-
公开(公告)号：CN102737510A
公开(公告)日：2012-10-17
申请号：CN201210226808.2
申请日：2012-07-03
Applicant: 浙江大学
Abstract: 本发明公开了一种基于移动智能终端的实时交通路况采集方法，移动智能终端首先根据传感器信息对交通环境进行识别，然后结合道路数据库对驾驶路线进行实时跟踪；再根据驾驶路线跟踪结果计算行程时间并将实时路况信息上传至服务器；服务器对接收的海量实时路况信息进行分析，排除重复数据，将结果存储在路况数据库中，并利用路况数据库中的路况数据，使用压缩感知技术对少数缺乏上传数据的路段进行实时路况估计，完成对整个城市交通网络实时路况的采集。本发明能利用移动智能终端对实时路况信息进行采集进而得到海量的路况数据；具有成本低、精度高、数据量大、实时性强、网络覆盖率高、可扩展性强等特点，具有极大的应用前景。
-
公开(公告)号：CN119299238B
公开(公告)日：2025-03-18
申请号：CN202411829160.7
申请日：2024-12-12
Applicant: 浙江大学 , 杭州高新区(滨江)区块链与数据安全研究院
IPC: H04L9/40 , H04L43/024 , H04L43/04 , H04L12/40 , G06F18/23213 , G06F18/20 , G06F18/214 , G06F18/2131
Abstract: 本发明属公开了一种基于在线连续学习的网络流量异常检测方法，采用在线连续学习方式搭载基于小波变换的MLP神经网络对网络流量进行异常检测，具有持续自适应的智能检测能力，高效的系统性能，优异的检测效果，强大的实用性，解决了传统方法中模型遗忘问题，平衡了实时性和准确性，降低了资源消耗，提高了系统可扩展性，设置一个基于时间序列分析理论和小波变换的网络流量的重构模型，在显著提高计算效率的同时保持了对突发异常的高度敏感性。使用Haar小波对网络流量进行离散小波变换后仅采用单层MLP网络学习网络流量模式，这种轻量级的设计大大降低了资源占用，使系统能够灵活部署于各类网络设备，有效支持大规模网络环境下的异常检测任务。
-
公开(公告)号：CN119478567A
公开(公告)日：2025-02-18
申请号：CN202510065436.7
申请日：2025-01-16
Applicant: 浙江大学 , 杭州高新区(滨江)区块链与数据安全研究院
IPC: G06V10/764 , G06V10/82 , G06V10/26 , G06N3/0475 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/094
Abstract: 本发明公开了一种面向对抗补丁攻击的防御方法，利用掩码重构任务具有良好特征提取能力的特点，通过设计对抗性掩码生成方法和分类‑重构联合训练方法，实现了一种面向对抗补丁攻击的防御方法，面向对抗补丁攻击的防御方法将图像识别模型划分为主干网络和全连接层，分别用于特征提取和分类预测，将重构模型连接在主干网络后，用于接收主干网络提取的图像特征并重构图像，连接后的图像识别模型主干网络、全连接层和重构模型总体称为训练模型。这种连接方式无需修改原有图像识别模型的结构，只优化原有模型的权重参数，适用于任意架构的深度学习视觉模型，适用于任意训练状态的模型，而无需强制从头训练。
-
公开(公告)号：CN118585996B
公开(公告)日：2024-10-18
申请号：CN202411077056.7
申请日：2024-08-07
Applicant: 浙江大学
IPC: G06F21/56 , G06F18/241 , G06F18/213 , G06F18/2113 , G06F18/2431 , G06N5/045 , G06N3/042 , G06N3/0464
Abstract: 本发明公布了一种基于大语言模型的恶意挖矿软件检测方法，通过构建了一种自学习的恶意软件分析流程，利用大语言模型的推理能力，以及少样本的学习能力对恶意软件的恶意性原因建模，实现恶意软件的推理分析与分类。主要包括恶意软件特征分类器构建，抽取二进制样本的多种恶意软件特征，训练恶意软件分类器，获取待测样本在恶意软件分类器上的分类结果，使用机器学习可解释方法抽取恶意软件分析过程的关键字符特征等步骤，本发明首次提出了基于大语言模型推理的恶意软件分析与检测方法，在获取高效的恶意软件检测效果的同时，实现了恶意软件检测结果的高可解释性分析，有助于提升网络安全应急响应的效率，为恶意软件的分析提供了高可用方案。
-
公开(公告)号：CN118379608A
公开(公告)日：2024-07-23
申请号：CN202410834314.5
申请日：2024-06-26
Applicant: 浙江大学 , 支付宝(杭州)信息技术有限公司
IPC: G06V20/00 , G06V40/16 , G06V10/774
Abstract: 本发明公开了一种基于自适应学习的高鲁棒性深度伪造检测方法，首先基于质量退化生成算法自适应生成不同质量的退化人脸图像，补充现有深度伪造人脸图像数据集质量多样性，同时结合自适应采样网络协调不同质量的人脸图像的学习信号，动态捕捉未知质量的人脸图像的伪造特征，从而提升深度伪造检测模型对于低质量伪造图像的检测性能。本发明帮助自适应深度伪造检测算法更好地学习伪造特征与退化噪声之间的差异，提高自适应深度伪造检测算法对于未知质量人脸图像的鲁棒性，并基于人脸图像质量进行算法动态训练，指导自适应深度伪造检测算法进行优化，提高自适应深度伪造检测算法对于原始人脸图像和退化人脸图像准确率之间的均衡性。
-
Patent Agency Ranking
公开(公告)号：CN116739079B
公开(公告)日：2024-02-09
申请号：CN202310518209.6
申请日：2023-05-10
Applicant: 浙江大学 , 杭州城市大脑有限公司
Abstract: 本发明公开了一种自适应的隐私保护联邦学习方法，该方法针对联邦学习易遭受梯度攻击的特点，在隐私保护下完成联邦学习模型训练，并且为不同的通信轮次提供自适应的隐私保护强度，保证生成模型高可用的同时抵御梯度攻击，保护客户端训练数据安全。本发明揭示了梯度攻击具有通信轮次异构特点，从而提出泄露风险感知的隐私分解方案。本发明量化当前通信轮次共享参数的隐私泄露风险并自适应分配隐私预算，从而平衡不同通信轮次的数据隐私性与模型可用性。在客户端训练阶段，本发明提出自适应的差分隐私随机梯度下降法，动态衰减噪声和裁剪系数，有效缓解差分隐私机制对模型训练造成的负面效应，提升模型准确性和收敛性。
-
公开(公告)号：CN114417427B
公开(公告)日：2022-08-02
申请号：CN202210320910.2
申请日：2022-03-30
Applicant: 浙江大学
Abstract: 本发明公开了一种面向深度学习的数据敏感属性脱敏系统及方法，系统包括特征提取器和隐私对抗训练模块；特征提取器的输入端连接训练数据集，输出端连有隐私对抗训练模块；特征提取器由卷积神经网络组成，是训练的核心模块，由数据中心训练，训练完成后分发给个人用户用于后续的本地端数据预处理；隐私对抗训练模块包含代理攻击分类器。本方案提出隐私对抗训练在特征空间中将隐私属性置于决策超平面，使得攻击者无法推断，提出条件重构模块保障除隐私属性以外的其他信息被保留下来，能够有效应用于下游任务，同时提出联合优化策略，对数据隐私和数据可用性进行权衡，使得二者能够同时达到最优效果。
-
公开(公告)号：CN101765095B
公开(公告)日：2013-03-13
申请号：CN200910155053.X
申请日：2009-12-14
Applicant: 浙江大学
CPC classification number: Y02D70/10
Abstract: 本发明公开了一种基于混合簇的无线传感器网络移动目标跟踪方法。传感器网络划分为不交叠的静态簇集合，依据节点间相对位置判断各静态簇的边界节点及边界区域；当目标进入网络并不被任何边界节点检测到时，静态簇负责移动目标跟踪；当目标移向边界区域并被边界节点检测到时，实时触发一个新的动态簇来管理目标的准确定位与动态跟踪，随着目标移动，新的实时动态簇将被不断触发并配合静态簇实现移动目标动态实时监控。与传统移动目标跟踪方法不同，本发明提出基于边界节点检测方式，将按需触发的强实时动态簇融入静态簇网络中构成混合簇结构，有效解决了静态簇网络中目标跟踪边界问题，具有目标丢失率低，能量消耗低，可扩展性强的优点。
-
公开(公告)号：CN101765095A
公开(公告)日：2010-06-30
申请号：CN200910155053.X
申请日：2009-12-14
Applicant: 浙江大学
CPC classification number: Y02D70/10
Abstract: 本发明公开了一种基于混合簇的无线传感器网络移动目标跟踪方法。传感器网络划分为不交叠的静态簇集合，依据节点间相对位置判断各静态簇的边界节点及边界区域；当目标进入网络并不被任何边界节点检测到时，静态簇负责移动目标跟踪；当目标移向边界区域并被边界节点检测到时，实时触发一个新的动态簇来管理目标的准确定位与动态跟踪，随着目标移动，新的实时动态簇将被不断触发并配合静态簇实现移动目标动态实时监控。与传统移动目标跟踪方法不同，本发明提出基于边界节点检测方式，将按需触发的强实时动态簇融入静态簇网络中构成混合簇结构，有效解决了静态簇网络中目标跟踪边界问题，具有目标丢失率低，能量消耗低，可扩展性强的优点。
-
公开(公告)号：CN119821413A
公开(公告)日：2025-04-15
申请号：CN202411975227.8
申请日：2024-12-31
Applicant: 浙江大学 , 杭州高新区(滨江)区块链与数据安全研究院
IPC: B60W40/09 , B60R16/023
Abstract: 本发明公开了一种面向CAN总线的驾驶行为分析方法，通过对数据流进行报文解析、数据清洗和缓存存储，构建稳定可靠的原始数据采集链路，为后续特征提取奠定数据基础，对数据采集链路进行优化，规范化的数据解析和清洗流程，提高原始数据质量，缓存存储机制降低数据丢失风险，增强系统稳定性；实现数据的降维和标准化，对时域、频域和统计特征的综合分析提供更全面的行为表征，归一化处理消除量纲影响，提高特征可比性，降维处理减少冗余信息，优化计算效率，引入自注意力机制对提取的时空特征进行动态权重分配增强模型对复杂行为的适应性，提升模型识别准确率，提高实时性能确保方法能实时处理持续输入的CAN数据流，并输出准确的行为识别结果。
-
-
-
-
-
-
-
-
-
Search Results
41
records
(took 0.02 seconds)
