-
公开(公告)号：CN119832303A
公开(公告)日：2025-04-15
申请号：CN202411881417.3
申请日：2024-12-19
Applicant: 鹏城实验室
IPC: G06V10/764 , G06V10/80 , G06V10/766 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/09
Abstract: 本申请公开了一种多模态流量分类方法、装置、设备及存储介质，涉及网络流量分类技术领域，该方法包括：对待分类网络流量的流量图像进行特征提取，确定图像特征；对所述待分类网络流量的流量图进行特征提取，确定图特征；对所述图像特征与所述图特征进行多模态融合，得到多模态融合特征；基于所述多模态融合特征，对所述待分类网络流量进行分类，得到分类结果。通过上述方式，分别从图像和图中捕获有效的多模态特征，并进行融合，获得流量的综合特征表示，减少特征损失，在同一字节级别的粒度上执行流量分类任务，利用流量数据的多样性，提高了分类性能，保证了分类的准确性。
-
公开(公告)号：CN110837638B
公开(公告)日：2020-09-01
申请号：CN201911087368.5
申请日：2019-11-08
Applicant: 鹏城实验室 , 清华大学深圳国际研究生院
Abstract: 本申请公开了一种勒索软件的检测方法、装置、设备及存储介质，以待检测软件的特征数据作为勒索软件分类模型的输入数据，并基于特征数据调整勒索软件分类模型中所包括的第一神经元网络，由此得到第二神经元网络。显然经过调整，第二神经元网络可以自适应地满足一定的量化误差约束，同时还能在不影响调整之前勒索软件分类模型分类结果的情况下，适应勒索软件分类模型没有学习过勒索软件新类型。所以本方法进一步触发勒索软件分类模型基于该第二神经元网络，输出勒索软件的分类。综上，本方法不仅可以识别已知类型的勒索软件的类型，也可以识别新类型的勒索软件的类型，并输出勒索软件的分类，由此提高了勒索软件分类的准确性。
-
公开(公告)号：CN111556065A
公开(公告)日：2020-08-18
申请号：CN202010382958.7
申请日：2020-05-08
Applicant: 鹏城实验室 , 清华大学深圳国际研究生院
IPC: H04L29/06
Abstract: 本发明涉及网络安全技术领域，公开了一种钓鱼网站检测方法、装置及计算机可读存储介质。该钓鱼网站检测方法包括：获取待检测统一资源定位符URL，对待检测URL进行预处理，得到第一输入矩阵；将第一输入矩阵输入至特征提取子模型，得到特征矩阵；对第一输入矩阵进行处理，得到第二输入矩阵，并将第二输入矩阵输入至注意力参数提取子模型，得到注意力参数矩阵；将特征矩阵和注意力参数矩阵输入至网站分类子模型，得到分类结果，并根据分类结果确定待检测URL对应的网站是否为钓鱼网站。本发明能够在提高钓鱼网站检测及时性的同时，提高检测效率。
-
Patent Agency Ranking
公开(公告)号：CN110837638A
公开(公告)日：2020-02-25
申请号：CN201911087368.5
申请日：2019-11-08
Applicant: 鹏城实验室 , 清华大学深圳国际研究生院
Abstract: 本申请公开了一种勒索软件的检测方法、装置、设备及存储介质，以待检测软件的特征数据作为勒索软件分类模型的输入数据，并基于特征数据调整勒索软件分类模型中所包括的第一神经元网络，由此得到第二神经元网络。显然经过调整，第二神经元网络可以自适应地满足一定的量化误差约束，同时还能在不影响调整之前勒索软件分类模型分类结果的情况下，适应勒索软件分类模型没有学习过勒索软件新类型。所以本方法进一步触发勒索软件分类模型基于该第二神经元网络，输出勒索软件的分类。综上，本方法不仅可以识别已知类型的勒索软件的类型，也可以识别新类型的勒索软件的类型，并输出勒索软件的分类，由此提高了勒索软件分类的准确性。
-
公开(公告)号：CN114781651A
公开(公告)日：2022-07-22
申请号：CN202210565539.6
申请日：2022-05-23
Applicant: 清华大学深圳国际研究生院 , 鹏城实验室
IPC: G06N20/00 , G06F40/30 , G06F40/242 , G06F40/166
Abstract: 本发明公开了一种基于对比学习的小样本学习鲁棒性提升方法，包括以下步骤：S1、对原始数据集进行预处理，构造对抗数据集和对比数据集；S2、将原始数据集、对抗数据集和对比数据集分别输入预训练语言模型中，得到相应的嵌入表示，并使用对比学习损失函数计算三种嵌入表示之间的距离；S3、根据对比学习损失函数与原模型的损失函数计算模型更新的梯度，以总体损失更小为目标来训练模型。本发明通过构造对抗和对比数据集为模型鲁棒性学习提供数据支持，使用对比学习目标函数计算损失能够更好地获取原始样本与对抗样本的相似性，也能更好地区分原始样本与对比样本的差异，从而提升模型受到对抗或者对比扰动时的鲁棒性。
-
公开(公告)号：CN111310235A
公开(公告)日：2020-06-19
申请号：CN202010389702.9
申请日：2020-05-11
Applicant: 鹏城实验室 , 清华大学深圳国际研究生院
Abstract: 本发明公开了一种网络隐私信息的保护方法、装置及计算机存储介质，该保护方法包括：接收隐私信息访问请求，所述隐私信息访问请求包括要访问的隐私信息以及访问者信息；根据所述隐私信息访问请求，获得访问者通过此次访问后得到的隐私信息集合；根据所述隐私信息集合，计算访问者选择预设策略的概率；根据访问者选择预设策略的概率与拥有者的预设阈值，确定是否允许访问者访问所述隐私信息。本发明有效防止了用户隐私信息泄露，提升了网络隐私信息的安全性。
-
公开(公告)号：CN114781651B
公开(公告)日：2024-12-24
申请号：CN202210565539.6
申请日：2022-05-23
Applicant: 清华大学深圳国际研究生院 , 鹏城实验室
IPC: G06N20/00 , G06F40/30 , G06F40/242 , G06F40/166
Abstract: 本发明公开了一种基于对比学习的小样本学习鲁棒性提升方法，包括以下步骤：S1、对原始数据集进行预处理，构造对抗数据集和对比数据集；S2、将原始数据集、对抗数据集和对比数据集分别输入预训练语言模型中，得到相应的嵌入表示，并使用对比学习损失函数计算三种嵌入表示之间的距离；S3、根据对比学习损失函数与原模型的损失函数计算模型更新的梯度，以总体损失更小为目标来训练模型。本发明通过构造对抗和对比数据集为模型鲁棒性学习提供数据支持，使用对比学习目标函数计算损失能够更好地获取原始样本与对抗样本的相似性，也能更好地区分原始样本与对比样本的差异，从而提升模型受到对抗或者对比扰动时的鲁棒性。
-
公开(公告)号：CN111310235B
公开(公告)日：2020-11-03
申请号：CN202010389702.9
申请日：2020-05-11
Applicant: 鹏城实验室 , 清华大学深圳国际研究生院
Abstract: 本发明公开了一种网络隐私信息的保护方法、装置及计算机存储介质，该保护方法包括：接收隐私信息访问请求，所述隐私信息访问请求包括要访问的隐私信息以及访问者信息；根据所述隐私信息访问请求，获得访问者通过此次访问后得到的隐私信息集合；根据所述隐私信息集合，计算访问者选择预设策略的概率；根据访问者选择预设策略的概率与拥有者的预设阈值，确定是否允许访问者访问所述隐私信息。本发明有效防止了用户隐私信息泄露，提升了网络隐私信息的安全性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.015 seconds)
