-
公开(公告)号：CN119653367A
公开(公告)日：2025-03-18
申请号：CN202411501642.X
申请日：2024-10-25
Applicant: 重庆邮电大学
IPC: H04W12/121 , H04W12/06 , H04L9/32 , H04W12/08 , H04W4/40 , H04W84/18 , H04L9/30 , H04W12/041 , H04L9/08 , H04W12/0433 , H04W12/106
Abstract: 本发明涉及一种车联网中基于批量认证的恶意消息检测方法和系统，包括：接收车辆发送的消息和车辆对消息的签名信息，根据车辆的信任等级将车辆发送的消息放入对应的消息列表，利用批量验证算法对所有消息列表中的消息进行验证，若验证不通过，则依据信任等级从高到低依次对消息列表进行批量认证；对消息列表进行批量认证过程包括：利用批量验证算法对消息列表中的消息进行批量认证；若验证不通过则将消息列表中的消息均分为两个部分，对两个部分的消息分别应用批量验证算法进行批量验证；对批量验证不通过的部分消息重复上述步骤，直至找到所有的验证不通过的消息作为恶意消息，本发明能够快速的针对恶意消息进行检测，降低消息检测的损耗。
-
公开(公告)号：CN119418338A
公开(公告)日：2025-02-11
申请号：CN202411545798.8
申请日：2024-11-01
Applicant: 重庆邮电大学
IPC: G06V20/70 , G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/0895
Abstract: 本发明属于机器学习中的半监督学习领域，具体涉及一种基于虚拟对抗训练的图像伪标签标注方法，包括获取有标签图像数据和无标签图像数据作为训练数据；利用有标签图像数据自训练的模型计算预测标签与真实标签之间的交叉熵损失作为第一损失；预测无标签图像数据的伪标签，将强增强后无标签图像数据的预测标签和其伪标签的交叉熵作为第二损失；在训练数据中加入扰动，将扰动数据的预测标签和其真实标签或者伪标签之间的散度作为第三损失；利用第一、第二、第三损失训练的模型预测无标签图像数据的标签。本发明在不依赖生成伪标签的同时，通过生成虚拟对抗样本提高模型对于输入扰动的不变性并且提高模型的泛化能力。
-
公开(公告)号：CN117768061A
公开(公告)日：2024-03-26
申请号：CN202311706111.X
申请日：2023-12-12
Applicant: 重庆邮电大学
IPC: H04L1/00
Abstract: 本发明涉及稀疏网络编码领域，特别涉及一种寻找最优编码密度大小的密度调节方法，包括获取信源节点原包数量以及合法接收者、窃听者链路丢包率；基于吸收马尔可夫链模型计算编码包传输过程中各状态间的状态转移概率，由状态转移概率计算合法接收者译码整代原包的概率以及系统中所需传输的编码包总数；当系统达到吸收态后，计算窃听者预期接收到的编码包总数以及解码矩阵的秩，计算窃听者解码其中至少x个原包的概率；若合法接收者译码矩阵未满秩且窃听者解码其中至少x个原包的概率大于窃听者部分译码概率阈值则进行密度调节；否则根据原编码密度大小选择原包生成编码包进行传输；本发明能够在保证译码复杂度较低的情况下保证数据传输的安全性。
-
公开(公告)号：CN113973349B
公开(公告)日：2023-07-18
申请号：CN202111257704.3
申请日：2021-10-27
Applicant: 重庆邮电大学
Abstract: 本发明属于无线通信技术领域，涉及一种基于网络编码的机会式编码感知路由方法，包括候选节点集的选择，源节点从邻居节点中选出合适的候选节点集，并广播数据包给候选节点；各候选节点计算出自身路由权重，并根据路由权重设置发送等待时延t；候选节点中路由权重最大的节点将数据包放入发送缓存向源节点回复ACK确认并根据网络编码规则发送数据包；当发送端确认下一跳节点已成功接收数据包则认为数据发送成功，并将发送缓存队列中相应的数据包删除；本发明解决了机会式路由和网络编码技术的有效结合问题，充分发挥了两种技术的优点，提高了无线网络的网络吞吐量和传输稳定性。
-
公开(公告)号：CN114501550A
公开(公告)日：2022-05-13
申请号：CN202210162243.X
申请日：2022-02-22
Applicant: 重庆邮电大学
Abstract: 本发明属于车联网系统中无线通信技术领域，涉及一种车联网中基于NOMA的多任务卸载方法，包括：初始化网络模型，确定请求卸载车辆用户数目、车辆用户的卸载任务和网络信道容量；判断请求卸载车辆用户数目是否超过网络信道容量，若当前车辆用户数目不超过网络信道容量，则选择基于OMA的卸载方法进行任务卸载，若超过网络信道容量，则选择基于NOMA的卸载方法进行任务卸载。本发明解决了多车辆用户同时卸载所面临的信道资源不足，任务卸载排序的问题，利用基于NOMA的卸载方法进行卸载，该方法可提高信道资源利用率和系统吞吐量，可有效地降低任务传输时延。
-
Patent Agency Ranking
公开(公告)号：CN116055005B
公开(公告)日：2025-02-18
申请号：CN202310074110.1
申请日：2023-01-17
Applicant: 重庆邮电大学
IPC: H04L1/00
Abstract: 本发明属于无线网络通信技术领域，具体涉及一种基于预算的稀疏网络编码密度调节方法；该方法包括：获取信源节点原包数量和链路丢包率；设置稀疏度阈值；初始化传输参数，传输参数包括稀疏度、期望预算、剩余预算和可用预算阈值；根据原包数量进行区域划分，得到区域划分结果，包括区域划分数和每个区域的再生包容量；若剩余预算大于0且解码矩阵未满秩，则在当前区域下进行编码密度调节并更新剩余预算，切换下一区域再进行信源节点的密度调节；否则根据解码矩阵状态进行编码包传输；本发明能够更加的精确且能够更好的评估实际网络数据包传输的相关性能，降低传输开销。
-
公开(公告)号：CN114501550B
公开(公告)日：2025-02-11
申请号：CN202210162243.X
申请日：2022-02-22
Applicant: 重庆邮电大学
IPC: H04W28/086 , H04W4/40
Abstract: 本发明属于车联网系统中无线通信技术领域，涉及一种车联网中基于NOMA的多任务卸载方法，包括：初始化网络模型，确定请求卸载车辆用户数目、车辆用户的卸载任务和网络信道容量；判断请求卸载车辆用户数目是否超过网络信道容量，若当前车辆用户数目不超过网络信道容量，则选择基于OMA的卸载方法进行任务卸载，若超过网络信道容量，则选择基于NOMA的卸载方法进行任务卸载。本发明解决了多车辆用户同时卸载所面临的信道资源不足，任务卸载排序的问题，利用基于NOMA的卸载方法进行卸载，该方法可提高信道资源利用率和系统吞吐量，可有效地降低任务传输时延。
-
公开(公告)号：CN119360161A
公开(公告)日：2025-01-24
申请号：CN202411490660.2
申请日：2024-10-24
Applicant: 重庆邮电大学
IPC: G06V10/776 , G06V10/764 , G06V10/82 , G06F17/16 , G06N3/094
Abstract: 本发明属于智能安全领域，具体涉及一种基于图像分类模型的黑盒对抗鲁棒性评估方法；包括：采用图像分类模型对不同类别的图像进行分类处理，得到多个不同类别的图像样本集；对多个不同类别的图像样本集进行处理，得到决策边界图像样本集合；将决策边界图像样本集合转换为决策边界图像样本矩阵；对决策边界图像样本矩阵进行奇异值分解，得到决策边界图像样本矩阵的奇异值；根据奇异值计算得到决策边界复杂度；对决策边界复杂度进行归一化处理，得到鲁棒性评估指标；根据鲁棒性评估指标对图像分类模型进行鲁棒性评估，得到图像分类模型的鲁棒性评估结果；本发明无需目标模型的结构和参数信息，大大提高了图像分类模型对抗鲁棒性评估过程的安全性。
-
公开(公告)号：CN117909975A
公开(公告)日：2024-04-19
申请号：CN202410082512.0
申请日：2024-01-19
Applicant: 重庆邮电大学
IPC: G06F21/56 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及一种基于图卷积网络的安卓恶意软件检测方法，该方法包括：获取待检测安卓应用，进行静态分析，构建函数调用图，该图包括API函数节点及其API调用关系，对函数调用图进行简化处理，保留与文件访问、网络申请相关的核心API函数节点，对其他非核心节点API函数节点进行合并处理，得到待检测安卓应用的函数抽象图，根据函数抽象图得到其邻接矩阵，对函数抽象图进行自然语言处理，获取函数抽象图中API函数节点的初始特征向量，得到函数抽象图对应的特征矩阵，将所述邻接矩阵和所述特征矩阵输入训练后的图卷积神经网络模型，得到待检测安卓应用的检测结果。本发明能够提高安卓恶意软件检测的检测准确率和检测效率。
-
公开(公告)号：CN116070209A
公开(公告)日：2023-05-05
申请号：CN202310073548.8
申请日：2023-01-17
Applicant: 重庆邮电大学
IPC: G06F21/56 , G06F18/2413
Abstract: 本发明属于信息安全中的安卓恶意软件检测领域，特别涉及一种基于代价敏感学习的Android恶意软件检测方法；所述方法包括获取原始的Android软件样本数据集；对数据集中的所有样本进行反编译获得源代码文件；从反编译后的源代码文件中提取权限和四大组件作为原始特征；对所有样本采用样本敏感权重计算方法计算样本权重，并得到样本敏感权重序列；将样本敏感权重序列应用于特征选择阶段，采用基于代价敏感的特征选择方法，从选出敏感特征子集；将样本敏感权重序列应用于模型训练阶段，采用基于代价敏感学习的分类方法，对所述敏感特征子集检测出Android恶意软件。本发明能够提高安卓恶意软件分类模型检测效率和检测准确率。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.019 seconds)
