-
公开(公告)号：CN120017332A
公开(公告)日：2025-05-16
申请号：CN202510084410.7
申请日：2025-01-20
Applicant: 郑州轻工业大学
IPC: H04L9/40 , H04L41/12 , H04L41/14 , H04L41/16 , H04L43/10 , H04L43/00 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明提出了一种基于超图学习的软件物料风险评估方法，S1：构建HGL‑SSCR模型，包括依次连接的预处理器、超图建模块、超图学习模块和输出模块；S2：利用预处理器获取网络实体数据，利用网络实体数据建模简单图；S3：利用超图建模块对简单图进行脆弱相关性抽取并构建超图；S4：利用超图学习模块聚合超图中的节点特征获取超边特征，聚合超边特征更新质心顶点特征；S5：以质心顶点特征向量为输入，利用输出模块进行分类输出网络实体的脆弱性分类标签。考虑在软件生命周期中，软件物料清单（SBOM）所承载并传递的安全风险，且有效提高了模型的精度。
-
公开(公告)号：CN119835060A
公开(公告)日：2025-04-15
申请号：CN202510003567.2
申请日：2025-01-02
Applicant: 郑州轻工业大学
IPC: H04L9/40 , G06F18/214 , G06F18/2433 , G06F18/25 , G06F18/20 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于主动防御的多源日志数据融合子树溯源图攻击检测方法，包括步骤：根据CTI数据构建攻击行为图，将多源日志数据融合并构建溯源图；构建节点对齐规则，对攻击行为图和溯源图进行节点对齐；以节点对齐后的攻击行为图为查询图，以节点对齐后的溯源图为目标图，分别对查询图和目标图进行子树构建；对构建的查询图子树和目标图子树进行子树同构计算并进行递归更新，得到子树同构矩阵，根据子树同构矩阵计算最终的子树同构指标；进行查询图和目标图相似度计算得到广义指标矩阵；基于广义指标矩阵和子树同构指标进行攻击检测。本发明能在保证低时间复杂度的同时，维持较高识别率，显著提升了APT攻击检测的效率和准确率。
-
公开(公告)号：CN118540234A
公开(公告)日：2024-08-23
申请号：CN202410522332.X
申请日：2024-04-28
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于异配图学习的网络实体识别方法，用以解决网络实体特征缺失导致识别不准确的问题。本发明的步骤为：通过网络测量将获取到的数据集进行特征提取，利用聚类算法对目标节点进行社区划分；多个探针对IPv6地址进行探测，利用traceroute探测构建网络实体拓扑结构，根据网络实体拓扑结构进行图建模，将节点属性信息以及邻居结构信息以特征向量的方式嵌入到图中；对图中节点缺失属性以自监督的方式进行图学习，并对图中的节点进行聚合和更新；将更新后的节点送入分类器进行分类，输出节点的类别即不同的网络实体；基于网络实体特征构建网络实体画像。与基于图学习的同配或异配图的方法相比，本发明的各项指标都有了明显的提高，识别准确率在93.74%以上，最高可达到96.28%。
-
Patent Agency Ranking
公开(公告)号：CN116938879A
公开(公告)日：2023-10-24
申请号：CN202310705116.4
申请日：2023-06-14
Applicant: 郑州轻工业大学
IPC: H04L61/5007 , H04L41/12 , H04L101/69 , H04L101/659 , H04L101/695
Abstract: 本发明提出了一种基于超图神经网络的细粒度IPv6定位方法，步骤为：收集目标IP的网络测量数据进行数据清洗，结合网络拓扑结构实现简单图建模和属性抽取，得到简单图的节点和边；基于IPv6网络拓扑的集群特性，在IPv6网络拓扑上利用层次聚类算法进行节点聚类，构建超图；在超图中利用顶点卷积最大化图池化超边中地标的位置信息属性，通过超边卷积学习超图中超边间的位置信息，节点卷积学习超边特征中的位置信息同时聚合节点自身和周围邻居节点的特征，获取IPv6目标节点的特征向量矩阵；通过多层感知机进行解码任务，输出目标IPv6的位置信息预测值。本发明在三个实验地区的网络实体定位中值误差距离在5.837km~8.52km。
-
公开(公告)号：CN118984315A
公开(公告)日：2024-11-19
申请号：CN202410671693.0
申请日：2024-05-28
Applicant: 郑州轻工业大学
IPC: H04L61/5007 , H04L61/4511 , H04L45/745 , H04L45/741 , G06F18/23213 , H04L101/659
Abstract: 本发明提出了一种基于特征聚类的IPv6地标表示方法，包括以下步骤：S1：地标收集：基于地标映射的方法和DNS域名解析的方法收集候选地标；S2：网络测量：依据步骤S1收集到的候选地标，进行候选地标的网络测量数据收集；S3：特征编码：对网络测量数据进行候选地标的路由信息编码和网络实体信息编码；S4：IPv6前缀候选地标构建：进行基于真实地理位置和网络实体的地标聚类，然后进行IPv6前缀候选地标构建；S5：存活地址生成：利用地址生成技术工具获取存活地址，存活地标集；S6：地标评估：利用投票决议评估地标。本发明用以解决IPv6的动态性、多穴性和低存活度对网络实体地标挖掘任务造成的不确定性问题，此方法获得的地标数量大幅增加，使用的稳定性大幅增加，显著提升了定位目标IP的效率。
-
公开(公告)号：CN116938880A
公开(公告)日：2023-10-24
申请号：CN202310705131.9
申请日：2023-06-14
Applicant: 郑州轻工业大学
IPC: H04L61/5007 , H04L41/12 , G06N3/0464 , G06N3/08 , H04L101/69 , H04L101/659 , H04L101/695
Abstract: 本发明提出了一种用于IP定位的网络实体识别方法，步骤为：提取网络实体的IPv6地址，获取路径信息得到数据集；对数据集进行特征提取和匿名处理得到属性特征，将属性特征嵌入至网络拓扑图中；通过社区聚类方法对网络拓扑图进行社区划分得到子图；提取子图中节点的结构信息并计算结构相似度，对子图所有节点进行Transformer计算，计算节点的综合权重注意力；根据节点间的综合权重注意力，选取前K个节点进行聚合更新，输出更新后的节点表示；训练Transformer网络，将更新后的节点表示送入分类层，通过预测概率获取设备类别。本发明在公开收集的数据集上成功识别了8种不同的网络实体，网络实体的识别准确率在95.49%以上。
-
公开(公告)号：CN115265473A
公开(公告)日：2022-11-01
申请号：CN202210914051.X
申请日：2022-08-01
Applicant: 郑州轻工业大学
IPC: G01C5/00
Abstract: 本发明是关于一种基于IPV6的高度表与加速度计混合空间测高方法。其首先安装SiA200 MEMS加速度传感器，测量载体加速度；FYC‑LG24‑800型无线电高度表，测量载体高度信息。将上述高度与加速度信息由IPV6网络发送到地面站汇总并进行两次积分得到惯性速度信号与惯性高度信号；然后对载体高度信息进行非线性低通滤波，得到低通滤波高度信号并得到修正惯性高度误差信号，叠加惯性速度信号与积分得到一次修正惯性速度信号与两次修正后的惯性高度信号，并与高度表经非线性低通滤波后的信号组合卡尔曼滤波得到组合后的高度信号，从而形成混合测高信号，从而比单独测量具有更佳的效果。
-
公开(公告)号：CN115964666A
公开(公告)日：2023-04-14
申请号：CN202310085234.X
申请日：2023-02-06
Applicant: 郑州轻工业大学
IPC: G06F18/2431 , G06F18/2415 , G06N3/0442 , G06N3/0464 , G06N3/082 , G06N3/084 , G06F18/22
Abstract: 本发明提出了一种基于图神经网络的街道级IPv6地理定位方法，用以解决当前IPv6地理定位方法存在定位细粒度较低的技术问题。本发明的步骤为：对所获得的IP地址进行匿名处理，并将地标的经纬度信息转换为区域编号；利用图神经网络将处理后的节点信息转化为属性特征图；通过基于学习的方式将属性特征图的边的特征信息转换为边的权重；将节点的特征信息馈送到改进的GraphSAGE模型中，根据边的权重进行剪枝，通过卷积学习相邻节点的信息，并在节点表示后输出节点信息；结合区域编号将经过改进的GraphSAGE模型的节点属性更新矩阵放入层级分类模块中进行分类，输出目标地理定位。本发明在中值误差、平均误差和最大误差方面优于当前的IPv6地理定位算法。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.02 seconds)
