-
公开(公告)号：CN104753935A
公开(公告)日：2015-07-01
申请号：CN201510127577.3
申请日：2015-03-23
Applicant: 电子科技大学
Abstract: 本发明公开了一种多体量子隐私比较协议的验证方法，它包括以下步骤：参与者转化私密信息为d进制数，位数为m；第三方制备m个最大纠缠态，根据纠缠态制备带有诱骗粒子的序列并发送；窃听者截取全部内容并测量，将测量结果形成的序列发送给参与者；参与者根据接收的第三方宣布插入的诱骗粒子的位置和类型对接收到的序列进行测量并将结果发回给第三方；第三方根据测量结果分析信道是否安全；如果不安全则终止协议。本发明提供了一种多体量子隐私比较协议的验证方法，能够准确检测信道并安全传输私密信息。
-
公开(公告)号：CN104753934A
公开(公告)日：2015-07-01
申请号：CN201510126647.3
申请日：2015-03-23
Applicant: 电子科技大学
CPC classification number: H04L67/104 , H04L69/08
Abstract: 本发明公开了一种将未知协议多通信方数据流分离为点对点数据流的方法，它包括以下步骤：S1：将混合未知多协议数据流分为单协议数据帧：采用聚类算法将混合未知多协议数据流分为单协议数据帧，并用评估算法确定所得到的类簇是比较可信的单协议数据帧；S2：将分割好的单协议数据帧按地址分为点对点数据帧：通过寻找具有“地址特征”的列队来组成地址对候选集，然后通过对地址对候选集进行拼接，得到最后的地址对。本发明将基于熵值的类簇评估方法用到了协议聚类的评估中，并且提出了一种简单有效的寻找未知协议地址信息的方法，效果很好。
-
公开(公告)号：CN102299897A
公开(公告)日：2011-12-28
申请号：CN201010207201.0
申请日：2010-06-23
Applicant: 电子科技大学
Abstract: 本发明公开了一种对等网络(Peer-to-Peer networking，P2P)特征分析方法。该方法从结构特征、流量特征、以及用户行为特征等多个层次对对等网络进行监测，通过在线实时数据流特征分析和离线信息内容深入挖掘等技术，实现对等网络特性指标的获取与网络态势的感知，从而为对等网络安全预警，事件应急响应等方面的研究提供基本的支撑平台和技术保障。
-
公开(公告)号：CN102299826A
公开(公告)日：2011-12-28
申请号：CN201010207203.X
申请日：2010-06-23
Applicant: 电子科技大学
Abstract: 该发明提出了一种多层次的对等网络监测体系和策略，在分析归类当前主流对等网络的基础上，采用主动、被动相结合的方式，从宏观网络结构、流量特性、微观用户行为特征、内容特征等多个层面上，针对对等网络的结构特征、流量特征、以及用户行为特征等，实现对对等网络的多层次、多特征的监测和分析。在监测体系的设计上，该发明将协议分析处理功能独立出来，这样使监测体系具有良好的协议适应能力。同时，该发明建立了监测结果评价指标子系统，从数据准确性、完整性、以及稳定性等多个方面对获取的对等网络特征数据进行评价。该发明实现了与对等网络应用协议无关的监测框架策略，建立了监测准确性评价指标体系，为建立对等网络监测完整模型提供标准化思路，进而为对等网络宏观监测预警产业化打下坚实的技术基础。
-
公开(公告)号：CN101075917B
公开(公告)日：2010-08-25
申请号：CN200710130232.9
申请日：2007-07-16
CPC classification number: H04L63/1416 , G06F21/55 , H04L63/0227
Abstract: 本发明涉及网络通信安全领域，公开了一种预测网络攻击行为的方法，包括以下步骤：监测网络状态参数，根据网络状态参数的变化，获得攻击行为；根据攻击行为与后继攻击行为的对应关系，从所述攻击行为对应的后继攻击行为中选择一个最大可能后继攻击行为，其中，所述最大可能后继攻击行为是与所述攻击行为对应的后继攻击行为中发生次数最多的一个；将所述最大可能后继攻击行为作为预测的网络攻击行为输出。本发明还公开了一种预测网络攻击行为的装置，包括攻击行为管理单元。本发明详细描述了网络攻击行为过程及攻击过程中攻击行为之间的关系，提出了网络预警的方法，为针对网络攻击采取具体措施提供了依据。
-
Patent Agency Ranking
公开(公告)号：CN119294560A
公开(公告)日：2025-01-10
申请号：CN202411591281.2
申请日：2024-11-08
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于动态知识蒸馏和动态正则化的Non‑IID联邦学习方法，包括客户端的本地模型训练后输出本地数据标签的分布Ps；将本地模型参数上传到服务器；服务器汇总随机抽样得到的一组客户端模型参数，并输出全局模型参数供下一轮使用；客户端下载全局模型参数，将全局模型参数加载到本地模型上并输出全局数据标签分布Pt；在客户端进行动态知识蒸馏，整合Ps、Pt和动态函数d(r)，计算客户端的本地损失函数；反向传播更新客户端的局部模型。本发明在非独立且同分布Non‑IID的客户端数据情况下能够显著提高模型的收敛速度和准确性。
-
公开(公告)号：CN117294460B
公开(公告)日：2024-09-27
申请号：CN202211503349.8
申请日：2022-11-28
Abstract: 本发明涉及边缘计算下的隐私保护领域，特别是涉及边缘计算下的一种边缘计算下的轻量级联邦学习隐私保护方法。目的在于解决联邦学习过程中隐私泄露的风险的方案，需消耗大量的时间和空间，不适用于边缘计算下实时性的应用场景的问题。主要方案包括采用不同的终端设备负责进行神经网络模型训练，而边缘服务器和云服务器进行神经网络模型参数聚合；在终端设备训练得到神经网络模型参数后，对其进行差分扰动，再上传给边缘服务器，边缘服务器迭代训练得到神经网络模型参数后，对神经网络模型参数进行同态加密后传输到云服务器进行聚合；在终端设备上、边缘服务器，设置一个阈值，当训练次数达到阈值时，神经网络模型参数上传到云服务器进行聚合更新。
-
公开(公告)号：CN118586771A
公开(公告)日：2024-09-03
申请号：CN202410739615.X
申请日：2024-06-07
Applicant: 电子科技大学
IPC: G06Q10/0639 , G06F18/21 , G06F18/214 , G06F40/30
Abstract: 本发明公开了一种基于链路预测的产业链抵抗能力和恢复能力评估方法，包括将产业链网络图抽象成隐性异构图，然后利用路径编码模块和语义编码模块实现隐藏信息提取，提取的信息被输入上下文调节模块进行差异化的处理，最后在完整性评估模块，完成链路预测任务，计算产业链抵抗能力和恢复能力得分。本发明还提供了基于链路预测的产业链抵抗能力和恢复能力评估模型，包括路径编码模块、语义编码模块、上下文调节模块和完整性评估模块。本发明在真实的产业链数据集上进行了链路预测实验评估，相比其他常用的图神经网络方法具有更优的性能，验证了其在处理隐性异构图中链路预测任务上的有效性。
-
公开(公告)号：CN118114989A
公开(公告)日：2024-05-31
申请号：CN202410340914.6
申请日：2024-03-25
Applicant: 电子科技大学
IPC: G06Q10/0635 , G06N3/042 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种图神经网络的产业链风险评估方法，本发明提出了图神经网络的产业链风险评估模型。首先针对企业关系的复杂多样，基于产业链异质图，设计结合多种语义和图加权融合的公司关系图生成模块，通过对转化后的多图加权融合，实现对链内企业的关系的高效转化；针对链内企业节点特征数据缺失的问题，设计基于节点拓扑和注意力机制的图嵌入补全模块，结合风险传递的特点，对缺失节点风险嵌入进行自适应补全和学习。基于图注意力网络，设计风险评估模块，结合节点网络结构和风险特征，实现节点风险评估。本发明提出的ICRE‑AC模型在准确率，F1分数等方面均优于现有模型，能够对产业链节点进行准确评估，对产业链健康发展具有重要意义。
-
公开(公告)号：CN117333017A
公开(公告)日：2024-01-02
申请号：CN202311350731.4
申请日：2023-10-18
Applicant: 电子科技大学
IPC: G06Q10/0635 , G06Q10/04 , G06F18/241 , G06N3/048 , G06N3/042 , G06N3/0455 , G06N3/0895
Abstract: 本发明公开了一种基于HKTGNN的产业链风险评估与预测模型，包括数据获取模块、预处理模块、图嵌入编码器GEE模块、基于中心性的跨域自适应特征补充器CCAFC模块、基于中心性的域自适应消息传递DCAMP模块和域可转移分类器DTC模块。本发明还提供该产业链风险评估与预测方法。本发明通过基于层次结构的分层处理，将传统构建的有向异构图转换为图规模更小的产品网络同质有向图，减少了单个图的计算时间和内存消耗，有效地节约了计算资源；并通过特征嵌入和特征补充，提高了模型的性能。同时，基于领域差异特征补充和消息传递的中心性，解决了数据饥饿问题。
-
-
-
-
-
-
-
-
-
Search Results
97
records
(took 0.054 seconds)
