-
公开(公告)号：CN106789888B
公开(公告)日：2020-08-04
申请号：CN201611028629.2
申请日：2016-11-18
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种多特征融合的钓鱼网页检测方法，包括训练过程和检测过程两个部分。结合半监督学习tri‑training方法整合了钓鱼网页特点的三个视图，主要解决了现有钓鱼网页检测方法大多需要通过大量的标注数据利用监督学习来进行的分类模型训练的问题。该方法主要结合协同训练算法，从网页URL特征、网页页面信息特征和网页搜索信息特征出发，将多视图，多分类器的思想运用到钓鱼网页检测中，通过不同分类器的协同训练学习，达到减少总体人工标注训练样本数和及时识别钓鱼网页的目的。
-
公开(公告)号：CN106557983B
公开(公告)日：2020-11-17
申请号：CN201611016672.7
申请日：2016-11-18
Applicant: 重庆邮电大学
IPC: G06Q50/00 , G06F16/958 , G06K9/62
Abstract: 本发明公开了一种基于模糊多类SVM的微博垃圾用户检测方法，将一对多SVM多类分类器与模糊数学理论相结合用于微博垃圾用户检测。现有的微博垃圾用户研究，都是对全局的垃圾用户特征进行分析，分析力度不够，缺乏针对某类垃圾用户的特征分析，这样会使垃圾用户逃避检测系统的检测。本发明通过对微博垃圾用户的特征进行分析，将垃圾用户分为三类，构造一对多SVM多类分类器，并针对多类分类器产生的混分样本使用模糊聚类方法进行模糊处理，得到组合分类器，提高了检测精度。
-
公开(公告)号：CN106789888A
公开(公告)日：2017-05-31
申请号：CN201611028629.2
申请日：2016-11-18
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种多特征融合的钓鱼网页检测方法，包括训练过程和检测过程两个部分。结合半监督学习tri‑training方法整合了钓鱼网页特点的三个视图，主要解决了现有钓鱼网页检测方法大多需要通过大量的标注数据利用监督学习来进行的分类模型训练的问题。该方法主要结合协同训练算法，从网页URL特征、网页页面信息特征和网页搜索信息特征出发，将多视图，多分类器的思想运用到钓鱼网页检测中，通过不同分类器的协同训练学习，达到减少总体人工标注训练样本数和及时识别钓鱼网页的目的。
-
公开(公告)号：CN106294590B
公开(公告)日：2019-05-31
申请号：CN201610614458.5
申请日：2016-07-29
Applicant: 重庆邮电大学
IPC: G06F16/9536 , G06K9/62 , G06Q50/00
Abstract: 本发明公开了一种基于半监督学习的社交网络垃圾用户过滤方法，将协同训练算法应用于社交网络垃圾用户检测。现有对社交网络中的海量信息进行的分类大多利用监督学习算法，该算法都是基于已标注数据建立的分类模型，但因社交信息规模庞大，标注数据所需人工成本巨大，且解决社交网络用户数据标注的方法不多。提出一种方法，借鉴协同训练算法，将多视图、多分类器运用到大量无标注或有少量标注的社交网络数据中，使不同视图上的分类器相互学习，实现数据标注的目的。
-
Patent Agency Ranking
公开(公告)号：CN105681320B
公开(公告)日：2018-12-28
申请号：CN201610101150.0
申请日：2016-02-24
Applicant: 重庆邮电大学
Abstract: 本发明提出了一种基于位置模糊化的假名动态生成方法，针对基于位置服务中移动用户发起连续查询请求不能很好的保护用户的位置隐私。在移动通信中，用户在享受基于位置的服务LBS带来的方便与快捷同时，容易遭受到攻击者实施的连续查询攻击：匿名区域交叉攻击和匿名区域收缩攻击，最终会导致用户的位置信息暴露。因此本发明针对匿名区域交叉攻击提出一种方法，在匿名服务器生成匿名区域的过程中给查询发起者动态生成必要的假名，使得攻击者不能通过对比历史匿名区域以及当前的匿名区域挖掘出用户的真实身份，从而攻击者不能把截取到的位置信息与真实用户的身份一一对应起来，实现了用户的位置隐私安全。
-
公开(公告)号：CN106557983A
公开(公告)日：2017-04-05
申请号：CN201611016672.7
申请日：2016-11-18
Applicant: 重庆邮电大学
CPC classification number: G06Q50/01 , G06F16/951 , G06K9/6269
Abstract: 本发明公开了一种基于模糊多类SVM的微博垃圾用户检测方法，将一对多SVM多类分类器与模糊数学理论相结合用于微博垃圾用户检测。现有的微博垃圾用户研究，都是对全局的垃圾用户特征进行分析，分析力度不够，缺乏针对某类垃圾用户的特征分析，这样会使垃圾用户逃避检测系统的检测。本发明通过对微博垃圾用户的特征进行分析，将垃圾用户分为三类，构造一对多SVM多类分类器，并针对多类分类器产生的混分样本使用模糊聚类方法进行模糊处理，得到组合分类器，提高了检测精度。
-
公开(公告)号：CN106296422A
公开(公告)日：2017-01-04
申请号：CN201610615016.2
申请日：2016-07-29
Applicant: 重庆邮电大学
CPC classification number: G06Q50/01 , G06F16/951 , G06K9/6269
Abstract: 本发明公开了一种融合多算法的社交网络垃圾用户检测方法，利用网络爬虫的方式从社交网络中爬取用户数据，通过分析用户的行为提取相应特征构成特征向量；接着使用K-均值(K-Means)和DBSCAN结合的聚类算法对社交网络中的用户进行聚类；从上一步的聚类结果中挑选簇边界附近的数据和聚类中心附近的数据训练支持向量机(SVM)分类器，得到分类器模型；最后采用训练得到的SVM分类器模型对社交网络中的垃圾用户进行检测。本发明降低了人工标注数据的成本、提高了检测的准确率，并且易于实现。
-
公开(公告)号：CN106294590A
公开(公告)日：2017-01-04
申请号：CN201610614458.5
申请日：2016-07-29
Applicant: 重庆邮电大学
CPC classification number: G06F16/951 , G06K9/6259 , G06K9/6267 , G06Q50/01
Abstract: 本发明公开了一种基于半监督学习的社交网络垃圾用户过滤方法，将协同训练算法应用于社交网络垃圾用户检测。现有对社交网络中的海量信息进行的分类大多利用监督学习算法，该算法都是基于已标注数据建立的分类模型，但因社交信息规模庞大，标注数据所需人工成本巨大，且解决社交网络用户数据标注的方法不多。提出一种方法，借鉴协同训练算法，将多视图、多分类器运用到大量无标注或有少量标注的社交网络数据中，使不同视图上的分类器相互学习，实现数据标注的目的。
-
公开(公告)号：CN105681320A
公开(公告)日：2016-06-15
申请号：CN201610101150.0
申请日：2016-02-24
Applicant: 重庆邮电大学
CPC classification number: H04W4/025 , H04L63/1441 , H04L67/18 , H04L67/32 , H04W12/02
Abstract: 本发明提出了一种基于位置模糊化的假名动态生成方法，针对基于位置服务中移动用户发起连续查询请求不能很好的保护用户的位置隐私。在移动通信中，用户在享受基于位置的服务LBS带来的方便与快捷同时，容易遭受到攻击者实施的连续查询攻击：匿名区域交叉攻击和匿名区域收缩攻击，最终会导致用户的位置信息暴露。因此本发明针对匿名区域交叉攻击提出一种方法，在匿名服务器生成匿名区域的过程中给查询发起者动态生成必要的假名，使得攻击者不能通过对比历史匿名区域以及当前的匿名区域挖掘出用户的真实身份，从而攻击者不能把截取到的位置信息与真实用户的身份一一对应起来，实现了用户的位置隐私安全。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
