract: 本发明涉及入侵检测技术领域，具体涉及一种基于集成学习的软件定义网络DDOS攻击协同防御方法，首先提出了一种基于Bagging集成的特征选择算法，避免单特征选择算法忽略特征间联系，倾向选择冗余特征的情况；其次引入成对多样性度量用于选择性集成，选择出较为优秀的异质集成模型，并采用分层十倍交叉验证方法避免了过度拟合；最后，采用基于Bagging集成算法的加权投票机制进行基分类器模型的集成，并将该模型嵌入SDN控制器当中，设置检测时间间隔，实现实时监测。
-
Patent Agency Ranking
公开(公告)号：CN116132081B
公开(公告)日：2025-02-07
申请号：CN202211077052.X
申请日：2022-09-05
Applicant: 桂林电子科技大学
Abstract: 本发明涉及入侵检测技术领域，具体涉及一种基于集成学习的软件定义网络DDOS攻击协同防御方法，首先提出了一种基于Bagging集成的特征选择算法，避免单特征选择算法忽略特征间联系，倾向选择冗余特征的情况；其次引入成对多样性度量用于选择性集成，选择出较为优秀的异质集成模型，并采用分层十倍交叉验证方法避免了过度拟合；最后，采用基于Bagging集成算法的加权投票机制进行基分类器模型的集成，并将该模型嵌入SDN控制器当中，设置检测时间间隔，实现实时监测。
-
公开(公告)号：CN115550268B
公开(公告)日：2024-11-19
申请号：CN202211042072.3
申请日：2022-08-29
Applicant: 桂林电子科技大学
IPC: H04L47/125 , H04L47/12 , H04L45/02 , H04L45/655 , H04L45/76 , G06N20/00
Abstract: 本发明涉及深度学习技术领域，具体涉及一种基于近端策略优化算法优化网络流量调度方法，针对软件定义网络的数据平面具有时间特征和空间特征，为了全局地考虑网络的时空相关性，提出了使用门控循环单元和图注意力网络方法提取状态信息中的时序相关性和空间相关性，为深度强化学习的决策提供包含更多环境的隐含信息，从而解决网络流量工程问题，充分利用网络资源动态调整网络负载，有效缓解网络链路拥塞，进而优化网络性能。
-
公开(公告)号：CN115550268A
公开(公告)日：2022-12-30
申请号：CN202211042072.3
申请日：2022-08-29
Applicant: 桂林电子科技大学
IPC: H04L47/125 , H04L47/12 , H04L45/02 , H04L45/655 , H04L45/76 , G06N20/00
Abstract: 本发明涉及深度学习技术领域，具体涉及一种基于近端策略优化算法优化网络流量调度方法，针对软件定义网络的数据平面具有时间特征和空间特征，为了全局地考虑网络的时空相关性，提出了使用门控循环单元和图注意力网络方法提取状态信息中的时序相关性和空间相关性，为深度强化学习的决策提供包含更多环境的隐含信息，从而解决网络流量工程问题，充分利用网络资源动态调整网络负载，有效缓解网络链路拥塞，进而优化网络性能。
-
公开(公告)号：CN115842768B
公开(公告)日：2024-10-22
申请号：CN202211473921.0
申请日：2022-11-22
Applicant: 桂林电子科技大学
IPC: H04L45/00 , G06N3/0442 , G06N3/0464 , G06N3/08 , H04L45/30 , H04L45/02 , H04L47/125
Abstract: 本发明公开一种基于图神经网络的时空特征融合的SDN路由优化方法,利用强化学习智能体学习网络交换机流量负载与网络性能之间的相互依赖关系，并确定一组最佳路由转发方案，以在网络的端到端路径带宽容量和负载均衡之间取得平衡。通过结合图神经网络的预测来寻找数据包的最佳路径，即开发基于图神经网络的时空特征融合网络模型(GCT‑Route网络模型)，来辅助深度强化学习快速完成自学习过程。本发明可以解决因强化学习智能体在学习过程中长时间探索试错而导致网络路由性能下降的问题。
-
公开(公告)号：CN115842768A
公开(公告)日：2023-03-24
申请号：CN202211473921.0
申请日：2022-11-22
Applicant: 桂林电子科技大学
IPC: H04L45/00 , G06N3/0442 , G06N3/0464 , G06N3/08 , H04L45/30 , H04L45/02 , H04L47/125
Abstract: 本发明公开一种基于图神经网络的时空特征融合的SDN路由优化方法,利用强化学习智能体学习网络交换机流量负载与网络性能之间的相互依赖关系，并确定一组最佳路由转发方案，以在网络的端到端路径带宽容量和负载均衡之间取得平衡。通过结合图神经网络的预测来寻找数据包的最佳路径，即开发基于图神经网络的时空特征融合网络模型(GCT‑Route网络模型)，来辅助深度强化学习快速完成自学习过程。本发明可以解决因强化学习智能体在学习过程中长时间探索试错而导致网络路由性能下降的问题。
-
-
-
-
-
Search Results
6
records
(took 0.024 seconds)
