-
公开(公告)号：CN112203328B
公开(公告)日：2022-07-12
申请号：CN202011058262.5
申请日：2020-09-30
Applicant: 中南林业科技大学
Abstract: 本说明书一个或多个实施例提供一种基于DCCP的拥塞控制方法、系统及电子设备，能够保证无线传感网络中数据流量传输的高效性与公平性。所述方法包括：接收端缓存接收数据包；在接收到所述数据包时向发送端返回接收确认信息；在接收到所述数据包后，对所述数据包进行检测查重；所述发送端针对不同网络运行状态，根据所述接收确认信息对数据包发送速率进行控制。所述系统包括发送模块与接收模块。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的实现所述拥塞控制方法的计算机程序。
-
公开(公告)号：CN113691542A
公开(公告)日：2021-11-23
申请号：CN202110982991.8
申请日：2021-08-25
Applicant: 中南林业科技大学
Abstract: 本公开提供一种基于HTTP请求文本的Web攻击检测方法及相关设备。所述方法包括：获取网络流量中的HTTP请求文本；对所述HTTP请求文本进行预处理，以生成编码向量；利用预先训练好的记忆聚焦处理神经网络(MFPNN)模型，对所述编码向量进行检测，以得到预测向量，其中，所述MFPNN模型是通过将双向长短期记忆(BiLSTM)神经网络模型与多头注意力机制结合而构建的；基于所述预测向量进行计算，得到Web攻击的分类结果。本公开的实施例可以提高Web攻击检测的准确率和真阳性率。
-
公开(公告)号：CN113691542B
公开(公告)日：2023-04-28
申请号：CN202110982991.8
申请日：2021-08-25
Applicant: 中南林业科技大学
IPC: H04L9/40 , G06N3/0499 , G06N3/084 , G06N3/08 , H04L67/02 , G06N3/0442
Abstract: 本公开提供一种基于HTTP请求文本的Web攻击检测方法及相关设备。所述方法包括：获取网络流量中的HTTP请求文本；对所述HTTP请求文本进行预处理，以生成编码向量；利用预先训练好的记忆聚焦处理神经网络(MFPNN)模型，对所述编码向量进行检测，以得到预测向量，其中，所述MFPNN模型是通过将双向长短期记忆(BiLSTM)神经网络模型与多头注意力机制结合而构建的；基于所述预测向量进行计算，得到Web攻击的分类结果。本公开的实施例可以提高Web攻击检测的准确率和真阳性率。
-
公开(公告)号：CN114547985B
公开(公告)日：2024-11-26
申请号：CN202210188052.0
申请日：2022-02-28
Applicant: 中南林业科技大学
IPC: G06F30/27 , G06F18/214 , G06F18/22 , G06N3/0442 , G06N3/0455 , G06N3/09 , G06F119/12
Abstract: 本发明公开一种环境监测缺失数据补偿处理的方法，包括：获取环境监测初始数据；对所述环境监测初始数据进行分析，计算各环境污染指标与目标指标的相关度，其中，所述相关度用于度量所述环境污染指标与所述目标指标的相关程度强弱；构建数据补偿模型，将所述环境监测初始数据和所述相关度输入所述数据补偿模型，训练并利用形状和时间失真损失函数优化所述数据补偿模型，获得最优数据补偿模型；利用所述最优数据补偿模型，对环境监测缺失数据进行补偿处理。本发明提高了环境监测缺失数据补偿的准确性。
-
公开(公告)号：CN117786315A
公开(公告)日：2024-03-29
申请号：CN202311676884.8
申请日：2023-12-08
Applicant: 中南林业科技大学
IPC: G06F18/10 , G06F18/2135 , G06F18/213 , G06F18/24 , G06N3/0455 , G06N3/045 , G06N3/0442 , G06N3/047 , G06N3/048 , G06N3/0985 , H04L9/40 , H04L41/16 , G16Y40/10 , G16Y40/50
Abstract: 本发明公开了面向工业物联网的TBG模型入侵检测方法，涉及工业网络数据处理技术领域，通过采用主成分分析算法对高维数据进行特征降维；采用Transformer编码器部分中的多头注意力机制关注不同属性特征之间的联系，提取全局特征联系；双向门控循环单元提取长序列时序特征，将二者学习到的特征进行融合，更全面的了解分析内部信息，达到提高准确率的效果，验证了TBG模型中Transformer模块联系各类属性的重要作用，也验证了BiGRU获取长距离依赖和保留时序信息的能力对结果有着积极影响，相对于传统的机器学习方法和单一的深度学习模型，本模型在二分类与多分类上都能更好的对工业物联网入侵检测数据进行分类。
-
Patent Agency Ranking
公开(公告)号：CN111148117A
公开(公告)日：2020-05-12
申请号：CN202010061801.4
申请日：2020-01-19
Applicant: 中南林业科技大学
Abstract: 本发明公开了一种基于位置和能量相互关系的LEACH协议簇头选择方法，包括以下步骤，A、计算簇头数量k的最佳值，通过K-Means将整个无线传感器网络划分为k个簇群；B、建立簇群中的层次区域模型；C、设定能量阈值，根据簇内能量对比对簇头进行选择；D、生成能量消耗模型，选择将靠近汇聚节点的普通节点直接将数据传送给汇聚节点。本发明能够解决现有技术的不足，有效降低网络的总能耗，提高网络的稳定运行时间，延长整个无线传感器网络的寿命。
-
公开(公告)号：CN111343600A
公开(公告)日：2020-06-26
申请号：CN202010140028.0
申请日：2020-03-03
Applicant: 中南林业科技大学
Abstract: 本发明公开了一种基于无线传感器网络的森林火灾监测方法，通过采用贝叶斯分类器确定在单位面积的森林里需要布置的传感器数量，布置传感器网络，将测得的四种基本天气条件参数代入预先建立的精细燃料湿度规范和火险气候指数对天气条件依赖性的封闭形式方程，计算出表示可能发生火灾的威胁程度，可以量化传感器的分布对FFMC和FWI的影响，以在FFMC和FWI实现所需的精度，既实现森林火灾的准确预测，同时保证成本最低，本方法实现简单，不需要任何特定的节点部署方案。因此，节点可以统一部署，例如，从飞机上投掷它们。这极大地方便了现实生活中的节点部署。
-
公开(公告)号：CN111340675A
公开(公告)日：2020-06-26
申请号：CN202010088057.7
申请日：2020-02-12
Applicant: 中南林业科技大学
IPC: G06T1/00
Abstract: 本发明公开了一种基于稀疏表示的彩色图案水印嵌入和提取方法，包括以下步骤，嵌入包括：A1、对原色图像执行4×4非重叠块操作；B1、生成R通道的分解路径和稀疏系数矩阵；C1、得到G通道和B通道的稀疏系数矩阵；D1、将二值水印图像转换成水印信息序列，然后嵌入到G通道和B通道稀疏系数矩阵的非零元素中；E1、使用冗余字典对系数矩阵进行稀疏重构，得到带水印的彩色图像；提取包括：A2、通过4×4非重叠块得到R、G和B三个通道的样本集；B2、利用R通道的分解路径和冗余字典对另外两个通道的样本集进行稀疏分解；C2、根据水印信息的嵌入顺序提取水印信息。本发明能够解决现有技术的不足，对乘性噪声和维纳滤波攻击具有较强的鲁棒性。
-
公开(公告)号：CN118115794A
公开(公告)日：2024-05-31
申请号：CN202410237934.0
申请日：2024-03-02
Applicant: 中南林业科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本申请提供一种基于图神经网络的图像分类方法、装置、电子设备及存储介质，涉及图像处理技术领域，解决了卷积神经网络后续图模块中的图学习缺乏关键信息和基于边标签的图神经网络生成图学习过程中没有很好的更新节点信息导致生成图片特征信息的关键性和完整性较差，图像的分类准确率低的问题。该方法包括：配置样本图像分类任务；配置样本图像公共数据集；设置样本图像公共数据集的学习参数；基于神经网络模型计算样本图像的分类结果。
-
公开(公告)号：CN117278314A
公开(公告)日：2023-12-22
申请号：CN202311381759.4
申请日：2023-10-24
Applicant: 中南林业科技大学
IPC: H04L9/40 , G06N20/00 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开了一种DDoS攻击检测方法，包括以下步骤：S1,数据预处理阶段,对数据集进行数据清洗、one‑hot编码和归一化处理；S2，特征选择阶段,即先采用随机森林算法来计算流量数据的特征重要性，并根据其重要性进行排序；然后，通过皮尔逊相关分析来计算特征之间的相关性，结合S1结果进行特征选择，减少数据冗余；S3,采用CNN和Bi LSTM模型分别进行空间维度和时间维度的特征提取，对二者提取到的特征进行融合后，再利用自注意力机制分配以不同的权重；S4，分类阶段，将训练好的结果输入softmax分类器进行分类处理。本发明提供了一种DDoS攻击检测方法，基于CNN和Bi LSTM网络引入注意力机制，构建了全新的CNN‑Bi LSTM模型，以此实现了准确率高、误报率低的DDoS攻击检测。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.016 seconds)
