-
公开(公告)号：CN117278336B
公开(公告)日：2024-02-13
申请号：CN202311565136.2
申请日：2023-11-22
Applicant: 北京邮电大学
IPC: H04L9/40 , H04L43/026 , H04L43/04 , G06F18/213 , G06F18/214 , G06F18/24 , G06N3/0442 , G06N3/08
Abstract: 本发明提供一种基于时频域变换的物联网设备异常流量检测方法和系统，所述方法包括：将经过物联网设备的网络流输入到预训练完成的非端到端类型的表征模型以进行特征提取；所述表征模型将输入的网络流表征到时域空间和频域空间，在时域空间利用时间感知高斯对比网络提取网络流的时间特征，在频域空间利用基于幅度谱的对比网络提取幅度谱特征；将所述时间特征和幅度谱特征输入到预训练的用于物联网设备异常流量检测的机器学习分类模型，得到物联网设备异常流量检测结果。本发明能够使用非端到端的方法解决物联网中异常流量检测问题，同时对网络流进行时域和幅度域变换，能够有效的提取网络流中的特征表示。
-
公开(公告)号：CN112446342B
公开(公告)日：2022-06-24
申请号：CN202011415820.9
申请日：2020-12-07
Applicant: 北京邮电大学
IPC: G06V40/20 , G06V20/40 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种关键帧识别模型训练方法、识别方法及装置，所述训练方法构建了新的初始网络模型结构，所述初始网络模型中，采用预设卷积神经网络模型提取连续图像中各帧的图像特征并输入至长短时记忆模块，将所述长短时记忆模块的输出向量作为全连接层的输入，所述全连接层输出连续图像中每一帧属于各关键帧的概率。初始网络模型的前半部分基于卷积神经网路提取图像特征，能够获得更多的语义信息。后半部分使用长短时记忆模块学习连续图像之间的关系，从而能够提取帧间关系特征，实现更高精度的动作识别。同时，基于卷积神经网络与长短时记忆模块的组合，使参数量较小，维持较低的时间复杂度，能够极大节约算力。
-
公开(公告)号：CN113255479A
公开(公告)日：2021-08-13
申请号：CN202110507842.6
申请日：2021-05-10
Applicant: 北京邮电大学
Abstract: 本发明提供一种轻量化人体姿态识别模型训练方法、动作切分方法及装置，所述轻量化人体姿态识别模型训练方法通过推理优化器对训练好的大型人体姿态识别模型进行轻量化部署，通过对模型精度进行压缩，在保证精度的同时，极大提高了算法运行的效率。进一步的，所述动作切分方法基于滑窗提取多个候选视频段，基于轻量化的人体姿态识别模型获取各候选视频段中每一帧图像中人体对象的评估姿态得到相应的候选序列，利用动态时间规划算法计算候选序列与标准序列的差距，从而对实时产生的视频实现精确高效的动作切分，极大提升了泛化能力。
-
公开(公告)号：CN112446342A
公开(公告)日：2021-03-05
申请号：CN202011415820.9
申请日：2020-12-07
Applicant: 北京邮电大学
Abstract: 本发明提供一种关键帧识别模型训练方法、识别方法及装置，所述训练方法构建了新的初始网络模型结构，所述初始网络模型中，采用预设卷积神经网络模型提取连续图像中各帧的图像特征并输入至长短时记忆模块，将所述长短时记忆模块的输出向量作为全连接层的输入，所述全连接层输出连续图像中每一帧属于各关键帧的概率。初始网络模型的前半部分基于卷积神经网路提取图像特征，能够获得更多的语义信息。后半部分使用长短时记忆模块学习连续图像之间的关系，从而能够提取帧间关系特征，实现更高精度的动作识别。同时，基于卷积神经网络与长短时记忆模块的组合，使参数量较小，维持较低的时间复杂度，能够极大节约算力。
-
公开(公告)号：CN106982142A
公开(公告)日：2017-07-25
申请号：CN201710241170.2
申请日：2017-04-13
Applicant: 北京邮电大学
IPC: H04L12/24
Abstract: 本发明实施例提供了一种确定拓扑网络中关键节点的方法及装置，方法包括：初始化拓扑网络中各节点的参数值；将与第一节点连接的度值为1的各节点合并至该第一节点，获得第二节点,并更新第二节点的参数值，直至当前拓扑网络中不存在度值为1的节点；将包含两个节点的节点组确定为当前节点组；合并该当前节点组中的节点，获得第三节点并更新第三节点的参数值；在当前节点组中的节点数量达到预设阈值时，将当前拓扑网络中第一参数值最大的预设数量个节点确定为关键节点；未达到时，将比当前节点组多一个节点的节点组确定为当前节点组，执行合并节点组的步骤。应用本发明实施例，可以更加准确的确定出拓扑网络中的关键节点。
-
Patent Agency Ranking
公开(公告)号：CN118262264A
公开(公告)日：2024-06-28
申请号：CN202410128441.3
申请日：2024-01-30
Applicant: 北京邮电大学
IPC: G06V20/40 , G06V40/20 , G06V10/82 , G06N3/0464 , G06V10/84
Abstract: 本申请提供一种视频动作分割与评估方法，所述方法包括：采用骨架网络对包含多个动作的目标视频进行特征提取，得到视频特征；将所述视频特征输入用于提取时间置信度特征的第一卷积网络以得到时间置信度图；将所述视频特征输入用于提取边界置信度特征的第二卷积网络以得到边界置信度图；基于所述时间置信度图和边界置信度图对所述目标视频进行分割，得到多个子动作视频特征；基于全连接层和softmax层得到各个所述子动作视频特征各自对应的特征得分集；基于高斯函数和各个所述特征得分集确定各个所述子动作视频特征的动作评估得分。本申请能够有效提高视频动作分割的普适性、准确性差以及提升分割效率。
-
公开(公告)号：CN116886637A
公开(公告)日：2023-10-13
申请号：CN202311133687.1
申请日：2023-09-05
Applicant: 北京邮电大学
IPC: H04L47/2441 , H04L9/40 , G06F18/24 , G06N5/02
Abstract: 本发明提供一种基于图积分的单特征加密流检测方法及系统，所述方法的步骤包括：获取流量信息中的多个数据包，基于数据包的五元组信息将多个数据包分为多个数据流；获取数据流中数据包的第一特征值，基于数据包为上行数据包或下行数据包为第一特征值赋予第一标记或第二标记，得到第二特征值；将数据流中的第二特征值构建为特征序列，并构建上行流量交互图和下行流量交互图；基于上行流量交互图和中下行流量交互图节点的节点属性，对上行流量交互图和下行流量交互图进行图积分，得到上行流量积分图和下行流量积分图；将上行流量积分图和下行流量积分图进行拼接得到联合积分图，基于将联合积分图输入到预设的神经网络分类模型得到检测结果。
-
公开(公告)号：CN114944926A
公开(公告)日：2022-08-26
申请号：CN202210211405.4
申请日：2022-03-04
Applicant: 北京邮电大学 , 中国电子科技集团公司第三十研究所 , 中电科网络空间安全研究院有限公司
Abstract: 本申请提供一种势变谱构造方法、网络流异常行为识别方法及相关装置，势变谱构造方法包括：通过预定义分析原子和原子学习两种方式得到超完备原子库；根据预设的基底筛选规则自超完备原子库中选取对应的原子以构成基底；基于基底生成用于识别目标网络流数据对应的网络流异常行为的势变谱，其中，势变谱为目标网络流数据的网络流映射表征集合。本申请能够自动学习网络流行为以得到精确且简练的网络流表达，并能够以更少的特征针对经稀疏表达后的网络流进行重新表达，使得针对不同业务类型的网络流能够具有更清晰的可解释性，并能够将网络流以直观、可视化的形式展现出来，进而能够有效提高恶意网络流识别的效率、便捷性、准确性及可靠性。
-
公开(公告)号：CN114629699A
公开(公告)日：2022-06-14
申请号：CN202210224580.7
申请日：2022-03-07
Applicant: 北京邮电大学
Abstract: 本发明提供一种基于深度强化学习的可迁移性网络流行为异常检测方法及装置，所述方法包括模型训练阶段和流量识别阶段，模型训练阶段中，基于训练数据集中的数据点初始化环境；将训练数据集中的数据点作为本轮次的单轮训练集，将单轮训练集中的数据点逐个输入预设的智能体中进行训练；根据环境得到该数据点的状态组，将状态组输入到预设的智能体中，输出动作组，基于动作组输出数据点的数据类型；将输出的数据类型与数据点的标签类型进行比对，获取奖励值，对智能体中的参数进行更新；流量识别阶段中，接收待测流量数据，将待测流量数据中的数据点输入智能体得到数据点的数据类型。
-
公开(公告)号：CN106982142B
公开(公告)日：2019-11-08
申请号：CN201710241170.2
申请日：2017-04-13
Applicant: 北京邮电大学
IPC: H04L12/24
Abstract: 本发明实施例提供了一种确定拓扑网络中关键节点的方法及装置，方法包括：初始化拓扑网络中各节点的参数值；将与第一节点连接的度值为1的各节点合并至该第一节点，获得第二节点,并更新第二节点的参数值，直至当前拓扑网络中不存在度值为1的节点；将包含两个节点的节点组确定为当前节点组；合并该当前节点组中的节点，获得第三节点并更新第三节点的参数值；在当前节点组中的节点数量达到预设阈值时，将当前拓扑网络中第一参数值最大的预设数量个节点确定为关键节点；未达到时，将比当前节点组多一个节点的节点组确定为当前节点组，执行合并节点组的步骤。应用本发明实施例，可以更加准确的确定出拓扑网络中的关键节点。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.037 seconds)
