-
公开(公告)号：CN114726604B
公开(公告)日：2023-04-25
申请号：CN202210330154.1
申请日：2022-03-24
Applicant: 北京理工大学
Abstract: 本发明公开一种万物互联下基于边缘计算和SDN的多因素身份认证方法，边缘计算协调器利用SDN的网络管理的性质来进行服务发现和边缘计算服务的编排需求，集中式SDN控制器具有网络的全局视图，边缘计算协调器可以与SDN控制器集成，来从网络收集信息。身份验证模块由数据库服务器、身份认证服务器、边缘计算服务器、终端和应用服务提供者组成，数据库服务器对每一个网络实体的信息进行存储，最后通过多因素身份认证方法完成身份认证，采取身份认证的因素包括密码、指纹和数字证书。本发明将边缘计算和SDN相结合，在确保网络结构具有更好的灵活性和动态性的基础上，并提供更高效的身份验证方案，有效解决万物互联背景下联网元素之间的安全认证问题。
-
公开(公告)号：CN112131575B
公开(公告)日：2022-09-30
申请号：CN202010992036.8
申请日：2020-09-21
Applicant: 北京理工大学
Abstract: 本发明提出了一种基于分类错误率和一致性预测的概念漂移检测方法，属于计算机机器学习和信息安全技术领域。本方法首先通过计算模型分类错误率的变化来检测突变型概念漂移，然后通过计算分类错误的样本与分类正确的样本一致性程度来检测渐进型概念漂移，从而能及时检测突变型概念漂移和渐进型概念漂移，且保持较小的计算开销。本方法实现了在较低计算成本下对突变型概念漂移和渐进型概念漂移的检测，及时识别模型退化现象。本方法主要用于概念漂移检测，能有效作用于机器学习分类模型退化现象的早期判定，可以作为大数据环境下自动化分析和决策等各种应用领域的性能监测方法。
-
公开(公告)号：CN114755636A
公开(公告)日：2022-07-15
申请号：CN202210272140.9
申请日：2022-03-18
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于密度聚类和幅度‑距离特征联合的目标识别方法，属于雷达干扰识别及目标识别技术领域。所述目标识别方法，包括：S1：对每一帧数据进行帧内的非相参积累，得到该帧非相参积累后的数据；S2：将S1得到的非相参积累后的数据进行CFAR检测，得到CFAR检测后过门限的点，并保存；S3：对S2输出的CFAR检测后过门限的点逐帧进行密度聚类，得到聚类结果；S4：对S3输出的聚类结果逐帧进行目标和干扰的识别。所述方法能对任意形状数据进行聚类且针对一维数据聚类效果更好；不需预先设置初始值，故没有初始值对聚类结果的影响；充分利用了数据的帧内和帧间信息，目标识别准确率更高。
-
公开(公告)号：CN111552970B
公开(公告)日：2022-07-01
申请号：CN202010360371.6
申请日：2020-04-30
Applicant: 北京理工大学 , 中国人民解放军战略支援部队航天工程大学
IPC: G06F21/56
Abstract: 本发明公开了一种基于三位一体综合画像的恶意代码检测及恶意性定位方法。使用本发明能够实现恶意代码的恶意性评估，并对代码恶意性部位实现准确定位。本发明在融合静态分析和动态分析方法的基础上，综合提取恶意代码的多方面主要特征，引入系统画像的思想，从基本结构、底层行为和高层行为等三个方面构建起“三位一体”的综合画像，建立能够系统准确刻画恶意代码的特征空间，实现对恶意代码的准确检测和家族分类。在此基础上，基于检测结果对三个画像部位的恶意性进行评估，由此实现对代码恶意性部位的准确定位，辅助研究人员建立起关于恶意代码的系统认知。
-
公开(公告)号：CN114254386A
公开(公告)日：2022-03-29
申请号：CN202111537078.3
申请日：2021-12-13
Abstract: 本发明提供一种基于层次聚合和区块链的联邦学习隐私保护系统及方法，所述系统包括可信机构、区块链、联邦学习模块、以及IPFS分布式存储系统；所述区块链用于记录联邦学习模块产生的各项数据以及训练过程中历次迭代的各个版本的训练模型对应的模型地址；所述联邦学习模块用于实现联邦学习训练；所述用户终端获取当前全局模型作为本地模型，并在本地数据集上，对所述本地模型进行训练，以获取新一轮的本地模型；所述IPFS分布式存储系统用于存储本地模型参数和全局模型参数。基于本发明的系统，解决现有技术中联邦学习隐私保护机制效率低、降低模型准确率、存储开销大的技术问题，能够提高联邦学习效率、提高全局模型准确率。
-
Patent Agency Ranking
公开(公告)号：CN109101816B
公开(公告)日：2022-02-08
申请号：CN201810912373.4
申请日：2018-08-10
Applicant: 北京理工大学 , 中国信息安全测评中心
IPC: G06F21/56
Abstract: 本发明公开了一种基于系统调用控制流图的恶意代码同源性分析方法，首先构造待分析程序的系统调用控制流图；所述系统调用控制流图是由系统调用节点构成的有向无权图，边的方向表示系统调用执行的先后关系；比较不同待分析程序的系统调用控制流图，以根据图相似度作为同源性分析的相似性度量，实现同源性分析。本发明利用系统调用控制流图进行同源性分析，系统调用控制流图完全忽略了软件代码的细节，只关注所调用的系统调用函数，因此简化了需要处理的数据量，所以基于系统调用的控制流图对程序行为的抽象程度最好。而且，由于只考虑系统调用从而在很大程度上规避了指令层的混淆，起到了抗混淆作用。
-
公开(公告)号：CN109543410B
公开(公告)日：2021-05-07
申请号：CN201811385352.8
申请日：2018-11-20
Applicant: 北京理工大学 , 中国人民解放军战略支援部队航天工程大学
IPC: G06F21/56
Abstract: 本发明公开了一种基于语义映射关联融合的恶意代码检测方法，基于恶意代码的动态和静态API序列之间的语义映射关系，将恶意代码样本转化为基于API的特征向量样本，基于得到的恶意代码样本特征向量训练机器学习分类器，实现了恶意代码的检测。本发明通过定义代码行为类型，将代码的静态和动态API序列转换为由行为类型划分的语义块序列，通过语义块之间的映射实现静态和动态API序列的关联和融合，生成了更为丰富特征向量空间，实现了对恶意代码更为系统全面的描绘，有效提升了意代码检测准确率；通过将语义块之间的路径长度作为语义块的权重，可以准确地反映该语义路径的重要程度，从而提高特征向量空间的精确度。
-
公开(公告)号：CN107679403B
公开(公告)日：2021-02-12
申请号：CN201710942962.2
申请日：2017-10-11
Abstract: 本发明提供一种基于序列比对算法的勒索软件变种检测方法，具体过程为：勒索软件样本输入，样本特征序列提取，将样本特征序列处理为基因序列，进行勒索软件变种检测；所述变种检测具体为：对样本集中的各个基因序列进行聚类，提取出聚类的结果信息，得到各类勒索软件家族；采用序列比对算法Needleman‑Wunsch计算待检测样本与各类勒索软件家族的类簇中心样本的相似度，选出相似度大于设定阈值的簇，使用筛选出来的簇组成新的勒索软件训练样本集；对于待检测样本，使用新筛选出来的训练样本集，结合序列比对算法和KNN分类算法确定其所属的勒索软件家族类别，实现变种检测。该方法将序列比对算法与现有的分类算法相结合来达到快速实现勒索软件变种检测的目的。
-
公开(公告)号：CN112131575A
公开(公告)日：2020-12-25
申请号：CN202010992036.8
申请日：2020-09-21
Applicant: 北京理工大学
Abstract: 本发明提出了一种基于分类错误率和一致性预测的概念漂移检测方法，属于计算机机器学习和信息安全技术领域。本方法首先通过计算模型分类错误率的变化来检测突变型概念漂移，然后通过计算分类错误的样本与分类正确的样本一致性程度来检测渐进型概念漂移，从而能及时检测突变型概念漂移和渐进型概念漂移，且保持较小的计算开销。本方法实现了在较低计算成本下对突变型概念漂移和渐进型概念漂移的检测，及时识别模型退化现象。本方法主要用于概念漂移检测，能有效作用于机器学习分类模型退化现象的早期判定，可以作为大数据环境下自动化分析和决策等各种应用领域的性能监测方法。
-
公开(公告)号：CN112115465A
公开(公告)日：2020-12-22
申请号：CN202010826647.5
申请日：2020-08-17
Applicant: 北京理工大学 , 中国人民解放军战略支援部队航天工程大学
Abstract: 本发明公开了恶意代码典型攻击行为检测方法及系统，属于网络安全技术领域，能够实现对恶意代码典型恶意行为攻击过程的全面表征。本发明的技术方案为：在沙箱环境中运行恶意代码，从生成的动态分析报告中提取动态系统调用API序列以及原始本体知识序列。针对每个API均计算分类贡献度，并按照分类贡献度从大到小进行排序，得到恶意性排序序列。顺次选取API作为搜索起点，在原始本体知识序列中找到搜索起点所处的位置A，在原始本体知识序列中，从位置A开始，分别进行前向遍历搜索和后向遍历搜索，提取出与搜索起点同属于一个行为类型的API对应本体知识元组，组成本体知识串。以本体知识串所代表的恶意代码典型攻击行为作为检测结果。
-
-
-
-
-
-
-
-
-
Search Results
100
records
(took 0.037 seconds)
