-
-
公开(公告)号：CN108123962B
公开(公告)日：2020-07-10
申请号：CN201810055240.X
申请日：2018-01-19
Applicant: 北京理工大学
Abstract: 本发明涉及一种利用Spark实现BFS算法生成攻击图的方法，属于信息安全技术领域。具体操作步骤为：步骤一、获取网络结构。步骤二、获取网络系统中各主机中存在的漏洞，建立主机漏洞信息表。步骤三、通过宽度优先搜索(BFS)算法，对主机权限进行更新。步骤四、绘制攻击图。本发明提出的利用Spark实现BFS算法生成攻击图的方法与已有技术相比较，具有以下优点：①本发明采用宽度优先搜索(BFS)算法,减少遍历节点所需的时间；②每个BFS节点进行分布式计算，减少进行分布式所需传输的数据大小，使得算法的时间复杂度下降。③本发明利用Spark引擎的多集群进行分布式运算，提高数倍速度；④本发明方法不需要拆分网络结构，生成的攻击路径更加全面，没有疏漏。
-
公开(公告)号：CN106897625B
公开(公告)日：2019-08-06
申请号：CN201710052203.9
申请日：2017-01-22
Applicant: 北京理工大学
Abstract: 本发明涉及一种支持漏洞关联性挖掘的漏洞自动分类方法，属于信息安全技术领域。具体操作为：步骤一、构建一个漏洞数据库，收集漏洞记录。步骤二、确定特权集类别。步骤三、训练分类器。步骤四、测试数据。本发明提出的支持漏洞关联性挖掘的漏洞自动分类法与已有方法相比较，具有以下优点：①漏洞分类结果适合用于漏洞关联性挖掘；②类与类之间具有互斥性，且分级明显；③实现漏洞的自动分类，提升分类效率，节省人工成本。
-
公开(公告)号：CN109299741A
公开(公告)日：2019-02-01
申请号：CN201811146113.7
申请日：2018-09-29
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于多层检测的网络攻击类型识别方法，属于信息安全技术领域。具体操作步骤为：步骤一、获取原始训练数据，并做预处理。步骤二、构建集成分类模型。步骤三、训练集成分类模型。步骤四、对测试数据进行预处理。步骤五、对测试数据进行分类。本专利提出的一种基于多层检测的网络攻击类型识别方法与已有技术相比较，有如下有点：①采用smote算法对少数样本升采样，对多数样本降采样，解决数据集样本不平衡问题。②采用集成模型，提高了检测的精确率与召回率。③将果蝇优化算法FOA与支持向量机SVM结合，实现SVM中参数C和gamma的最优和自适应选择。
-
-
Patent Agency Ranking
公开(公告)号：CN108540451A
公开(公告)日：2018-09-14
申请号：CN201810202552.9
申请日：2018-03-13
Applicant: 北京理工大学
Abstract: 本发明涉及一种用机器学习技术对网络攻击行为进行分类检测的方法，属于信息安全技术领域。具体为：①采集网络数据并进行预处理，得到训练数据。②构建并训练多级分类器。③用训练好的多级分类器对测试数据进行分类检测。本发明提出的方法与已有技术相比较，优点是：①通过对采集数据的预处理方法能够缩减数据规模，同时去除部分无关数据，提高了整体效率。②利用多级分类器和集成学习的思想，解决了单一分类器拟合精度不高的问题，大大提高了系统的检测精度。③基于改进的随机森林算法的数据分块方法的设计能够将不同类型的攻击行为检测实现为并行算法，提高系统的总体的检测速度。
-
公开(公告)号：CN106897625A
公开(公告)日：2017-06-27
申请号：CN201710052203.9
申请日：2017-01-22
Applicant: 北京理工大学
CPC classification number: G06F21/577 , G06F2221/034 , G06K9/6256
Abstract: 本发明涉及一种支持漏洞关联性挖掘的漏洞自动分类方法，属于信息安全技术领域。具体操作为：步骤一、构建一个漏洞数据库，收集漏洞记录。步骤二、确定特权集类别。步骤三、训练分类器。步骤四、测试数据。本发明提出的支持漏洞关联性挖掘的漏洞自动分类法与已有方法相比较，具有以下优点：①漏洞分类结果适合用于漏洞关联性挖掘；②类与类之间具有互斥性，且分级明显；③实现漏洞的自动分类，提升分类效率，节省人工成本。
-
公开(公告)号：CN102819744A
公开(公告)日：2012-12-12
申请号：CN201210225169.8
申请日：2012-06-29
Applicant: 北京理工大学
CPC classification number: G06K9/6289 , G06K9/00302 , G06K9/6296 , G10L17/26 , G10L25/63
Abstract: 本发明提出的一种双通道信息融合的情感识别方法，属于自动情感识别领域。其基本思想是：从情感视频数据中提取脸部表情和语音特征数据；然后使用脸部表情特征数据初始化Boltzmann拉链中慢链的可见节点的状态值；使用语音特征数据初始化Boltzmann拉链中快链的可见节点的状态值，对BOLTZMANN拉链进行训练；使用训练好的BOLTZMANN拉链识别情感视频的情感类别。本发明使用Boltzmann拉链来融合紧密耦合的语音-视觉模态，有效利用了两个通道的内在关联，解决了两个通道数据不同的时间尺度问题，并在训练过程中避免了局部能量极小，实验结果证明了该方法的高准确率和有效性。
-
公开(公告)号：CN107273752B
公开(公告)日：2020-12-11
申请号：CN201710495331.0
申请日：2017-06-26
Applicant: 北京理工大学
IPC: G06F21/57 , G06K9/62 , G06F40/216 , G06F40/284 , H04L29/06
Abstract: 本发明涉及一种基于词频统计和朴素贝叶斯融合模型的漏洞自动分类方法，属于信息安全技术领域。具体操作为：步骤一、构建一个漏洞数据库，收集漏洞记录。步骤二、确定特权集类别。步骤三、训练词频‑逆向文件频率分类器。步骤四、测试词频‑逆向文件频率分类器分类结果和准确率。步骤五、建立朴素贝叶斯分类器。步骤六、测试朴素贝叶斯分类器分类结果和准确率。步骤七、分类器融合。本发明提出的支持漏洞关联性挖掘的漏洞自动分类法与已有方法相比较，其优点是：本发明方法不仅利用了漏洞数据库中“漏洞描述”字段，同时考虑了漏洞的“可用性评分”、“影响性评分”等属性对漏洞关联性的影响，分类准确率得到大幅提高。
-
公开(公告)号：CN106657144B
公开(公告)日：2019-06-28
申请号：CN201710048160.7
申请日：2017-01-20
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于增强学习的动态保护路径规划方法，属于信息安全技术领域。具体操作步骤为：步骤一、生成分布式的网络攻击图。步骤二、寻找最差攻击路径。步骤三、生成网络模型。步骤四、通过增强学习，获取最佳保护路径。本发明提出的方法与已有技术相比较，具有以下优点：①不需要收集训练数据，对网络模型进行训练。②可以在线学习，不断确定不同时刻不同网络状态对应的最佳保护路径。③对传输数据的保护程度高。④最优保护路径生成速度快。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.026 seconds)
