-
公开(公告)号：CN111800419B
公开(公告)日：2021-06-15
申请号：CN202010639933.0
申请日：2020-07-06
Applicant: 东北大学
IPC: H04L29/06
Abstract: 本发明属于SDN中入侵检测算法领域，公开了一种SDN环境下DDoS攻击检测系统及方法。为了及时有效的识别出网络中的异常流量，减少DDoS攻击对网络资源的消耗，结合MD‑SAL框架，设计了一个DDoS攻击防御系统。该系统包括异常检测模块、防误判模块、流量处理模块、异常存储模块及信息查看模块。该系统能识别出网络中流量的异常，及时报警通知系统进行制定相应防御措施，最后根据源IP，目的IP等事先RPC预设值来查看攻击信息，基于TDMC算法实现对可疑流量的准确分类。
-
公开(公告)号：CN111800421A
公开(公告)日：2020-10-20
申请号：CN202010640942.1
申请日：2020-07-06
Applicant: 东北大学
Abstract: 本发明属于车联网中入侵检测算法领域，具体涉及一种基于隐马尔科夫模型的车联网入侵检测系统。该系统用于对车联网中的False alert攻击、Sybil攻击、Black hole攻击和DoS攻击的入侵检测。系统设计中主要包括预检测模块，基于DNN的检测中心模块，用于记录车辆状态和生成隐马尔科夫模型的更新模块以及用于产生响应信号的响应中心模块，在车联网正常运行状态下，这几个模块共同保证车联网的高效运行。在攻击检测状态下相辅相成，共同完成一次攻击监测防御过程。在检测精度、开销和检测时间上相比基于DNN的IDS，本发明的检测精度更高，而且平均检测时间远小于基于DNN的IDS，同时具有更少的开销，本发明使用预检测机制相比于使用状态切换的IDS具有更少的开销，更节省计算资源。
-
公开(公告)号：CN119967491A
公开(公告)日：2025-05-09
申请号：CN202510112942.7
申请日：2025-01-24
Applicant: 东北大学
IPC: H04W28/084 , H04W28/08 , H04W4/40 , G06N3/092
Abstract: 本发明属于车载边缘计算领域，公开及一种面向车载边缘计算环境的分布式服务迁移方法。该方法基于对比角色表示和多智能体深度强化学习，通过构建一个三层异构车载边缘网络模型，包括云中心层、边缘层和用户层，优化服务迁移决策。本发明提出了一种基于改进QMIX的多智能体深度强化学习方法，根据智能体历史轨迹信息为局部Q网络和混合网络构建智能体行为状态轨迹嵌入，捕捉时间相关的行为模式，解决部分可观测性问题，进一步使用基于对比学习的角色编码器提取不同智能体的独特行为模式生成角色表示，以捕获智能体行为的长期特征；在混合网络中引入多头注意力机制，动态分配注意力权重。本方法具有性能优越性。
-
公开(公告)号：CN119907049A
公开(公告)日：2025-04-29
申请号：CN202510114803.8
申请日：2025-01-24
Applicant: 东北大学
IPC: H04W28/08 , H04W28/084 , H04W84/06 , G06N3/092 , G06N3/0442 , G06N3/0499
Abstract: 本发明属于卫星边缘计算领域，公开一种卫星边缘计算中星地协同服务迁移方法。构建信息提取结构进行信息提取，得到关键时序信息；设计一种星地协同的服务迁移多智能体强化学习算法，关键时序信息作为星地协同的服务迁移多智能体强化学习算法中的观测值，强化学习得到最优服务迁移策略。本发明提出结合时间注意力机制和双向门控循环单元的信息提取方法，有效捕捉历史数据中的时序模式，提高服务迁移决策精度。结合地面基站与低轨卫星网络的协同优化，采用Actor‑Critic结构和全局Critic机制，优化跨网络服务迁移，降低迁移成本和服务中断时间，提升用户服务体验。本发明在奖励值、迁移成本和用户获取服务时延方面表现出显著优势。
-
公开(公告)号：CN117765572B
公开(公告)日：2024-08-09
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。
-
Patent Agency Ranking
公开(公告)号：CN117808123B
公开(公告)日：2024-07-05
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：CN113887136B
公开(公告)日：2024-05-14
申请号：CN202111169683.X
申请日：2021-10-08
Applicant: 东北大学
IPC: G06F30/27 , G06N3/0464 , G06N3/045 , G06N3/094 , G06N3/084 , G01M13/045 , G06F119/10
Abstract: 本发明属于电动汽车电机故障诊断与健康管理技术领域，提供了一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法。首先对轴承振动信号进行离散化处理并构建实际场景中的不平衡数据集；再通过引入类别标签和使用Wasserstein距离构造损失函数改进了对抗生成网络，生成更具类别特征的数据以解决数据集不平衡的问题；最后，将带有生成数据和真实数据的平衡数据集输入故障诊断网络，通过在诊断网络中构造多尺度残差注意力卷积块以解决深层网络训练的梯度消失问题并学习多尺度深层特征。本发明针对解决真实场景中故障数据难以收集导致的数据集不平衡和复杂工况下有效特征难以提取的问题，生成的数据更贴近真实数据，使得模型能提取到有效的多尺度深层特征。
-
公开(公告)号：CN117880858B
公开(公告)日：2024-05-10
申请号：CN202410275005.9
申请日：2024-03-12
Applicant: 东北大学
Abstract: 本发明属于机器人智能决策与控制技术领域，公开了一种基于通信学习的多无人机轨迹优化和功率控制方法，能够在较低能耗的情况下最大化满足服务质量的用户数量。本发明设计了一个通信机制，增设记忆存储设备以帮助UAV‑ABS获取和利用其他无人机的经验，并存储自身学习到的经验。为了构建更有效的无人机合作策略并降低网络模型部署的成本，本发明设计了集中注意力评论家神经网络，能够减少冗余信息，并解决随着UAV‑ABS和地面用户数量增加而出现的维度灾难问题。
-
公开(公告)号：CN117708656B
公开(公告)日：2024-05-10
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：CN117641363B
公开(公告)日：2024-05-10
申请号：CN202410105622.4
申请日：2024-01-25
Applicant: 东北大学
IPC: H04W12/60 , H04W12/02 , H04W12/069 , H04W12/122 , H04W4/44 , H04W4/08
Abstract: 本发明属于车联网网络安全领域，公开了一种基于聚簇的车联网信任管理方法。包括一种基于簇结构的分层式信任管理模型和基于权重的多属性分簇算法，簇结构通过基于权重的多属性分簇算法生成；本发明通过在簇结构的基础上设计相应的信任管理方案，兼顾节点区域性的局部信任和网络整体的全局信任，能有效提升信任管理的有效性。同时，本发明综合考虑多种属性对簇结构的影响，设计了新的基于权重的多属性分簇算法，构建稳定可靠的簇结构，给信任管理方案的稳定运行提供了基础。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.022 seconds)
