-
公开(公告)号：CN113569250B
公开(公告)日：2023-11-03
申请号：CN202110742535.6
申请日：2021-06-30
Applicant: 广州大学
Abstract: 本发明提供了一种恶意智能合约识别方法及装置，所述方法包括：获取智能合约的实时数据；基于预设的异常状态模型，从所述实时数据中提取出特征变量，并根据所述特征变量通过预设的操作函数进行计算得到待测数据；当判断所述待测数据落在所述异常状态模型的异常数值区间时，则将与该待测数据相对应的智能合约判定为合约状态异常。本发明通过对监测到的实时数据经过一系列算法后会得出一组待测数据，当判断待测数据落在区间内则判定为异常状态。由于本发明数据监测的异常状态判断依据是区间，因此适用范围较大，从而有效提升了智能合约异常检测的效果。
-
公开(公告)号：CN116961985A
公开(公告)日：2023-10-27
申请号：CN202310424105.9
申请日：2023-04-19
Applicant: 广州大学
Abstract: 本发明公开了一种多类别风险要素攻击规划模型构建方法、设备和介质，包括以下步骤：获取多类别风险要素，建立攻击规划知识图谱；根据目标资产物理特征从攻击规划知识图谱中选择风险要素，形成攻击要素链；将所述攻击要素链加载于攻击规划模型中，对目标资产进行攻击；通过攻击后目标资产的反馈信息对所述攻击规划模型进行优化。本发明从攻击视角构建知识图谱，在本体构建时充分考虑渗透测试场景下的实体要素，可有效整合多类别风险要素，对不确定的环境下的多类别风险要素进行有效评估和建模。本发明还可实现将攻击过程产生的有效反馈信息融入攻击规划模型中，利用场景中网络安全攻防要素进行自主攻击推理，将反馈信息纳入下一次攻击规划决策中。
-
公开(公告)号：CN116843128A
公开(公告)日：2023-10-03
申请号：CN202310693648.0
申请日：2023-06-12
Applicant: 广州大学
IPC: G06Q10/0631 , G06Q50/06 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明涉及神经网络模型领域，具体涉及一种基于深度学习的共享电动汽车需求预测方法，包含以下步骤：S1:将出行需求数据输入编码器进行编码，得到时间特征；S2:根据共享汽车站点数据生成距离图、交互图和功能相似图，使用多图卷积网络对所述距离图、交互图和功能相似图处理得到空间关联特征；S3:将所述时间特征和所述空间关联特征输入解码器，得到需求预测。本方案结合使用LSTM编码‑解码器结构与多图卷积网络，使需求预测的准确性大大提高，且非常适合于共享电动汽车的需求预测。
-
公开(公告)号：CN116800528A
公开(公告)日：2023-09-22
申请号：CN202310917499.1
申请日：2023-07-24
Applicant: 广州大学
Abstract: 本发明公开了一种自动化感知生成和部署浏览器诱饵账户的方法及装置，包括：S1、获取用户浏览器中已存在的登录凭据，分析用户登录凭据的语义和字符串模式，生成具有与用户浏览器中登录凭据相近语义和字符串模式的诱饵账户；S2、将诱饵账户经加密API加密后插入浏览器的数据库中，将加密后的诱饵账户与用户真实的账户密码数据存放在一起；S3、服务器同步诱饵信息，检测诱饵账户的使用情况。本发明可以实现诱饵账户的生成和部署。
-
公开(公告)号：CN116797875A
公开(公告)日：2023-09-22
申请号：CN202310742236.1
申请日：2023-06-20
Applicant: 广州大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V20/64 , G06N3/045 , G06N3/0464 , G06N3/08 , G06N5/04
Abstract: 本发明公开一种可重新参数化的轻量级3D点云神经网络学习方法，涉及3D点云分类领域以及神经网络模型领域。其中，包括以下步骤：S1：构建多分支的点云分类训练模型；S2:将训练数据输入多分支的训练模型中进行训练，得到训练模型参数；S3:通过对训练模型的参数进行计算，实现重新参数化，得到推理模型。通过重新参数化得到的单路径推理模型，结构简单，但是拥有复杂的多分支模型的性能，更适合部署在计算资源有限的设备上，提升设备的性能，但是不会耗费更多的计算资源。
-
Patent Agency Ranking
公开(公告)号：CN116743556A
公开(公告)日：2023-09-12
申请号：CN202310669109.3
申请日：2023-06-06
Applicant: 广州大学
IPC: H04L41/069 , H04L43/04 , H04L41/12
Abstract: 本说明书实施例提供了一种基于系统审计日志的溯源图构建与剪枝方法、装置及介质，其中，该方法包括获取不同操作系统审计日志，根据各审计日志信息获取主体信息，事件信息及客体信息，分别构成三元信息组，其中，主体为进程，客体为程序、文件或套接字；根据各三元信息组信息及对应的事件类型，确定对应的处理方法，计算获取各事件的主客体的唯一标识；根据各主客体的唯一标识判断各实体是否存在节点集合中，如果不存在，在节点集合中创建实体节点，且在边集合中创建对应主客体实体之间的边；如果存在，进行剪枝操作获得溯源图。本发明对系统生成的统一格式溯源图进行剪枝处理，在保证因果语义完整性的前提下，大大减少溯源图所需的系统空间。
-
公开(公告)号：CN113705619B
公开(公告)日：2023-09-12
申请号：CN202110884285.X
申请日：2021-08-03
Applicant: 广州大学
IPC: G06F18/214 , G06N20/00 , G06F18/241
Abstract: 本发明提供了一种恶意流量检测方法、系统、计算机及介质，所述方法为获取待检测流量数据；提取所述待检测流量数据的待分析字段信息集，并将所述待分析字段信息集按照预设比例划分为训练集和测试集；确定所述训练集和测试集的待分析特征；将所述训练集的待分析特征输入到多个预设分类器进行训练，并通过软投票法对所述多个预设分类器集成，得到恶意流量检测模型；将所述测试集的待分析特征输入到所述恶意流量检测模型进行测试，得到预测结果。本发明不仅实现了无需解密即可精准识别恶意流量的技术效果，而且提高了恶意流量检测模型的泛化能力和安全性，还可以部署在不同的防火墙、入侵检测系统和入侵防御系统上，具有较好的通用性。
-
公开(公告)号：CN116704161A
公开(公告)日：2023-09-05
申请号：CN202310680953.6
申请日：2023-06-08
Applicant: 广州大学
Abstract: 本公开提供了一种3D点云攻击迭代中考虑不易察觉性的方法及装置，其中，方法包括：将3D点云中所有存在的点依次作为中心点，将除该中心点外其余所有点作为与该中心点相对的周围点；计算一个迭代周期内中心点与其周围点的欧式距离，根据欧式距离值与参数半径大小的比较结果得到中心点周围密度；计算一个迭代周期攻击后与攻击前的中心点周围密度的差值，将差值作为奇异度；根据奇异度的大小判断周围点向中心点的靠近程度；根据靠近程度选择中心点是否进入下一个迭代周期。本公开在原始点云迭代攻击过程中加入奇异度计算，能够在较少的计算消耗下考虑点云攻击的不易察觉性，同时不破坏原攻击算法的攻击能力。
-
公开(公告)号：CN116684147A
公开(公告)日：2023-09-01
申请号：CN202310669195.8
申请日：2023-06-06
Applicant: 广州大学
IPC: H04L9/40
Abstract: 本发明提供了一种基于溯源图、POI与Dijkstra算法的攻击调查方法、设备及介质，其中，方法包括：收集底层审计日志生成溯源图；将溯源图通过POI报警时间进行剪枝后，基于时间权值、聚集权值以及异常权值对计算剪枝后的溯源图的边权值；根据溯源图的边权值通过POI节点获取最短路径；选取最短路径中的权值最小的N个节点，记作Top‑N节点，通过Top‑N节点对溯源图进行剪枝；将生成的剪枝后的溯源图通过BFS算法从Top‑N节点出发进行遍历获取遍历图。本发明通过对边进行压缩成功解决了依赖爆炸问题，并且在寻找攻击入口点的同时对攻击着最有可能的攻击路径进行了展示。解决了传统技术无法定位准确攻击路径和鲁棒性，可移植性较低的缺点。
-
公开(公告)号：CN111951368B
公开(公告)日：2023-08-08
申请号：CN202010897101.9
申请日：2020-08-31
Applicant: 广州大学
IPC: G06T15/00 , G06T15/08 , G06N3/0464 , G06V10/80
Abstract: 本发明提出一种点云、体素和多视图融合的深度学习方法，包括步骤一：设定输入为一帧的全部点云数据的集合；步骤二：提取在每个点上的单个点特征；步骤三：将点云进行归一化处理，然后进行体素化操作，生成体素网格，进而提取体素特征；步骤四：得到体素的多个2D视图放入ResNet网络中提取点云视图特征；步骤五：投影层将点云视图特征投影到原体素网格中；步骤六：将体素特征和投影到原体素网格的点云视图特征一起进行降体素操作，把体素特征和投影到原体素网格的点云视图特征返还给点云；步骤七：将点云的单个点特征、返还给点云的体素特征和点云视图特征进行融合。
-
-
-
-
-
-
-
-
-
Search Results
561
records
(took 0.083 seconds)
