-
公开(公告)号：CN119599676A
公开(公告)日：2025-03-11
申请号：CN202411730919.6
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
Abstract: 本发明涉及区块链技术领域，具体是一种依据信用值划分多子组的公证人组跨链方案。该方案提出了一种基于多子组公证人组的跨链协议，以实现异构区块链之间的价值转移。该方案提出一种基于信誉分组的多公证人跨链漫游协议，可以公平地进行跨链流程中的多公证人选举流程。该方案使用单次交易对应单次选举方法解决多公证人跨链中的信誉的公平增长问题。此外，该方案使用加权投票方式降低恶意公证人节点对跨链系统造成的影响，有效保障了跨链漫游结算系统的可靠与安全。
-
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。
-
公开(公告)号：CN119323246A
公开(公告)日：2025-01-17
申请号：CN202411459550.X
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: G06N3/094 , G06N5/045 , G06F18/20 , G06F18/15 , G06F18/213 , G06N3/0464 , G06N3/044 , G06F123/02
Abstract: 本发明涉及人工智能安全和时间序列对抗攻击领域，具体是一种小扰动的时间序列预测对抗攻击方案。该方案通过融合多种神经网络可解释性方法，从网络模型输入的时间序列特征出发，选择多解释下综合评价高的特征部位进行攻击，通过对序列部分攻击降低扰动的成本，解决时间序列数据对异常扰动敏感的问题。对于不同的时间序列预测模型，通用、稳定、可靠的事后解释方法是关键，将不同事后解释性方法综合，得到多维度的特征重要度解释体系来衡量特征点的价值，以此确保在小规模的扰动下攻击仍然有效。此外，通过这种方式的对抗性攻击在不同的时间序列数据与时间序列预测具有良好的可迁移性。
-
公开(公告)号：CN116723008A
公开(公告)日：2023-09-08
申请号：CN202310602620.1
申请日：2023-05-26
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
Abstract: 本发明公开了一种基于TAG‑Net的工业物联网网络安全态势评估方法，其特征在于，包括如下步骤：1）数据预处理：2）获得训练好的TAG‑Net模型；3）获得检测结果；4）验证TAG‑Net模型性能。这种方法能控制对过去隐藏状态信息的遗忘和对当前重要信息的保留，并突显当前时刻信息中与过去隐藏状态相关联的部分，能得到当前网络的态势值、评估当前网络的安全状态，为网络安全管理者提供决策支持。
-
Patent Agency Ranking
公开(公告)号：CN120075274A
公开(公告)日：2025-05-30
申请号：CN202510303047.3
申请日：2025-03-14
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: H04L67/133 , H04L47/43 , H04L69/22 , H04L69/18 , H04L67/565 , H04L67/1004
Abstract: 本发明涉及工业控制系统的异构互联和众测领域，具体是一种为众测任务提供高效的数据采集和传输的解决方案。该方案通过将DPDK的高速数据包处理能力与gRPC的高效远程过程调用能力相结合，系统在数据采集、协议解析、数据传输和任务分发的各个环节实现了紧密协作，确保了数据流的高效性、实时性和稳定性。通过高效的数据采集和快速解析，测试平台能够实时获取和分析来自不同设备的数据，并通过gRPC协议将数据传输到多个测试节点进行处理。这种灵活的分布式任务执行架构，保证了在大规模测试场景下系统能够稳定运行，并能够根据需求动态分配资源，确保任务的快速执行和数据的高效处理。
-
公开(公告)号：CN120075100A
公开(公告)日：2025-05-30
申请号：CN202510217962.0
申请日：2025-02-26
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: H04L43/0876 , H04L43/04 , H04L9/40 , G06F18/2433 , G06F18/25 , G06F18/214 , G06N3/0455 , G06N3/0499 , G06N3/08
Abstract: 本发明涉及网络流量分析、深度学习和众测环境保护领域，具体是一种众测环境中基于改进CNN(Pro‑CNN)和ET‑Bert的加密流量识别方法。该方法通过结合CNN进行局部特征提取和ET‑Bert中Transformer架构进行全局依赖关系捕捉，提供了更高的分类准确率和更强的泛化能力，有效应对复杂的加密流量分类任务，及时检测和防范恶意攻击，保护软件系统和用户数据的安全。
-
公开(公告)号：CN119621570A
公开(公告)日：2025-03-14
申请号：CN202411718503.2
申请日：2024-11-27
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: G06F11/3668 , G06F16/28 , G06F16/27 , G06F21/57 , G06F21/60
Abstract: 本发明结合了微服务架构理念和众包测试概念，目的是通过众测任务解决工业控制系统领域的安全问题，如未授权访问和逻辑漏洞。系统由五个核心部分构成：工控设备层、工控数据云存储层、工控数据传输层、工控应用服务层和众测用户层。首先，工控设备层通过云连接网关实现设备与云平台的连接。接着，工控数据云存储层将工控设备数据加密并保存到数据库中。接下来，工控数据传输层通过消息中间件将数据发送到工控应用服务层。工控应用服务层根据传输层的数据提供多种模块：工业控制模块、身份与权限管理、众包测试模块。最后，众测用户层通过用户友好的界面使用户能够方便地进行众测任务以及人员的实时管理。
-
公开(公告)号：CN116861487A
公开(公告)日：2023-10-10
申请号：CN202310956965.7
申请日：2023-08-01
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: G06F21/62 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种联邦学习中基于扰动的隐私泄露防御方法，其特征在于，包括如下步骤：1）获取训练数据集与测试数据集；2）获得梯度值；3）得到新的梯度值；4）验证。这种方法能够在保持原始模型性能的同时防御攻击者采用DLG攻击窃取参与者隐私信息。
-
公开(公告)号：CN119004305A
公开(公告)日：2024-11-22
申请号：CN202410943203.8
申请日：2024-07-15
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: G06F18/2433 , G06F18/213 , G06N3/0464 , G06N3/08 , G06N3/0442
Abstract: 本发明涉及深度学习和区块链技术领域，具体是一种基于深度学习的链下工业数据异常检测方法。该方法提出了一种时空邻域融合网络模型，能够提取工业物联网流量数据的时间序列特征、空间序列特征以及邻居节点特征。通过对提取的三种特征进行线性关系聚合，全面表达数据特征，从而提高异常检测的准确性。本方法实现了对工业数据的智能感知和高效检测，确保在数据上链之前剔除或修正异常数据，最终保障上链数据的真实有效性和系统的整体安全性。上链存储的数据可以随时被追溯和验证，确保工业数据的可信度。本发明结合了深度学习的智能感知能力和区块链的去中心化、共识机制等特点，为工业区块链系统提供了一种高效、可靠的数据管理解决方案。
-
-
-
-
-
-
-
-
-
Search Results
62
records
(took 0.042 seconds)
