-
公开(公告)号：CN117808123A
公开(公告)日：2024-04-02
申请号：CN202410219428.9
申请日：2024-02-28
Applicant: 东北大学
IPC: G06N20/00 , G06F18/214
Abstract: 本发明属于移动边缘计算与分布式机器学习应用领域，公开了一种基于多中心分层联邦学习的边缘服务器再分配方法。基于多中心分层联邦学习架构，提出了一种边缘服务器重新分配方案。通过建立MHFL的训练成本分析模型，从理论上分析了联邦学习训练消耗，并量化了边缘服务器分配对联邦学习收敛性的影响。为重新分配边缘服务器，提高MHFL的训练效率，将其建模为一个基于多项目拍卖边缘服务器再分配问题。由于该问题是混合整数线性规划问题，无法在多项式内求解，为了简化问题和改善决策，提出了一种基于联盟结构生成的算法及其贪婪匹配的版本。最后，通过进行了大量的数值实验，结果验证了该方案的有效性。
-
公开(公告)号：CN117648970A
公开(公告)日：2024-03-05
申请号：CN202410125834.9
申请日：2024-01-30
Applicant: 东北大学
Abstract: 本发明属于联邦学习场景下的个性化技术领域，公开了一种个性化联邦场景下基于知识感知的参数互训练方法。该方法利用用户模型参数更新关系立方，归一化的关系立方作为权重对用户模型参数进行加权，得到正则项。用户根据添加正则项的损失函数进行模型更新，上传至服务器。最后，重复以上过程直到个性化模型收敛。通过探索深度神经网络中基于层的用户关系，生成更准确的个性化正则项，以指导用户的本地训练，有效解决了个性化联邦训练方法中用户关系挖掘粒度粗、关系探索效率低、个性化程度不充分的问题。该方法不仅能够高效、准确地发现用户之间在不同神经网络层之间的关系，而且能够提升本地模型的准确率，对于真实的联邦环境具有相当的适用价值。
-
公开(公告)号：CN113949550B
公开(公告)日：2022-09-09
申请号：CN202111169720.7
申请日：2021-10-08
Applicant: 东北大学
Abstract: 本发明属于软件定义网络异常检测算法领域，提供了一种SDN环境下的DDoS攻击检测方法。该方法收集正常SDN环境中流表项和端口的统计信息作为特征训练VAE模型，并且明确了异常阈值的计算方法，有效解决了SDN中基于深度学习的攻击检测算法存在的训练标记难以获得、检测模型过于复杂和异常阈值计算方式不明确的问题。该方法不仅能够准确、快速地检测SDN环境中的DDoS攻击的发生情况，而且还可以降低控制器在训练和检测过程中的资源消耗，对于真实的攻击检测环境具有相当的适用价值。
-
公开(公告)号：CN113949549B
公开(公告)日：2022-08-23
申请号：CN202111169670.2
申请日：2021-10-08
Applicant: 东北大学
IPC: H04L9/40 , H04L41/14 , H04L41/142 , H04L43/0817 , H04L43/16
Abstract: 本发明属于网络安全领域，提供了一种面向入侵和攻击防御的实时流量异常检测方法。首先从当前的网络中抽取网络的状态特征序列并对其编码，再利用异常检测模型对编码结果进行异常检测。网络状态特征序列反应当前的网络状态，但这些信息所包含的特征无法被异常检测模型直接使用，因此本发明使用深度学习技术处理当前的网络特征并将其编码成检测模型可处理的格式。为了解决网络流量数据的不平衡性问题，使用基于深度学习的单类分类器作为异常检测模型的检测算法。为进一步提高检测模型的检测效果，在训练时将特征抽取网络与异常检测模型的映射网络联合训练从而优化编码网络参数；本发明方法能够在只有单类训练数据的情形实现对网络流量的异常检测。
-
公开(公告)号：CN113949550A
公开(公告)日：2022-01-18
申请号：CN202111169720.7
申请日：2021-10-08
Applicant: 东北大学
Abstract: 本发明属于软件定义网络异常检测算法领域，提供了一种SDN环境下的DDoS攻击检测方法。该方法收集正常SDN环境中流表项和端口的统计信息作为特征训练VAE模型，并且明确了异常阈值的计算方法，有效解决了SDN中基于深度学习的攻击检测算法存在的训练标记难以获得、检测模型过于复杂和异常阈值计算方式不明确的问题。该方法不仅能够准确、快速地检测SDN环境中的DDoS攻击的发生情况，而且还可以降低控制器在训练和检测过程中的资源消耗，对于真实的攻击检测环境具有相当的适用价值。
-
Patent Agency Ranking
公开(公告)号：CN113946829A
公开(公告)日：2022-01-18
申请号：CN202111169746.1
申请日：2021-10-08
Applicant: 东北大学
Abstract: 本发明属于车联网安全技术领域，提供了一种基于区块链的车联网分布式信任机制。该机制中提出了一种新的信任模型，模型将整个车联网分成不同的自治区域，每个自治区域内部的RSU自主进行自治区内部的信任机制的运行，在自治区域内部使用临时区块链达成自治区域内部数据一致性，在自治区域之间通过永久区块链共识机制达成数据全局一致性。通过提出新的信任计算方法和改进永久区块链共识机制来使信任机制可用并使区块链更新速度加快。
-
公开(公告)号：CN111818465B
公开(公告)日：2021-07-23
申请号：CN202010639936.4
申请日：2020-07-06
Applicant: 东北大学
Abstract: 本发明属于车联网信息交互技术领域，公开了一种车联网自适应多跳广播系统及方法，系统包括本地信息交互模块、退避等待模块、中继筛选模块、数据转发模块和信息维护模块五个基本模块。根据维护在管理信息库中的信息过滤已经广播的邻居节点，然后在剩余的邻居节点中选择合适的下一跳候选转发节点，最后将选择的候选节点信息以及自己全部的邻居信息一起封装到报文中广播出去，邻居节点接收报文并做出相应的转发判断。另外，本发明将车联网应用消息分为紧急消息和非紧急消息两大类，并针对两类不同的应用消息设计了两种不同的多跳广播机制，分别是快速广播机制和协同广播机制。改善了现有多跳广播策略传输时延高、网络负载大以及可靠性低的问题。
-
公开(公告)号：CN111026930B
公开(公告)日：2021-06-01
申请号：CN201911215832.4
申请日：2019-12-02
Applicant: 东北大学
IPC: G06F16/9032 , G06F16/906 , G06F16/909
Abstract: 本发明公开一种基于轨迹分段的面向轨迹数据发布的隐私保护方法，步骤为：对基于位置服务应用提供商积累的原始轨迹数据集运用基于轨迹分段填充的等价类划分算法；对每个等价类运用基于轨迹分段聚类的聚类组构建算法：确定聚类组的开始时间并划分候选聚类组；遍历每个候选聚类组，确定轨迹集合，构建位于聚类组时间区间外的轨迹分段；将未加入聚类组的轨迹插入时间区间与之相同、空间位置最近的聚类组中；对每个聚类组中每条轨迹上的每个位置点进行空间扰动，将每个聚类组都变成一个匿名轨迹集合，做为可直接发布的轨迹数据集。本发明方法采用等价类划分算法，减少了删除的时空点数目，保证等价类中包含足够数目的轨迹，提高了待发布数据的可用性。
-
公开(公告)号：CN117909854B
公开(公告)日：2024-07-05
申请号：CN202410317308.2
申请日：2024-03-20
Applicant: 东北大学
IPC: G06F18/2411 , G06F18/214 , G06F17/16
Abstract: 本发明属于智能汽车故障诊断技术领域，公开了一种基于多模态对比嵌入的零样本复合故障诊断方法。综合考虑高维特征和低维特征在故障诊断中的作用，解决了复合故障特征堆叠复杂，故障语义信息对特征描述不够充分的问题，不需要专业知识的同时能够获得更好的泛化性能。本发明在复合故障诊断中引入计算机视觉领域的对比学习思想，提供了一种基于对比学习的零样本复合故障诊断方法，解决复合故障的诊断困难，信号样本难以区分，预测精度平衡性差的问题。基于广义零样本学习，提供了一种基于迭代思想的复合故障增量学习框架，解决复合故障样本难以复现和复杂度高的问题。本发明能够在保证精确率的前提下，避免已知故障样本被错误地诊断为未知复合故障。
-
公开(公告)号：CN117689009B
公开(公告)日：2024-07-05
申请号：CN202410123123.8
申请日：2024-01-30
Applicant: 东北大学
Abstract: 本发明属于个性化联邦学习场景下的通信优化技术领域，公开了一种面向正则化个性化联邦训练的通信优化方法。该方法通过理论分析得到基于部分层正则项损失函数的泛化上界，并比较基于部分层正则项损失函数和全部层正则项损失函数的泛化上界，得到筛选上传层的条件，有效解决了个性化联邦训练中的通信代价高、现有通信优化方法没有理论分析的问题。该方法不仅能降低通信代价，而且不会降低模型性能，同时不会增加计算负载，对于真实的个性化联邦环境具有相当的适用价值。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.02 seconds)
