-
公开(公告)号：CN111586052B
公开(公告)日：2022-04-26
申请号：CN202010384813.0
申请日：2020-05-09
Applicant: 江苏大学
Abstract: 本发明公开一种基于多层级的群智合约异常交易识别方法及识别系统，在多层级交易流量抓取和特征提取阶段，提出客户端与相关节点之间序列特征和属性特征双特征集的方法，量化交易特征，并提高对各节点交易描述的精确性。其次在特征选择阶段，提出“多删少补”和信息增益率，删除冗余特征，降低交易流量数据特征空间，从而减少时间消耗、提高效率；最后在训练检测模型阶段，采取自适应k值异常点检测算法对所述特征选择后的数据进行分析，获得交易流量数据的分析结果，以实现对群智合约中异常交易的检测。并且异常交易检测方法对提取的序列特征和属性特征进行处理和分析，大大提高了当前检测系统的性能和适用性。
-
公开(公告)号：CN111953670A
公开(公告)日：2020-11-17
申请号：CN202010751908.1
申请日：2020-07-30
Applicant: 江苏大学
Abstract: 本发明公开一种基于Meek传输插件的自适应混淆方法、系统及计算机存储介质，它包括采集模块、分析模块、变形模块和转发模块。采集模块用于收集用户各种行为流量；分析模块用于分析和选择目标流量；变形模块将目标流量按照模拟混淆器进行预混淆，并通过分类器评估；转发模块按照最优变形策略进行实际处理，并将处理完毕的匿名流量转发至网络。通过本发明，在Tor代理系统与其匿名网络之间，以相对最小的开销，混淆Meek传输插件产生的流量的数据包特征，以此将其流量伪装变形成另一类流量，使恶意攻击者很难采用统计分析来区分更改后的匿名流量和普通流量，从而在网络性能影响较小的情况下，有效提升数据信息的匿名效果。
-
Patent Agency Ranking
公开(公告)号：CN111600875A
公开(公告)日：2020-08-28
申请号：CN202010405476.9
申请日：2020-05-14
Applicant: 江苏大学
Abstract: 本发明公开一种基于数据源和数据主隐藏的匿名数据共享方法及系统，在注册和发起请求阶段，用群签名实现有效的访问控制并完成匿名认证以保护用户身份隐私，同时利用洋葱路由隐藏用户IP地址解决用户IP地址泄露导致用户身份被关联的问题；在文件上传阶段，群管理员利用重加密技术对上传文件进行再次加密并生成密钥信息；在文件下载阶段，完成撤销验证和签名验证后，群管理员为用户生成授权信息以便用户从密钥信息中获取解密重加密的密钥，确保方案的前向安全性；在群组动态阶段，群管理员进行密钥更新并更新对云端的文件的加密，极大的降低了用户端开销。
-
公开(公告)号：CN111583039A
公开(公告)日：2020-08-25
申请号：CN202010384681.1
申请日：2020-05-09
Applicant: 江苏大学
Abstract: 本发明公开一种无管理者区块链交易的安全交互方法、激励方法及交易系统，本发明能够同时从安全性两方面来提高基于区块链的交易系统的质量。首先在买家注册阶段，引入同态加密算法，保证密钥安全性的前提下实现验证阶段的批量高效签名验证。另外在共识达成阶段，采用基于信誉的激励机制对任务进行排序，减少高信誉买家等待时间，提高交易速度。最后，在信誉更新阶段，周期性对所有节点的信誉值进行定量评估，增加交易系统的可靠性。
-
公开(公告)号：CN119475083A
公开(公告)日：2025-02-18
申请号：CN202411485299.4
申请日：2024-10-23
Applicant: 江苏大学
IPC: G06F18/2415 , G06F18/214 , G06F18/40 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了基于CVAE和多头注意力机制的联邦学习数据平衡训练方法及装置，针对本地设备数据分布不平衡的问题，以及数据安全技术和移动边缘计算领域中Non‑IID数据问题造成的联邦学习模型精确度低和收敛缓慢的问题，提供了一种基于CVAE和多头注意力机制的联邦学习数据平衡训练方法。与现有的联邦学习算法相比，本发明根据全局的特征分布，去生成本地缺失的特征样本数据，从而减少本地设备之间数据分布的不平衡程度。考虑到本地模型在Non‑IID的数据下，对特征的提取发生偏向，使得模型训练陷入局部最优解，甚至变得更差，因此本发明使用教师模型来帮助本地模型学习数据的特征，从而保证学生模型学习到更丰富的特征表示，这可以提高模型的泛化能力。
-
公开(公告)号：CN117910597A
公开(公告)日：2024-04-19
申请号：CN202410099125.8
申请日：2024-01-24
Applicant: 江苏大学
Abstract: 本发明公开了一种不稳定联邦边缘学习环境下基于两阶段深度强化学习的资源优化方法及模型，包括：考虑到不稳定联邦边缘学习场景中部分移动车载设备因链路不稳定或者性能不足等原因而导致掉落，进而引发设备选择和资源分配不合理问题。首先，本发明建立了移动车载设备的本地计算模型、传输模型、掉落模型及掉队模型，并以系统可靠性和系统学习成本之间的权衡为优化目标。进一步地，本发明设计了基于两阶段深度强化学习的资源优化方法，以获取最佳的设备选择及资源分配方案，从而提高系统的可靠性，并降低系统学习成本。通过对设备的选择策略和资源的分配策略进行优化，使得系统能够在不稳定联邦边缘学习环境中取得更加鲁棒和高效的性能表现。
-
公开(公告)号：CN111598568B
公开(公告)日：2023-04-18
申请号：CN202010396293.5
申请日：2020-05-12
Applicant: 江苏大学
Abstract: 本发明公开一种基于多交易客体多维信誉管理的异常交易识别方法，分别提取智能合约交易中多交易客体(多客户端和联盟节点)的异常行为特征，通过量化和建模多交易客体的行为特征综合评定各交易客体多维信誉值，从而有效监测各个异常交易客体，并依据智能合约交易中的异常交易客体进一步识别异常合约，具有较高的精确性。首先，分别提取多联盟节点和多客户端异常行为特征，然后用随机petri网对多行为特征进行量化和建模，通过多维信誉管理和模糊逻辑综合监测各个异常交易客体。最后依据交易过程中各个异常交易客体对该交易是否异常进行有效识别，提高交易可靠性。
-
-
-
-
-
-
Search Results
17
records
(took 0.021 seconds)
