-
Patent Agency Ranking
公开(公告)号：CN117473415A
公开(公告)日：2024-01-30
申请号：CN202311510758.5
申请日：2023-11-14
Applicant: 重庆邮电大学
IPC: G06F18/2415 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/084
Abstract: 本发明属于物联网流量分类领域，涉及基于融合特征和自适应权重的物联网流量分类方法。该方法包括以下步骤：S1)对数据进行预处理，按照五元组将流量数据分成会话流，使用USTC‑TK2016工具对会话流进行清洗、提取有效字节并转化成灰度图；S2)在Inception结构基础上重新设计多尺度结构，提出一种轻量级多尺度特征融合模块。使用空洞卷积降低模型参数量，融合不同层次的语义信息，获得全面的空间信息；S3)嵌入自适应坐标注意力机制，通过引入加权系数对特征图水平方向和垂直方向的特征进行自适应精细化提取，捕获关键位置信息；S4)针对模型轻量化操作带来的部分特征损失和可能的梯度消失问题，使用残差链接保证语义信息的完整，解决梯度消失问题，同时加快模型收敛；S5)使用全卷积替代全连接层，提高模型非线性能力，最后经过SoftMax进行分类。本发明提出一种物联网流量分类模型，该模型能实现性能和模型复杂度之间的平衡，降低了日益剧增的网络流量带来的沉重开销，能有效应用于移动边缘计算场景。
-
公开(公告)号：CN117455069A
公开(公告)日：2024-01-26
申请号：CN202311523200.0
申请日：2023-11-14
Applicant: 重庆邮电大学
IPC: G06Q10/04 , G06F16/2458 , G06F16/30 , G06N3/0455 , G06N3/0464
Abstract: 本发明属于轨迹预测领域，涉及基于Transformer和终点信息的行人轨迹预测方法。该方法包括以下步骤：S1)将所用的数据进行预处理；S2)采用条件变分自编码器网络生成轨迹终点信息特征；S3)采用Temporal Transformer和Spatial Transformer提取数据的行人交互特征；S4)利用Spatial Transformer和Temporal Transformer对空间交互进行建模及增强空间嵌入性；S5)将提取的特征融合后输入解码器输出预测轨迹。提出一种基于Transformer和终点信息的行人轨迹预测方法，该方法充分考虑行人轨迹运动时空规律，从不同角度提取特征信息，与传统的轨迹预测方法相比更加强大，具有更优的轨迹预测性能。
-
公开(公告)号：CN117560191A
公开(公告)日：2024-02-13
申请号：CN202311510764.0
申请日：2023-11-14
Applicant: 重庆邮电大学
Abstract: 本发明属于网络流量生成领域，涉及基于生成对抗网络的物联网恶意流量生成方法。该方法包括以下步骤：S1)将时间序列(1D)轨迹转换为GASF图像(2D)；S2)采用WGAES生成模型对GASF图像进行生成；S3)采用后处理算法对生成的GASF图像进行处理；S4)使用二分类器对生成的数据集进行分类实验。本发明提出一种结合WGAES生成模型，GASF图像转换以及GASF图像后处理算法的物联网流量数据生成方法，该方法能够生成高质量的物联网恶意流量，最终有效扩充物联网流量数据集。最后使用二元分类器在扩充后的数据集上进行分类，用来评价物联网恶意合成流量生成的效果。
-
公开(公告)号：CN117478410A
公开(公告)日：2024-01-30
申请号：CN202311510768.9
申请日：2023-11-14
Applicant: 重庆邮电大学
Abstract: 本发明属于车联网安全技术领域，涉及基于时空特征的车联网CAN总线入侵检测方法。该方法包括以下步骤：S1)保留CAN数据，进行预处理。S2)使用时间窗口，生成一组一组序列；S3)采用多通道一维卷积神经网络提出序列的空间特征；S4)采用多通道门控时域卷积网路提取序列的时间特征；S5)将提取到的时空特征加入通道注意力机制并通过softmax分类器分类。提出一种基于空时特征的CAN总线入侵检测方法，该方法根据CAN数据帧具有时空特征的特性，从不同角度充分提取特征信息，相对于传统的入侵检测方法更加的强大，更加轻量化，具有更优的入侵检测性能。
-
公开(公告)号：CN116599752A
公开(公告)日：2023-08-15
申请号：CN202310666381.6
申请日：2023-06-06
Applicant: 重庆邮电大学
IPC: H04L9/40 , H04L41/14 , H04L41/16 , G06F18/15 , G06F18/232 , G06F18/2413 , G06F18/243 , G06F18/25 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明属于网络入侵检测领域，涉及基于深度生成模型和聚类欠采样的网络入侵检测方法。该方法包括以下步骤：S1)对数据集进行预处理和确定采样阈值；S2)采用DCGAES生成模型对少数类样本进行生成；S3)采用DBSCAN聚类对多数类样本进行欠采样；S4)采用Tomek Links剔除数据集中的噪声样本；S5)使用投票分类器(DT+KNN)对平衡前后的数据集进行分类实验。本发明提出一种结合DCGAES生成模型，DBSCAN聚类欠采样以及Tomek Links算法的平衡数据集方法，该方法能够生成高质量的少数类攻击样本，同时去除多数类中的冗余和噪声样本，最终可以得到一个相对平衡且优质的数据集来进行入侵检测，提高少数类攻击样本的检测率。
-
-
-
-
Search Results
5
records
(took 0.019 seconds)
