一种基于神经网络的僵尸网络态势预测方法和预测系统

    公开(公告)号:CN115442084B

    公开(公告)日:2024-11-19

    申请号:CN202210966921.8

    申请日:2022-08-11

    Abstract: 本发明公开了一种基于神经网络的僵尸网络态势预测方法和预测系统:S1、获得基础僵尸感染流量数据,划分为训练集、验证集和测试集;S2、构建僵尸网络感染预测框架;S3、使用训练集对僵尸网络感染预测框架进行训练,得到预训练的僵尸网络感染预测框架;S4、使用验证集进行迭代验证,得到僵尸网络感染预测框架;S5、使用测试集进行测试,若不符合则返回执行步骤S3,输出符合要求的僵尸网络感染预测框架;S6、使用符合预测要求的僵尸网络感染预测框对僵尸网络规模作出预测。本发明解决了现有僵尸网络感染过程中传播和演进特征的全面建模和僵尸网络规模预测框架构建问题,在僵尸网络未来态势规模的预测方面有较高的准确率。

    一种开源威胁情报聚合平台
    4.
    发明公开

    公开(公告)号:CN115237978A

    公开(公告)日:2022-10-25

    申请号:CN202210796520.2

    申请日:2022-07-06

    Abstract: 本发明公开了一种开源威胁情报聚合平台,设置:多源异构情报数据获取模块、多源异构情报数据融合评价模块和威胁情报深度挖掘模块;多源异构情报数据融合评价模块,对多源异构情报数据获取模块获取的情报数据进行识别提取、融合评价及归一化存储,识别提取是生成结构化的威胁情报;融合评价进行威胁情报的甄选;归一化存储是扩展甄选后的威胁情报的信息维度,形成物联网漏洞聚合库和威胁情报数据库;威胁情报深度挖掘模块,结合已有的威胁数据及流量信息的匹配关系,构建模糊图形模式匹配模型,匹配物联网漏洞聚合库和威胁情报数据库中的威胁情报和流量信息,实现对潜在的攻击行为挖掘。

    一种快速克隆RFID标签检测方法

    公开(公告)号:CN112116050A

    公开(公告)日:2020-12-22

    申请号:CN202010951009.6

    申请日:2020-09-11

    Abstract: 本发明公开了一种快速克隆RFID标签检测方法,包括如下步骤:S1:使用RFID相位提取工具对所有RFID标签进行相位采集处理;S2:对所有待测量的RFID标签,经过多次变换距离测量得到多个相位数据,并利用最小二乘法进行减噪操作,得到的优化指纹库;S3:对于所得到的相位指纹信息库,进行了c2和K‑S随机性检测,经验证相位指纹符合均匀分布;S3:对于给定的待检测标签,我们同样做多次测量,进行最小二乘法操作得到待检测标签的优化相位指纹;S4:将测量得到的相位指纹和所存储相位指纹进行对比。本发明可准确识别出隐藏在真实标签中的所有克隆标签,有效减少克隆RFID标签带来的攻击威胁,提升系统安全性,保护RFID用户的隐私,保障RFID产品的应用安全。

    一种基于神经网络的僵尸网络态势预测方法和预测系统

    公开(公告)号:CN115442084A

    公开(公告)日:2022-12-06

    申请号:CN202210966921.8

    申请日:2022-08-11

    Abstract: 本发明公开了一种基于神经网络的僵尸网络态势预测方法和预测系统:S1、获得基础僵尸感染流量数据,划分为训练集、验证集和测试集;S2、构建僵尸网络感染预测框架;S3、使用训练集对僵尸网络感染预测框架进行训练,得到预训练的僵尸网络感染预测框架;S4、使用验证集进行迭代验证,得到僵尸网络感染预测框架;S5、使用测试集进行测试,若不符合则返回执行步骤S3,输出符合要求的僵尸网络感染预测框架;S6、使用符合预测要求的僵尸网络感染预测框对僵尸网络规模作出预测。本发明解决了现有僵尸网络感染过程中传播和演进特征的全面建模和僵尸网络规模预测框架构建问题,在僵尸网络未来态势规模的预测方面有较高的准确率。

    一种生成式摘要模型构建、提取生成式摘要方法及系统

    公开(公告)号:CN111966820A

    公开(公告)日:2020-11-20

    申请号:CN202010714359.0

    申请日:2020-07-21

    Abstract: 一种生成式摘要模型构建、提取生成式摘要方法及系统,通过在传统的编码解码网络结合HITS注意力的重要性排序方法和分层解码算法等,并HITS注意力的重要性排序方法来迭代学习文档向量,每次解码会将上一时刻输出的生成句子向量与得分较高且未被参考过的已排序原文对应句子再次进行计算,直至得到收敛时刻得到的生成句子向量集、生成词向量集和收敛时刻的句子重要性排序,最后利用解码生成算法得到生成摘要文本。以此能够学习更多文本里的显著信息,降低结果中的冗余重复,维持生成结果的流畅度,产生出高质量的生成式摘要结果,整体自动化程度高,不需要进行人工干预。

    基于多任务学习的单文档摘要生成模型构建方法及装置

    公开(公告)号:CN111723196A

    公开(公告)日:2020-09-29

    申请号:CN202010435810.5

    申请日:2020-05-21

    Abstract: 本发明公开了一种基于多任务学习的单文档摘要生成模型构建方法及装置,设计的模型结构采用了Transformer基础模型,并且在编码器的输出端,增加了一个编码器和分类器。其中两个编码器分为单词级别的解码器分别为,单词级别的编码器、句子级别的编码器;使得多任务训练成为可能;解码器的注意力分配会更加合理,因为加入根据解码器注意力权重与句子的重要性权重计算得到的正则项,能够倾向于更适合作为摘要的句子分配更多的权重;并且通过不同任务发掘模型潜力,从而提高了生成的摘要句子的可读性以及信息量。

Patent Agency Ranking