-
公开(公告)号：CN110190970A
公开(公告)日：2019-08-30
申请号：CN201910558782.3
申请日：2019-06-25
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于公有链的可匿名撤销的环签名及其生成和撤销方法，涉及网络安全技术领域，环签名包括基于自证明的环签名生成模块和匿名身份撤销模块，基于自证明的环签名生成模块包括密钥生成单元、自证明生成单元、自证明验证单元、可并行的环签名生成单元，匿名身份撤销模块包括撤销初始化单元、撤销决议发起单元、撤销决议判断单元、撤销生效判断单元。本发明综合使用基于云计算的环签名并行计算方法、基于环签名的匿名投票表决方法和门限密码策略，实现了对公有链上用户的环签名高效生成、匿名身份可条件撤销、以及撤销过程的安全、公正和可信，从而提高了网络安全性。
-
公开(公告)号：CN110190970B
公开(公告)日：2021-11-16
申请号：CN201910558782.3
申请日：2019-06-25
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于公有链的可匿名撤销的环签名及其生成和撤销方法，涉及网络安全技术领域，环签名包括基于自证明的环签名生成模块和匿名身份撤销模块，基于自证明的环签名生成模块包括密钥生成单元、自证明生成单元、自证明验证单元、可并行的环签名生成单元，匿名身份撤销模块包括撤销初始化单元、撤销决议发起单元、撤销决议判断单元、撤销生效判断单元。本发明综合使用基于云计算的环签名并行计算方法、基于环签名的匿名投票表决方法和门限密码策略，实现了对公有链上用户的环签名高效生成、匿名身份可条件撤销、以及撤销过程的安全、公正和可信，从而提高了网络安全性。
-
Patent Agency Ranking
公开(公告)号：CN110378103B
公开(公告)日：2022-11-25
申请号：CN201910659251.3
申请日：2019-07-22
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于OpenFlow协议的微隔离防护方法及系统，属于互联网技术领域，解决现有技术中针对海量虚拟机网络东西流量访问控制，要么耗费带宽进行引流，要么产生负载、与客户机竞争资源的问题。本发明通过获得的持续化的流表获取虚拟机间的网络通联关系；基于网络通联关系，利用改进的MCL算法将所有虚拟机分成多个微隔离组；针对每个微隔离组、虚拟机运行服务所必需的通信端口，以及虚拟机预定义的服务类型生成针对微隔离组和微隔离组内虚拟机的隔离策略。本发明用于虚拟化环境下，由多台VM构建的虚拟网络进行微隔离防护。
-
公开(公告)号：CN110378103A
公开(公告)日：2019-10-25
申请号：CN201910659251.3
申请日：2019-07-22
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于OpenFlow协议的微隔离防护方法及系统，属于互联网技术领域，解决现有技术中针对海量虚拟机网络东西流量访问控制，要么耗费带宽进行引流，要么产生负载、与客户机竞争资源的问题。本发明通过获得的持续化的流表获取虚拟机间的网络通联关系；基于网络通联关系，利用改进的MCL算法将所有虚拟机分成多个微隔离组；针对每个微隔离组、虚拟机运行服务所必需的通信端口，以及虚拟机预定义的服务类型生成针对微隔离组和微隔离组内虚拟机的隔离策略。本发明用于虚拟化环境下，由多台VM构建的虚拟网络进行微隔离防护。
-
公开(公告)号：CN110348214B
公开(公告)日：2021-06-08
申请号：CN201910638126.4
申请日：2019-07-16
Applicant: 电子科技大学
Abstract: 本发明涉及对恶意代码检测的方法及系统，方法包括：A.对训练数据集中单个PE文件的二进制数据提取相应特征；B.对所述特征降维处理；C.通过门控卷积网络提取二进制数据的特征为深度学习模型前半部分；D.将降维后的特征与步骤C得到的特征向量组合后，输入到作为深度学习模型后半部分的全连接神经网络中，生成最终的待分类特征向量；E.所有的PE文件都生成了对应的待分类特征向量；F.对所有待分类特征向量分类后与测试数据集中已知的类别进行比较以验证深度学习模型的正确性，并通过调整参数获得最优的深度学习模型。本发明能够不受恶意代码指令变换的影响，准确检测出未知软件中是否包含恶意代码，并且还提高了检测效率。
-
公开(公告)号：CN110443367A
公开(公告)日：2019-11-12
申请号：CN201910699736.5
申请日：2019-07-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种增强神经网络模型鲁棒性能的方法，属于人工智能技术领域，首先将原始样本输入待增强的原始神经网络进行分类预测，得到预测标签；利用所述原始神经网络构建替代神经网络，并扩展原始样本集，提高替代神经网络的准确率；利用所述原始样本生成对抗样本，并将所述对抗样本与原始样本进行混合，得到混合样本；将所述混合样本输入所述替代神经网络，对所述替代神经网络进行训练，得到增强型的替代神经网络，本发明在保证该替代网络仍然拥有近似于原模型的准确率的同时，使用替代网络拟合原有的黑盒模型，并使用对抗样本和原样本混合作为数据集，有效地增强了未知的原有模型的鲁棒性。
-
公开(公告)号：CN110348214A
公开(公告)日：2019-10-18
申请号：CN201910638126.4
申请日：2019-07-16
Applicant: 电子科技大学
Abstract: 本发明涉及对恶意代码检测的方法及系统，方法包括：A.对训练数据集中单个PE文件的二进制数据提取相应特征；B.对所述特征降维处理；C.通过门控卷积网络提取二进制数据的特征为深度学习模型前半部分；D.将降维后的特征与步骤C得到的特征向量组合后，输入到作为深度学习模型后半部分的全连接神经网络中，生成最终的待分类特征向量；E.所有的PE文件都生成了对应的待分类特征向量；F.对所有待分类特征向量分类后与测试数据集中已知的类别进行比较以验证深度学习模型的正确性，并通过调整参数获得最优的深度学习模型。本发明能够不受恶意代码指令变换的影响，准确检测出未知软件中是否包含恶意代码，并且还提高了检测效率。
-
-
-
-
-
-
Search Results
7
records
(took 0.022 seconds)
