-
公开(公告)号：CN116049816B
公开(公告)日：2023-07-25
申请号：CN202310027342.1
申请日：2023-01-09
Applicant: 北京交通大学 , 深信服科技股份有限公司
Abstract: 本发明提供了一种基于区块链可验证安全的联邦学习方法。该方法包括：各个参与方在本地训练模型，将得到的本地模型上传至区块链，参与方从区块链上下载其余参与方上传的本地模型，对其本地模型通过模型相似度算法检测并依据本地数据评分，确保本地模型不会受到攻击者的投毒攻击，将评分结果上传至区块链上；智能合约对所有参与方上传的评分结果进行统计和评分，择优选择精度较高的多个本地模型聚合，得到最新的全局模型，智能合约根据当前轮次的各个参与方行为进行信誉评分，将信誉评分结果存储在区块链上。本发明方法通过让参与方依据欧氏距离计算模型相似度，可以同时检测出联邦学习中的多种投毒攻击，可以最大程度保证系统的鲁棒性和可靠性。
-
公开(公告)号：CN116126680A
公开(公告)日：2023-05-16
申请号：CN202211474627.1
申请日：2022-11-23
Applicant: 北京交通大学
IPC: G06F11/36
Abstract: 本发明提供的一种软件系统配置错误诊断方法和系统，通过对程序执行数据构造频谱信息，计算卡方检验数快速定位导致配置错误的配置选项。同时，对配置选项的控制流和数据流抽象为向量，进行向量距离计算，判断配置选项之间是否存在关联关系。解决了多配置错误的诊断难题，同时指出了配置选项之间是否存在约束和关联关系。避免了由于模式匹配造成的漏报，同时使用频谱、卡方检验数和距离度量的方法不局限于特定的软件程序，具有普适性和广泛性，适用于更多的软件程序。
-
公开(公告)号：CN115601034B
公开(公告)日：2023-05-12
申请号：CN202211207488.6
申请日：2022-09-30
Applicant: 北京交通大学
IPC: G06Q20/38 , G06Q20/40 , G06F18/214 , G06F18/25 , G06N3/0442 , G06N3/08
Abstract: 本发明提供了一种面向去中心化金融的攻击检测方法。该方法包括：提取面向去中心化金融的交易事件中的全局信息和局部信息，根据全局信息和局部信息提取全局特征和局部特征，保存训练好的全局模型与局部模型的参数；通过融合模型将全局特征与局部特征相融合并，提取不同层次的高级语义特征，保存训练好的融合模型的参数。通过训练好的全局模型、局部模型和融合模型对待检测的交易事件进行攻击检测，判定待检测的交易事件数据为攻击或者为正常交易数据。本发明方法为去中心化金融中的自动化攻击检测给出理论依据和实践方法，为当前去中心金融提供安全保障，促进去中心化金融生态的稳定和可持续发展。
-
公开(公告)号：CN115423418B
公开(公告)日：2023-05-02
申请号：CN202210779554.0
申请日：2022-07-04
Applicant: 北京交通大学
Abstract: 本发明提供了一种基于区块链的论文评审方法。该方法包括：评审方通过函数register()进行注册，获得评审资格；主办方调用函数open()提交各阶段的截止时间和投稿要求的ipfs链接；投稿方Ci通过函数submitC()提交通过投稿方公钥加密后的稿件的ipfs链接；主办方通过调用函数assign()提交选择的评审方，分配给每个评审方的稿件；投稿方通过链下信道向全部评审方公开其稿件的解密密钥评审方获取稿件内容并进行评审；评审方通过调用函数submitR()提交评审打分的ipfs链接；主办方通过调用函数decision()基于评审方的评审打分在链上计算出各稿件的最终分数并进行公示。本发明在链下进行传输稿件、打分结果等信息，并在链下进行存储与计算，实现了匿名性，可以有效防止攻击者在结果展示前通过对应某稿件的指派信息找出评审方。
-
公开(公告)号：CN115345317B
公开(公告)日：2023-04-07
申请号：CN202210937456.5
申请日：2022-08-05
Abstract: 本发明提供了一种基于公平理论的面向联邦学习的公平奖励分配方法。该方法包括：将亚当斯的公平理论应用于联邦学习中，参与方综合分析对联邦任务投入的所有因素后，给出本次任务的期望奖励，任务发布者利用参与方的历史任务计算出参与方的声望；参与方利用本地数据参与每轮训练任务，评估参与方的数据贡献、模型贡献和等待时间补贴三因素，综合三因素的贡献结果评估参与方的贡献；当全局模型收敛后，以参与方的实际奖励与期望奖励尽可能接近为目标，根据公平奖励目标函数动态调整三因素权重，获取并分发参与方的实际奖励。本发明综合考虑不同参与方的实际情况，以尽可能满足所有参与方的期望为目标分配实际奖励，实现满足参与方期望的公平性。
-
Patent Agency Ranking
公开(公告)号：CN115601034A
公开(公告)日：2023-01-13
申请号：CN202211207488.6
申请日：2022-09-30
Applicant: 北京交通大学(CN)
IPC: G06Q20/38 , G06Q20/40 , G06F18/214 , G06F18/25 , G06N3/0442 , G06N3/08
Abstract: 本发明提供了一种面向去中心化金融的攻击检测方法。该方法包括：提取面向去中心化金融的交易事件中的全局信息和局部信息，根据全局信息和局部信息提取全局特征和局部特征，保存训练好的全局模型与局部模型的参数；通过融合模型将全局特征与局部特征相融合并，提取不同层次的高级语义特征，保存训练好的融合模型的参数。通过训练好的全局模型、局部模型和融合模型对待检测的交易事件进行攻击检测，判定待检测的交易事件数据为攻击或者为正常交易数据。本发明方法为去中心化金融中的自动化攻击检测给出理论依据和实践方法，为当前去中心金融提供安全保障，促进去中心化金融生态的稳定和可持续发展。
-
公开(公告)号：CN114362994B
公开(公告)日：2023-01-06
申请号：CN202111418689.6
申请日：2021-11-26
Applicant: 北京交通大学 , 中国国家铁路集团有限公司
Abstract: 本发明实施属于铁路信息系统安全技术领域，具体涉及多层异粒度智能聚合铁路系统运行行为安全风险识别方法。该方法主要包括：首先利用静态阈值对设备性能数据进行判断，筛选出异常的性能项目，由异常的性能项目分别基于网络攻击聚合规则和网络拓扑聚合规则得到需要聚合分析的多源日志数据集合并且给每条日志设置好相应的网络攻击权重q，将它们依次作为现有神经网络的输入，并且对相应的输出结果进行加权平均化处理，得到风险等级预测数值，该值越大，当前系统面临的网络安全风险就越大。本发明使用了关联规则与深度学习技术相结合的方式，综合考虑了多方面因素，达到了比传统方法更高的效率。
-
公开(公告)号：CN115345317A
公开(公告)日：2022-11-15
申请号：CN202210937456.5
申请日：2022-08-05
Abstract: 本发明提供了一种基于公平理论的面向联邦学习的公平奖励分配方法。该方法包括：将亚当斯的公平理论应用于联邦学习中，参与方综合分析对联邦任务投入的所有因素后，给出本次任务的期望奖励，任务发布者利用参与方的历史任务计算出参与方的声望；参与方利用本地数据参与每轮训练任务，评估参与方的数据贡献、模型贡献和等待时间补贴三因素，综合三因素的贡献结果评估参与方的贡献；当全局模型收敛后，以参与方的实际奖励与期望奖励尽可能接近为目标，根据公平奖励目标函数动态调整三因素权重，获取并分发参与方的实际奖励。本发明综合考虑不同参与方的实际情况，以尽可能满足所有参与方的期望为目标分配实际奖励，实现满足参与方期望的公平性。
-
公开(公告)号：CN114595831B
公开(公告)日：2022-11-11
申请号：CN202210198444.5
申请日：2022-03-01
Applicant: 北京交通大学
Abstract: 本发明提供了一种融合自适应权重分配和个性化差分隐私的联邦学习方法。该方法包括：客户端接收当前服务器下发的全局模型，在本地数据上进行模型训练，获得本地模型；客户端根据隐私预算向模型更新信息中添加不同程度的高斯噪声，并发送给服务器；服务器根据各个客户端的聚合权重来加权聚合所有模型更新信息，将聚合完成后得到的全局模型重新下发给客户端；服务器每经过设定数量轮次的全局模型更新后，便通过自适应权重分配算法重新分配每个客户端的聚合权重。本发明在联邦学习训练过程中满足不同客户端隐私偏好的同时着重考虑了个性化对全局模型的影响，能够根据客户端的表现来动态调整聚合权重，自动筛选出数据质量优且添加噪声小的客户端。
-
公开(公告)号：CN115021905A
公开(公告)日：2022-09-06
申请号：CN202210568921.2
申请日：2022-05-24
Applicant: 北京交通大学
Abstract: 本发明提供了一种联邦学习本地模型参数聚合方法。该方法包括：联邦学习的中心服务器初始化全局模型，将最新的全局模型参数进行发布；各个客户端向中心服务器请求用于计算掩码的秘密，各个客户端接收服务器下发的用于计算掩码的秘密；各个客户端使用本地数据在全局模型参数基础上进行本地训练，获得本地模型参数；各个客户端利用秘密计算出掩码，向中心服务器上传利用自己的掩码隐私保护处理后的本地模型参数；中心服务器消除客户端上传的本地模型参数所带掩码，所有客户端的本地模型参数进行聚合，进行全局模型更新。本发明方法在有效保护了联邦学习客户端上传的隐私性的同时，取消了客户端间的交互要求，极大提升了隐私保护的联邦学习效率。
-
-
-
-
-
-
-
-
-
Search Results
140
records
(took 0.025 seconds)
