-
公开(公告)号：CN117896187B
公开(公告)日：2024-07-05
申请号：CN202410295418.3
申请日：2024-03-15
Applicant: 东北大学
Abstract: 本发明属于信息安全技术领域，公开了一种基于多目标优化的联邦学习多攻击者后门攻击方法。为了解决由于将相似触发器指向不同目标标签导致的模型参数冲突问题，设计一种基于同态加密的后门任务优化方法，以帮助多个攻击者在保护自己后门任务隐私的前提下，找到冲突后门任务的存在，为他们生成相似性低的触发器。为了缓解不同攻击者后门模型参数之间的冲突和平衡不同攻击者后门模型的攻击成功率，本发明提供了一种基于多目标优化的多后门模型协调方法，寻找一组有利于每个后门任务的模型更新，从而提高每个后门攻击的成功率。
-
公开(公告)号：CN117834302B
公开(公告)日：2024-07-05
申请号：CN202410245919.0
申请日：2024-03-05
Applicant: 东北大学
IPC: H04L9/40 , G06N3/0464 , G06N3/084 , G06N3/0455 , G06F18/2431 , H04L12/40 , H04L41/16
Abstract: 本发明属于车载网络安全技术领域，公开一种基于马氏距离OOD得分的CAN总线攻击检测方法。提出一种基于重构损失和OOD得分的CAN总线攻击检测架构，将入侵检测问题转化为紧密联系的两阶段检测问题，分别是正常流量与异常流量的区分问题，对异常流量进行已知攻击分类，未知攻击识别问题。为解决数据不平衡所造成的影响，提供一种基于集成学习的改进随机抽样算法；为降低检测的误报率，提供一种基于置信区间#imgabs0#原则的阈值选择算法；提高检测CAN总线已知攻击、未知攻击的精度、召回率、F1分数，最终实现在复杂多变的CAN总线环境下，能够快速准确的对各种CAN流量进行检测，提高检测的精度、召回率、F1分数，降低模型检测的误报率。
-
公开(公告)号：CN117805658B
公开(公告)日：2024-05-10
申请号：CN202410225854.3
申请日：2024-02-29
Applicant: 东北大学
IPC: G01R31/392 , G01R31/367
Abstract: 本发明属于计算机应用技术领域，公开了一种数据驱动的电动汽车电池剩余寿命预测方法，包括双任务电池剩余寿命预测模型和基于对抗学习的跨结构知识蒸馏网络。双任务电池剩余寿命预测模型包括主干网络和回归‑分类双任务分支网络；主干网络为并行结构，包括时间维度特征提取模块和参数维度特征提取模块，时间维度特征提取模块输出和参数维度特征提取模块输出融合；回归‑分类双任务分支网络包括注意力特征选择子网络和基于同方差不确定性的联合损失函数；注意力特征选择子网络为RUL预测分支网络和工况识别网络。这种方法在电动汽车电池剩余寿命预测领域具有潜在的应用前景，能够提高预测的精确性和效率，为电动汽车的智能管理和控制提供支持。
-
公开(公告)号：CN117909854A
公开(公告)日：2024-04-19
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：CN117896187A
公开(公告)日：2024-04-16
申请号：CN202410295418.3
申请日：2024-03-15
Applicant: 东北大学
Abstract: 本发明属于信息安全技术领域，公开了一种基于多目标优化的联邦学习多攻击者后门攻击方法。为了解决由于将相似触发器指向不同目标标签导致的模型参数冲突问题，设计一种基于同态加密的后门任务优化方法，以帮助多个攻击者在保护自己后门任务隐私的前提下，找到冲突后门任务的存在，为他们生成相似性低的触发器。为了缓解不同攻击者后门模型参数之间的冲突和平衡不同攻击者后门模型的攻击成功率，本发明提供了一种基于多目标优化的多后门模型协调方法，寻找一组有利于每个后门任务的模型更新，从而提高每个后门攻击的成功率。
-
Patent Agency Ranking
公开(公告)号：CN117805658A
公开(公告)日：2024-04-02
申请号：CN202410225854.3
申请日：2024-02-29
Applicant: 东北大学
IPC: G01R31/392 , G01R31/367
Abstract: 本发明属于计算机应用技术领域，公开了一种数据驱动的电动汽车电池剩余寿命预测方法，包括双任务电池剩余寿命预测模型和基于对抗学习的跨结构知识蒸馏网络。双任务电池剩余寿命预测模型包括主干网络和回归‑分类双任务分支网络；主干网络为并行结构，包括时间维度特征提取模块和参数维度特征提取模块，时间维度特征提取模块输出和参数维度特征提取模块输出融合；回归‑分类双任务分支网络包括注意力特征选择子网络和基于同方差不确定性的联合损失函数；注意力特征选择子网络为RUL预测分支网络和工况识别网络。这种方法在电动汽车电池剩余寿命预测领域具有潜在的应用前景，能够提高预测的精确性和效率，为电动汽车的智能管理和控制提供支持。
-
公开(公告)号：CN117765572A
公开(公告)日：2024-03-26
申请号：CN202410195598.8
申请日：2024-02-22
Applicant: 东北大学
IPC: G06V40/10 , G06V10/12 , G06V10/44 , G06V10/42 , G06V10/774 , G06V10/764 , G06N20/00
Abstract: 本发明属于计算机视觉应用技术领域，公开了一种基于联邦学习的行人重识别方法。由服务器、客户端、摄像头构成三层架构，通过快速傅里叶算法在客户端之间共享本地数据的低级分布信息，同时设计片段共享机制，有效减少通信开销。采用端内跨域注意力一致性解决联邦行人重识别模型泛化能力差的问题，通过约束类无关注意力的一致性，以促进模型关注原始图片和对应傅里叶变换增强图片相同的图像区域，增强模型对领域不变信息的提取，提升模型的泛化能力。同时为了有效地避免异常信息的干扰，提出一种端内跨域异中心样本，可有效避免异常样本的干扰，提升检测性能。
-
公开(公告)号：CN117708656A
公开(公告)日：2024-03-15
申请号：CN202410160245.4
申请日：2024-02-05
Applicant: 东北大学
IPC: G06F18/24 , G01M13/04 , G06F18/213 , G06N3/094 , G06N3/0985 , G06N3/0475
Abstract: 本发明属于故障诊断技术领域，公开了一种面向单源域的滚动轴承跨域故障诊断方法。通过源域样本训练域生成模块，生成多个伪域样本；源域样本和生成的伪域样本同时训练任务诊断模块，输出预测的轴承健康状态；交替训练域生成模块和任务诊断模块；训练过程中，域生成模块通过最大限度地提高伪域样本与源域样本之间的分布差异以及伪域样本之间的分布差异，模拟未知目标域，同时通过正则化保持伪域样本与源域样本的语义一致性和流形一致性保证生成伪域样本的有效性；通过训练得到的域生成模块和任务诊断模块，从单域泛化得到未知目标域。本发明的方法相比于现有主流方法具有更强的有效性和优越性。
-
公开(公告)号：CN113950113A
公开(公告)日：2022-01-18
申请号：CN202111169755.0
申请日：2021-10-08
Applicant: 东北大学
Abstract: 本发明属于车联网信息交互技术领域，提出了一种基于隐马尔科夫的车联网切换决策算法，算法包括信息交互模块、切换触发模块、网络选择模块、信息维护模块和数据转发模块五个模块。根据维护在数据库中的可接收信号强度预测当前连接网络在未来一段时间内的可接收信号强度，从而判断出是否需要进行网络切换。并通过隐马尔科夫模型中的元素以及车辆的观测状态信息，得到车辆从一个网络切换至另一个网络的概率，判决出最佳的目标网络。切换完成后，根据切换前后的网络信息修改隐马尔科夫模型。改善了现有的网络切换算法切换时延高、丢包率高以及容易发生“乒乓效应”的问题。
-
公开(公告)号：CN113949549A
公开(公告)日：2022-01-18
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。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.029 seconds)
