-
公开(公告)号：CN115835298A
公开(公告)日：2023-03-21
申请号：CN202211347566.2
申请日：2022-10-31
Applicant: 浙江工商大学
Abstract: 本发明公开了一种基于深度强化学习的多用户任务卸载方法，该方法获取当前设备的起点和终点。宏基站利用现有的环境信息来预测该设备的行走路径，并为用户设备推荐一条干扰小的路径。用户设备主动获取可为该设备提供服务的基站信息，其余环境信息主要从服务基站与宏基站得到。设备在可提供服务的微基站中选择某一个基站作为服务基站。利用基站提供的信息，确定干扰因素并以此作为判断是否卸载的依据，然后在卸载流程中利用DQN来确定服务基站和做出卸载决策。本发明利用边缘计算和深度强化学习技术，基站和设备协同合作，基站为设备推荐路径，设备利用推荐路径优化卸载方法，得到较低的卸载任务失败率和时延。
-
公开(公告)号：CN112866276B
公开(公告)日：2022-05-24
申请号：CN202110144278.6
申请日：2021-02-02
Applicant: 浙江工商大学
IPC: H04L9/40
Abstract: 本发明公开了一种基于拟态服务功能构架的主次重置判决系统，该系统包括控制分析器、分发器、主次执行体集合、SF执行体池、缓存器和反馈判决器；将区分好的的主次执行体的执行结果输入到缓存器，并由反馈判决器将缓存器的输出通过哈希映射存入哈希表，并且以累计相等哈希值的方式进行判决，然后及时反馈判决结果给控制分析器，选出新的主执行体及下线异常执行体，达到划分主次执行体以及主次重置的目的，本发明通过主次执行体的重置保证系统的安全性，以添加标识包头的方式使得系统可以区分属于不同主次重置周期的执行结果。在保持一定安全性的同时有效降低了拟态判决的时延。
-
公开(公告)号：CN112968834A
公开(公告)日：2021-06-15
申请号：CN202110145046.2
申请日：2021-02-02
Applicant: 浙江工商大学 , 杭州迪普科技股份有限公司
IPC: H04L12/707 , H04L12/721 , H04L12/733
Abstract: 本发明公开一种基于网络特征的强化学习下的SDN路由收敛方法，该方法将强化学习应用于SDN路由收敛中，使用QLearning算法作为强化学习模型，根据输入的网络拓扑，定义一个方向因子θ来描述路径中每一次转移的方向。根据路径转移过程中θ值来引导强化学习agent探索。在早期的episode中允许agent在探索阶段选择对应θ值为负的动作，而随着episode的不断迭代减少agent探索对应θ值为负的动作的概率。以此来保证在agent从环境中充分获得经验的同时提高探索效率，并减少在训练阶段环路的产生。本发明利用强化学习与网络环境不断交互、调整策略的特点，相比于传统的路由收敛算法，能在路由收敛过程中找到最优路径。
-
公开(公告)号：CN112866277A
公开(公告)日：2021-05-28
申请号：CN202110144910.7
申请日：2021-02-02
Applicant: 浙江工商大学
IPC: H04L29/06
Abstract: 本发明提出了一种拟态服务功能链的调度方法，具体为一种保证系统异构性以及选取执行体可以满足网络要求的调度方法，该方法根据调度周期中需要的服务功能以及SF执行体的可信赖度，选出新的SF执行体集合，并组合出所有满足服务功能的包含多个SF执行体的集合，计算每个组合的整体异构度，选择整体异构度最大的组合作为新的在线SF执行体集合。并且该调度方法对调度时间进行调整，以达到系统花费与安全性的最佳平衡。本发明与传统的调度方法相比，本发明以异常执行体信息、执行体的异构度以及系统的实际负载量作为调度影响因素，使得调度方法可以根据网络变化进行自适应的调整，从而提升了系统的安全性。
-
公开(公告)号：CN111163070A
公开(公告)日：2020-05-15
申请号：CN201911311849.X
申请日：2019-12-18
Applicant: 浙江工商大学
IPC: H04L29/06
Abstract: 本申请公开了一种拟态防御下服务链安全部署的正确链路判决方法、装置、设备及介质，该方法包括：获取所有服务链部署执行体的数据，每组数据的内容包括服务功能和服务路径；将所有服务功能分别提取对比，并对服务路径分别提取对比，若两组数据的服务功能相同且服务路径相同则判定为两组数据一致，将一致数据分为一类，统计每一类的数据量，将数据量最多的类记录为正确数据，其余为异常数据；将输出为异常数据的执行体进行反馈，并进行清洗或下线。本申请提供的一种拟态防御下服务链安全部署的正确链路判决方法、装置、设备及介质，增强了拟态服务链部署系统的安全性。
-
Patent Agency Ranking
公开(公告)号：CN106685689B
公开(公告)日：2019-08-27
申请号：CN201610946111.0
申请日：2016-10-26
Applicant: 浙江工商大学
IPC: H04L12/24 , H04L12/741
Abstract: 本发明公开了一种基于深度学习的SDN流表冲突检测装置及方法。该装置包括以下模块：窗口分割模块、深度检测模块、结果分析模块、监听模块和数据存储模块。该方法包括：具体SDN应用通过策略映射模块映射为具体SDN流表项{P}；窗口分割模块从数据库存储模块提取适合于深度检测模块处理的窗口大小的流表项{W}；将{P}和{W}中流表项输入深度检测模块进行流表冲突检测；经过冲突检测模块后的流表输入到结果分析模块进行分析判断。本发明利用了深度学习抽象化高层数据、自动学习的特点，相比于传统的冲突查找算法，在大规模应用部署时能更快速地对超大规模的流表项做出是否冲突的检测。
-
公开(公告)号：CN109167680A
公开(公告)日：2019-01-08
申请号：CN201810886695.6
申请日：2018-08-06
Applicant: 浙江工商大学
Abstract: 本发明公开一种基于深度学习的流量分类方法，包括如下步骤：(1)将流量特征数据集分为训练集和测试集，先对训练集中的少数类样本由过采样技术SMOTE产生少数类的人工样本，并判断新生成的数据是否属于该少数类，若不属于则删除，然后将训练集中每条样本进行归一化处理与末尾补0操作；(2)使用步骤(1)处理后的训练集对神经网络模型进行训练；(3)将测试集进行归一化和补0处理，处理后输入到步骤(2)训练完成后的模型中，输出流量的类别。本发明利用隐藏层自动从数据集提取特征，并不断优化的特点，相比于传统的基于机器学习流量分类方法，该方法不但具备较高的准确性还降低了模型设计的难度。
-
公开(公告)号：CN105515850B
公开(公告)日：2018-08-14
申请号：CN201510873614.5
申请日：2015-12-02
Applicant: 浙江工商大学
IPC: H04L12/24
Abstract: 本发明公开了一种利用OpenFlow控制器和配置点实现对ForCES转发件的控制管理方法，本发明方法将不支持控制ForCES转发件的OpenFlow控制器和配置点通过协议转换模块实现了OpenFlow控制器和配置点对ForCES转发件的控制管理。因此，本发明有效地解决了OpenFlow控制设备与ForCES转发设备间的兼容性问题，为ForCES设备的扩展性提供了一种可行的技术方案。
-
公开(公告)号：CN106911669A
公开(公告)日：2017-06-30
申请号：CN201710018850.8
申请日：2017-01-10
Applicant: 浙江工商大学
IPC: H04L29/06
Abstract: 本发明公开了一种基于深度学习的DDOS检测方法。该方法包含特征处理和模型检测两个阶段，特征处理阶段对输入的数据包进行特征提取，格式转换和维度重构；模型检测阶段将处理后的特征输入到深度学习网络模型进行检测，判断输入的数据包是否为DDOS攻击包。本发明利用了深度学习抽象化高层数据、自动学习、模型易于更新的特点，相比于传统DDOS检测方法，在检测精度、软硬件设备依赖性方面更具有优势。
-
公开(公告)号：CN105681090A
公开(公告)日：2016-06-15
申请号：CN201610053648.4
申请日：2016-01-26
Applicant: 浙江工商大学
IPC: H04L12/24 , H04L12/46 , H04L12/951
CPC classification number: H04L41/024 , H04L12/4641 , H04L41/044 , H04L41/0806 , H04L41/12 , H04L49/35 , H04L49/70
Abstract: 本发明公开了一种ForCES网络配置层中的数据转换方法。本发明具体如下：首先定义高层数据和低层数据并进行数据建模，再连接数据库读取所需高层数据，然后判断读取的高层数据是否为可直接转化，若是则转化为低层数据，若不是则进行函数处理后将返回的数据转化为低层数据，最后调用控制层的配置函数将转换完成的低层数据下发到基础设施层。本发明提确定了配置层中高层数据和低层数据的具体内容，基于该数据提出一种数据转换方法，同时是构建基于ForCES的SDN网络过程中的一次创新性的探索，为ForCES网络中配置层的数据下发到基础设施层提供了可行性方案，实现了两层之间的对接，为ForCES的SDN网络的实现奠定了基础。
-
-
-
-
-
-
-
-
-
Search Results
96
records
(took 0.027 seconds)
