-
公开(公告)号：CN110247930A
公开(公告)日：2019-09-17
申请号：CN201910585325.3
申请日：2019-07-01
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于深度神经网络的加密网络流量识别方法，属于深度学习、网络服务安全以及流量识别技术领域。所述基于深度神经网络的加密网络流量识别方法，包括：步骤1、基于抓取、部署以及提取操作获取离线数据集，生成训练集及测试集；步骤2、搭建深度神经网络模型；步骤3、数据读取、模型训练及参数优化，将离线数据集输入深度神经网络模型中训练及迭代直至准确率达标后即停止训练；步骤4、搭建、部署在线网络流抓取平台，抓取在线数据集；步骤5、在线网络流识别，得到识别结果。所述方法能更好提取流量数据的高维特征；与现有深度神经网络相比具有更好的多分类识别准确率，更低的假阳率和误报率，保证了加密数据流在线识别的高效性。
-
公开(公告)号：CN110110008A
公开(公告)日：2019-08-09
申请号：CN201910379542.7
申请日：2019-05-08
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于夏普利值的区块链医疗数据共享激励方法，属于区块链网络应用技术领域。通过建立区块链医疗数据共享激励方法，在合作联盟成员之间利用夏普利值法对联盟收益进行分配，解决区块链应用场景下医疗数据共享的激励问题，提出的区块链医疗数据共享激励方法能够有效激励合作联盟成员参与合作并共享真实数据。所述方法考虑了数据拥有者的贡献程度与合作联盟中所有成员的权重，使基于夏普利值法的收益分配方案适用于具有贡献程度差异的医疗数据共享场景；针对应用于联盟链的实用拜占庭容错算法特征，为联盟链网络中的共识节点制定公平的奖励机制。
-
公开(公告)号：CN105610712B
公开(公告)日：2019-02-22
申请号：CN201510959137.4
申请日：2015-12-18
Applicant: 北京理工大学
IPC: H04L12/721 , H04L12/801
Abstract: 本发明涉及一种基于软件定义网络(SDN)架构降低全网数据流转发延迟的方法，属于计算机网络技术领域。降低全网数据流的转发延迟对于服务提供商和最终用户都是至关重要的。本发明提出的基于SDN架构降低全网数据流转发延迟的方法具体如下：首先根据控制器中的数据流信息和链路信息，路由方案确定数据流的转发路径，其次根据控制器中的数据流信息和链路信息以及路由方案得到的转发路径，带宽分配方案对网络带宽资源进行调度和合理分配，最后根据得到的带宽分配方式，更新控制器中的信息，作为后续路由方案的依据。该方法将路由方案与流调度进行有效的结合，使其能够在多项式时间内为新加入的数据流寻找一条有益于全网延迟的转发路径和相应的带宽分配方式。对比现有的技术，传输效率和在期望时间内可完成的数据流数目都有很明显的提升。
-
公开(公告)号：CN105871832B
公开(公告)日：2018-11-02
申请号：CN201610187193.5
申请日：2016-03-29
Applicant: 北京理工大学
IPC: H04L29/06
Abstract: 本发明涉及一种基于协议属性的网络应用加密流量识别方法及其装置，属于计算机网络服务安全技术领域，包括离线训练模块和在线识别模块，离线训练模块由数据集获取模块、基于二阶马尔科夫链的消息类型指纹建立模块和证书长度聚类模块组成，通过数据集获取模块得到训练集，对其经过基于二阶马尔科夫链的消息类型指纹建立模块得到应用指纹并存储，经过证书长度聚类模块得到聚类结果及应用证书簇类分布概率并存储；在线识别模块由网络流抓取模块和识别模块组成，识别模块将抓取模块得到的网络流与已存储的应用指纹库逐一匹配，同时考虑证书聚类结果，得到识别概率，识别结果为对应概率最高的应用。对比现有技术，本发明提高了识别的准确率和效率。
-
公开(公告)号：CN105072049B
公开(公告)日：2018-06-12
申请号：CN201510546681.6
申请日：2015-08-31
Applicant: 北京理工大学
IPC: H04L12/803 , H04L12/46 , H04L12/24 , H04L29/06
Abstract: 本发明涉及一种面向数据中心多层次弹性应用的资源分配方法及装置，属于多层次云应用技术领域。本发明方法首先获取用户提出的多层次应用请求；其次对各层的带宽需求进行降序排列；接下来按照各层的带宽需求从高到低的顺序为各层分配虚拟机资源，具体如下：首先对该层请求需要的虚拟机数量根据当前云平台下的树形拓扑结构计算所有分配方案的可行向量FVl，其次，通过递归方法获取每条链路对该层的最优分配方案；接下来计算“按需运行”虚拟资源的数量，并在数据中心中进行预留；最后输出该用户多层次应用请求的最优分配方案。对比现有技术，本发明的资源分配方案兼顾到资源利用率和弹性，在保证弹性的同时，提高了整个系统的效率。
-
Patent Agency Ranking
公开(公告)号：CN105871832A
公开(公告)日：2016-08-17
申请号：CN201610187193.5
申请日：2016-03-29
Applicant: 北京理工大学
IPC: H04L29/06
CPC classification number: H04L63/1408 , H04L63/1466
Abstract: 本发明涉及一种基于协议属性的网络应用加密流量识别方法及其装置，属于计算机网络服务安全技术领域，包括离线训练模块和在线识别模块，离线训练模块由数据集获取模块、基于二阶马尔科夫链的消息类型指纹建立模块和证书长度聚类模块组成，通过数据集获取模块得到训练集，对其经过基于二阶马尔科夫链的消息类型指纹建立模块得到应用指纹并存储，经过证书长度聚类模块得到聚类结果及应用证书簇类分布概率并存储；在线识别模块由网络流抓取模块和识别模块组成，识别模块将抓取模块得到的网络流与已存储的应用指纹库逐一匹配，同时考虑证书聚类结果，得到识别概率，识别结果为对应概率最高的应用。对比现有技术，本发明提高了识别的准确率和效率。
-
公开(公告)号：CN105159780A
公开(公告)日：2015-12-16
申请号：CN201510520914.5
申请日：2015-08-21
Applicant: 北京理工大学
Abstract: 本发明涉及一种面向多层次云应用的高可用性虚拟网络映射方法及装置，属于多层次云应用技术领域。本发明方法首先获取用户提出的多层次应用请求；然后对用户提出的请求按照各层需要的虚拟机数量降序排序；接下来按照各层需要的虚拟机数量从高到低的顺序为各层分配虚拟机资源，具体如下：首先对该层请求需要的虚拟机数量根据当前云平台下的树形拓扑结构计算所有分配方案的可行向量Se和最小可行值以及对应的目标向量Pe和最小目标值其次，通过递归方法获取每条链路对该层的最优分配方案；最后输出该用户多层次应用请求的最优分配方案。对比现有技术，本发明的资源分配方案兼顾到资源利用率和可用性，在保证可用性的同时，提高了整个系统的效率。
-
公开(公告)号：CN118568717A
公开(公告)日：2024-08-30
申请号：CN202410440534.X
申请日：2024-04-12
Applicant: 北京理工大学
IPC: G06F21/56 , G06N20/00 , G06F18/23213
Abstract: 一种基于迭代不变指标的拜占庭攻击检测方法，属于分布式机器学习领域。通过构造特征距离以及输出层偏差作为迭代不变指标，以检测拜占庭攻击。特征距离的计算基于预训练编码器，对预训练编码器提取的辅助数据集特征，与本地模型提取的辅助数据集特征之间的距离进行计算，从而有效检测模型中毒攻击；而输出层偏差基于对本地模型输出层梯度方差的分析，估计用户本地数据的分布，进而检测数据中毒攻击；此外，采用HDBSCAN聚类，即基于层次密度的空间聚类，对不同用户的迭代不变指标进行无需假设类数量的聚类，解决恶意用户比例未知的问题。本发明适用于分布式机器学习领域，在异步联邦学习的即时聚合策略下，提升攻击检测方法的鲁棒性与高效性。
-
公开(公告)号：CN117093905A
公开(公告)日：2023-11-21
申请号：CN202310314335.X
申请日：2023-03-28
Applicant: 北京理工大学
IPC: G06F18/241 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出了一种基于高鲁棒流量特征表示的加密流量分类方法，属于互联网加密流量分类技术领域。本方法通过分析流量特征在正常和混淆加密流量中的信息泄露，发现每个时间间隔内发送的数据包数量在不同流量间具有较强的区分性和鲁棒性。在此基础上，细化特征表示粒度并引入数据包方向信息，即统计每个时隙内上下行数据包的数量，构建出流量聚合矩阵。最后，对卷积神经网络等深度神经网络进行训练，获得更鲁棒的加密流量分类模型。与现有加密流量分类技术相比，本方法不仅可以精准分类加密流量，而且可以在加密流量通过混淆或分割技术隐藏其明显特征的场景下，提供更高的有效性和鲁棒性。
-
公开(公告)号：CN111652732B
公开(公告)日：2023-05-12
申请号：CN202010460583.1
申请日：2020-05-26
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于交易图匹配的比特币异常交易实体识别方法，属于区块链应用安全技术领域。所述方法，包含：1)处理比特币历史交易详细数据并进行地址聚类，构建地址集群数据集；2)基于交易输入及输出地址、交易时间戳和交易金额提取比特币异常交易实体输入和输出特征；3)构建比特币历史交易详细信息交易图；4)构建比特币异常交易实体的输入交易模式和输出交易模式；5)在3)构建的交易图中，利用子图匹配根据4)的比特币异常交易实体交易模式，分别对比特币异常交易实体的输入和输出交易模式进行匹配检测，从而识别出比特币异常交易实体。所述方法利用子图匹配使得异常交易实体直观且有效，协助降低比特币投资者的市场投资风险。
-
-
-
-
-
-
-
-
-
Search Results
84
records
(took 0.059 seconds)
