-
公开(公告)号：CN118488005A
公开(公告)日：2024-08-13
申请号：CN202410588449.8
申请日：2024-05-13
Applicant: 辽宁大学
IPC: H04L47/127
Abstract: 一种基于图卷积神经网络的流量预测方法，属于网络安全领域。该专利技术提出了一种基于图卷积神经网络的流量预测方法，利用空间时间图卷积网络进行网络流量预测。该方法在传统的图卷积神经网络基础上进行了改进，引入了注意力机制，并将全连接层替换为1×1卷积层，同时对时域卷积结果进行乘积操作。提高了网络流量预测的准确性和效率，使得该方法在网络流量预测领域具有潜在的应用前景。实验证明，所提出的模型在网络流量预测上准确度以及性能优于其他神经网络预测模型。本发明通过上述方法，可以整合网络流量数据、软件特征和系统拓扑等多种信息，提供更全面的网络流量预测能力。
-
公开(公告)号：CN117118688A
公开(公告)日：2023-11-24
申请号：CN202311024559.3
申请日：2023-08-15
Applicant: 辽宁大学
IPC: H04L9/40 , H04L43/0876 , H04L43/02 , G06N3/0464 , G06N3/049 , G06N3/042 , G06N3/08
Abstract: 一种基于差分时空图卷积神经网络的恶意流量检测方法，涉及网络安全领域。步骤为：步骤1)收集流量数据，对数据进行预处理，使用深度学习算法对数据进行特征提取；步骤2)使用数据特征构建关系图，得到邻接矩阵；步骤3)将邻接矩阵带入，构建Diff‑TGCN模型，得到分类器模型；步骤4)将待检测数据的时空特征带入分类器模型中，判断节点是否被属于恶意流量。本发明通过上述方法，能够快速准确地分辨网络流量中的正常和恶意行为，并且对新颖的恶意流量具有很强的鲁棒性。
-
公开(公告)号：CN109120617B
公开(公告)日：2020-11-17
申请号：CN201810933343.1
申请日：2018-08-16
Applicant: 辽宁大学
Abstract: 基于频数CNN的多态蠕虫检测方法，步骤为：首先，对有效载荷数据进行数值化处理，将每个字符转化为对应的ASCII值，其次通过统计有效载荷数据中每个字符出现的次数来处理有效载荷数据，可以捕获蠕虫有效载荷数据的字符分布特征。通过上述方法，本发明提供了一种能够提高多态蠕虫检测的准确率，以便于CNN能够从中学习到丰富的特征的基于频数CNN的多态蠕虫检测方法。
-
公开(公告)号：CN120034364A
公开(公告)日：2025-05-23
申请号：CN202510114145.2
申请日：2025-01-24
Applicant: 辽宁大学
IPC: H04L9/40 , H04L43/0876 , H04L43/08 , G06F17/18
Abstract: 本发明提供一种恶意流量检测方法，属于网络安全领域。其步骤如下：步骤一：提取流量数据，以供检测；步骤二：计算恶意流量的检测特征以供检测算法进行检测，包括平均流量大小，平均包大小，平均包时间间隔；步骤三：通过检测算法来检测恶意流量的存在。本发明通过综合考虑最近流量交叉熵，最近平均包大小，最近平均包时间间隔等特征的最近方差、中位数和距离计算可以达到检测复杂网络情况下的恶意流量。从不同角度助力精准识别网络流量中的异常情况，保障网络安全稳定运行。
-
Patent Agency Ranking
公开(公告)号：CN118841027A
公开(公告)日：2024-10-25
申请号：CN202410698023.8
申请日：2024-05-31
Applicant: 辽宁大学
Abstract: 一种基于特征重要性方法的可解释恶意语音检测方法，属于深度学习、机器学习可解释性技术领域。该方法旨在缓解维度灾难问题，同时确保所选特征能够提升模型对恶意语音的检测性能。本发明利用机器学习的可解释性来优化模型训练中的特征维度选择，通过分析特征的贡献度，区分了影响模型性能的关键特征和可以被移除的非关键特征。这种基于贡献度分析的特征选择方法提高了模型训练和部署的效率，增加了模型的透明度和用户的信任度。在检测恶意语音的应用中，本发明方法通过评估每个特征的贡献，筛选出对区分正常语音和恶意语音具有显著分辨力的特征。优化后的特征空间提高了恶意语音检测精度，降低了计算负担。
-
公开(公告)号：CN118588099A
公开(公告)日：2024-09-03
申请号：CN202410660371.6
申请日：2024-05-27
Applicant: 辽宁大学
IPC: G10L21/013 , G10L25/30
Abstract: 本发明涉及一种基于StarGAN损失函数的语音音色转换方法，包括如下步骤：步骤1，提取语音数据集特征，用于构建特征集合；步骤2，设计StarGAN损失函数：通过对抗损失函数和源分类器损失函数的优化，实现样本的音色转换；步骤3，训练SrarGAN语音音色转换模型；步骤4，当模型训练完成后，利用其进行预测，以进行语音音色风格的转换。该方法通过设计StarGAN损失函数生成不同情感语音不同方法，在进行音色转换时，我们不仅要确保语音的清晰度，还要尽量保持其自然度，使得转换后的语音听起来更加流畅自然。
-
公开(公告)号：CN118487820A
公开(公告)日：2024-08-13
申请号：CN202410637323.5
申请日：2024-05-22
Applicant: 辽宁大学
Abstract: 强化学习模型中折扣因子的安全漏洞检测方法，步骤为：1)在强化学习模型中利用Eigen库的C++库更新策略矩阵，在矩阵运算上采用Flush+Reload技术的缓存侧信道方法，获取强化学习模型中策略矩阵的状态空间维数m和动作空间维数k后，获得完整的策略矩阵；2)在Q‑learning和Sarsa这两种强化学习方法中，利用完整的策略矩阵中的数据和奖励函数的大小，获取折扣因子γ的大小；在Policy Gradient算法中，利用完整的策略矩阵中的数据和奖励函数的大小，获取折扣因子γ的大小，并判断最终漏洞情况。本发明通过上述方法，为系统的稳定运行提供保障，从而极大提高了强化学习应用的整体安全水平。
-
公开(公告)号：CN111027068A
公开(公告)日：2020-04-17
申请号：CN201911188092.X
申请日：2019-11-28
Applicant: 辽宁大学
IPC: G06F21/56
Abstract: 本发明涉及一种基于层级DoI-RNNs模型的安卓恶意软件动态检测方法，首选利用若干安卓软件的运行时特征，训练基于层级DoI-RNNs模型的分类器，建立基于层级DoI-RNNs模型的安卓恶意软件动态检测方法的训练模型；其次利用分类器来判断目标安卓软件是否属于安卓恶意软件。通过上述方法，本发明解决了结合安卓恶意软件动态检测的特点，提出更适合安卓恶意软件检测的深度学习模型的问题，提供了一种可以显著提高检测效果的安卓恶意软件动态检测方法。
-
公开(公告)号：CN110941828A
公开(公告)日：2020-03-31
申请号：CN201911106998.2
申请日：2019-11-13
Applicant: 辽宁大学
IPC: G06F21/56
Abstract: 一种基于AndroGRU的安卓恶意软件静态检测方法，其步骤为：1)使用Androguard逆向工具对安卓APK文件进行反编译，解析AndroidManifest.xml并提取安卓应用程序用到的Intents特征；2)采用androcg.py来生成函数调用图并从中提取敏感函数调用序列；3)模型训练模块负责基于提取的静态特征对AndroGRU模型进行训练，检测模块通过训练好的AndroGRU模型对未知的安卓APK样本进行检测。本发明创造通过上述方法，提供了一种结合安卓恶意软件相似性和深度学习GRU模型特点的基于AndroGRU的安卓恶意软件静态检测方法。
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.018 seconds)
