-
公开(公告)号：CN119667649A
公开(公告)日：2025-03-21
申请号：CN202510114239.X
申请日：2025-01-24
Applicant: 辽宁大学
IPC: G01S7/495 , G01S17/931
Abstract: 本发明涉及一种基于激光雷达的自动驾驶攻击检测方法，其方法是：首先，使用障碍物实体置于车载激光雷达系统附近某位置，通过激光雷达系统发收信号获得周边空间点云数据，框定出障碍物实体点云所在方体区域，利用现有先进的针对激光雷达的攻击设备伪造此障碍物在此方体区域摆放的点云数据，获得此障碍物出现的真实与伪造的数据后，进行对比分析，得到基于所发明的计算方法的经验阈值。最后，在实际行车过程中，当激光雷达发收信号获取周边点云时，对每一识别出的方体区域内的点云数据通过所设计公式进行计算，并将计算结果与相应阈值比对，可判断数据是否为伪造，即判断是否遭到攻击。判断数据为伪造后，便可辅助自动驾驶系统忽略这一障碍物，正常完成实时行车决策。该方法大大增强了模型的通用性和应对复杂攻击场景的能力，全方位提升了自动驾驶攻击检测的效果和安全性。
-
公开(公告)号：CN114238504B
公开(公告)日：2024-11-08
申请号：CN202111524126.5
申请日：2021-12-14
Applicant: 辽宁大学
IPC: G06F16/27 , G06F16/22 , G06F18/2413 , H04L9/32
Abstract: 面向电子政务的跨链数据查询及共识优化方法，步骤为：1)针对M个地市级政府部门，构建M个子区块链系统并对系统中的节点进行角色划分；2)构建存储M条子链全量业务数据摘要的政务协同主链，子链代表节点负责维护主链并将子链业务数据生成可公开的数据摘要上传到主链中；3)根据摘要数据的索引字段与数据存储位置进行关联，生成主链摘要数据的快速索引表，并持久化到索引数据库中；4)对数据量庞大的主链进行分片存储，分片过程中使用BP神经网络分类器，以节点对区块的最大查询概率为目标对主链区块进行分类处理；5)在跨链数据交互过程中，使用基于动态规划算法的共识决策器选取可降低政务跨链双方共识时延的最优共识机制C，对交易数据的验证及自动更新达成共识。本发明通过上述方法，提升了提供了一种面向电子政务的跨链数据查询及共识优化方法，有效提升了政府各部门跨链数据共享的数据查询效率并实现了政务跨链协同操作过程中的共识时延优化。
-
公开(公告)号：CN118677691A
公开(公告)日：2024-09-20
申请号：CN202410933267.X
申请日：2024-07-12
Applicant: 辽宁大学
IPC: H04L9/40
Abstract: 一种基于Bert安全剧本编排的工业控制系统协同防御方法，该方法根据工业控制系统中不同攻击类型以及对应的安全策略和防护措施，构建BERT安全剧本编排模型，对入侵检测实时发现的工业控制系统网络攻击，动态生成具有针对性的安全防护剧本，并执行剧本中安全防护措施，重构与下发工业防火墙中的访问控制动作和工控主机白名单防护软件的白名单动作，从而实现工业控制系统中多种安全技术的弹性协同防御。本发明创造通过以上方法，编排以攻击类型、安全策略和防护措施为基础的安全防护剧本，进一步将工业入侵检测技术、工业防火墙技术以及工控主机白名单防护技术进行有机整合，促进不同安全技术的相互协作，保障工业控制系统的整体安全。
-
公开(公告)号：CN118487819A
公开(公告)日：2024-08-13
申请号：CN202410637269.4
申请日：2024-05-22
Applicant: 辽宁大学
IPC: H04L9/40 , H04L41/16 , G06N3/0455 , G06N3/092
Abstract: 基于Integral‑Transformer的功耗侧信道强化学习模型漏洞检测方法：1)采集数据；2)建立Integral‑Transformer模型：编码器由多个编码层组成，每一层具有一系列核心组件，包括多头自注意力机制、残差连接和层归一化、积分函数以及前馈神经网络；解码器由多个解码层构成，每一层包括掩蔽多头自注意力、残差连接和层级归一化、编解码器互注意力机制以及前馈神经网络；3)检测：识别强化学习模型的类别，如果与实际运行中的模型的类别相同，则证明该强化学习模型的类别方面存在安全漏洞；相反，无安全漏洞存在。本发明能够为系统的稳定运行提供保障，极大的提高强化学习应用的整体安全水平。
-
公开(公告)号：CN118473766A
公开(公告)日：2024-08-09
申请号：CN202410637289.1
申请日：2024-05-22
Applicant: 辽宁大学
IPC: H04L9/40 , H04L41/16 , G06N20/00 , G06F18/23213
Abstract: 一种强化学习模型中策略矩阵的安全漏洞检测方法，步骤为：1)使用Flush+Reload技术的缓存测信道方法，获取函数加载特定数据所需的时间大小，作为原始数据；2)采用一个迭代的聚类和修剪过程检时间数据分组，一组表示标准时间，另一组表示特殊时间；3)根据函数的总迭代次数与特殊时间的数量，获得状态空间维度m和动作空间维度k的大小，判断漏洞情况。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。本发明通过上述方法，针对动作空间维数k并不确定的情况，提供了一种能够有效识别出模型中策略矩阵的状态空间维数和动作空间维数的大小的安全漏洞检测方法。
-
Patent Agency Ranking
公开(公告)号：CN111833188B
公开(公告)日：2024-03-22
申请号：CN202010689740.6
申请日：2020-07-17
Applicant: 辽宁大学
IPC: G06Q40/04 , G06Q50/18 , H04L43/0805 , H04L67/12
Abstract: 基于智能合约的非接触式知识产权变更方法，步骤为：1)制定知识产权服务管理协议；2)采用动态程序分析方法观察智能合约在不同数据下运行中的行为，判断其是否存在安全问题；3)在区块链平台上通过智能合约实现知产变更的自动化执行，对确定的知产作品进行检测；4)根据步骤3)的检测结果，检测通过后用户可通过客户端发起交易请求；5)根据步骤4)区块链节点收到来自客户端的交易请求，依据请求类型调用相应的合约接口。本发明通过上述方法，提供了一种安全性能高、知产作品重复率低、知产变更及转让效率高的非接触式知识产权变更方法。
-
公开(公告)号：CN111833188A
公开(公告)日：2020-10-27
申请号：CN202010689740.6
申请日：2020-07-17
Applicant: 辽宁大学
Abstract: 基于智能合约的非接触式知识产权变更方法，步骤为：1)制定知识产权服务管理协议；2)采用动态程序分析方法观察智能合约在不同数据下运行中的行为，判断其是否存在安全问题；3)在区块链平台上通过智能合约实现知产变更的自动化执行，对确定的知产作品进行检测；4)根据步骤3)的检测结果，检测通过后用户可通过客户端发起交易请求；5)根据步骤4)区块链节点收到来自客户端的交易请求，依据请求类型调用相应的合约接口。本发明通过上述方法，提供了一种安全性能高、知产作品重复率低、知产变更及转让效率高的非接触式知识产权变更方法。
-
公开(公告)号：CN109993531A
公开(公告)日：2019-07-09
申请号：CN201910256297.0
申请日：2019-04-01
Applicant: 辽宁大学
Abstract: 一种支持跨区块链交易的数据验证方法，步骤为：1)源链中的节点验证跨区块链交易数据的有效性，将有效交易数据发送至目标链；2)目标链中的节点验证该笔交易数据的正确性；3)源链与目标链同时将该笔交易的元数据发送至虚拟链；4)虚拟链根据元数据中的区块头信息，计算该笔交易数据的哈希值，确认交易资产的状态；5)解析元数据中的签名数据，确认双方是否将该笔交易数据存储到各自链上；6)节点验证成功，将元数据存储到虚拟链上。本发明通过上述方法，使跨区块链交易具有源链与目标链操作一致、防篡改、可溯源等特性，同时，实现了跨区块链交易的可溯源性。
-
公开(公告)号：CN108537288A
公开(公告)日：2018-09-14
申请号：CN201810351645.8
申请日：2018-04-19
Applicant: 辽宁大学
IPC: G06K9/62
Abstract: 一种基于互信息的实时特征提取方法，步骤为：1)判断当前窗口是否为第一个窗口；若是第一个窗口，则转到步骤2)；否则跳转到步骤3)；2)计算每两个维度之间的互信息并组成互信息矩阵；计算互信息矩阵的单位化矩阵，对互信息矩阵进行特征分解，将特征值和特征向量进行排序，计算每个特征向量的贡献率，并求出累计贡献率在85％-95％的前k个特征向量组成主成分决策矩阵，并将当前窗口内的数据映射到决策矩阵上。3)计算当前窗口内的互信息矩阵，并将其投影到前一窗口的互信息矩阵的单位化矩阵上，然后对该矩阵进行特征分解，然后取得累计贡献率在85％-95％的前k个特征向量组成主成分决策矩阵。将数据投影到决策矩阵上实现特征提取。
-
公开(公告)号：CN107220346A
公开(公告)日：2017-09-29
申请号：CN201710388939.3
申请日：2017-05-27
Applicant: 荣科科技股份有限公司 , 辽宁大学
IPC: G06F17/30
CPC classification number: G06F17/30592
Abstract: 一种高维不完整数据特征选择方法，涉及如下步骤：（1）判断初始数据是否为完整数据；若为不完整数据，则转到步骤（2）；若为完整数据，则转到步骤（3）；步骤（2）：假设现在有各个维度的数据,用1表示该数据项是完整的,用0表示该数据项是缺失的.计算每个维度的缺失率,接着计算缺失熵：依次算出每个维度的缺失熵;对结果进行加权平均；步骤（3）：在高维数据中进行特征选择时，通过比较原始数据矩阵的相关矩阵和随机矩阵在奇异值上的差异，对相关矩阵进行去噪。得到去噪后的相关矩阵和选择特征的数量,再进行奇异值分解，通过分解矩阵获得特征与类的相关性，根据特征与类的相关性和特征之间冗余性完成特征选择。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.055 seconds)
