公开(公告)号：CN110661804B

公开(公告)日：2021-12-31

申请号：CN201910932056.3

申请日：2019-09-29

Applicant: 南京邮电大学

Inventor： 肖甫 ,  陈嘉琦 ,  周剑 ,  沙乐天 ,  盛碧云 ,  李群

IPC: H04L29/06

Abstract: 一种针对防火墙的污点分析漏洞检测方法，包括如下步骤：对于防火墙固件的文件系统进行提取；对目标防火墙程序引入污点；根据汇编指令的分类，定义污点传播规则；根据污点传播规则，定义污点检测规则，从而检测目标防火墙程序是否遭受攻击。该污点分析漏洞检测方法，针对物联网设备中的MIPS（Microprocessor without interlocked piped stages architecture）架构的防火墙设备，现有技术对于这方面的研究还比较少，弥补了该领域的技术空白。该方法将污点传播规则和污点检测规则用形式化的描述表示，有较高的准确性与低误报率。

公开(公告)号：CN111597991A

公开(公告)日：2020-08-28

申请号：CN202010412872.4

申请日：2020-05-15

Applicant: 南京邮电大学

Inventor： 肖甫 ,  周颖 ,  盛碧云 ,  周剑 ,  方垣闰 ,  司娜娜

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G16H50/30

Abstract: 本发明提供一种基于信道状态信息和BiLSTM-Attention的康复检测方法，其实现步骤包括：在室内环境中采集康复动作的CSI数据，提取幅度信息；对CSI数据进行低通滤波、归一化、主成分分析等预处理步骤；对预处理后的信号进行切分，检测动作的起始和终止点，并将切分的数据段划分为训练集和测试集；通过将训练集输入基于BiLSTM-Attention的深度神经网络进行动作识别模型训练，得到康复动作识别模型，采用该模型可以对采集到的CSI测试集数据进行分类，达到康复动作识别、对康复程度打分的目的。本发明采用基于BiLSTM-Attention的深度神经网络自动学习并选择特征，实现对三种不同动作的十个康复程度的识别。

公开(公告)号：CN111082879A

公开(公告)日：2020-04-28

申请号：CN201911375092.0

申请日：2019-12-27

Applicant: 南京邮电大学

Inventor： 盛碧云 ,  肖甫 ,  李群 ,  沙乐天

IPC: H04B17/00 ,  G06N3/04

Abstract: 一种基于深度时空模型的wifi感知方法，包括如下步骤：在室内场景中采集不同动作的wifi信号并提取通道信号状态信息CSI；滤除CSI的噪声，并从滤波后的信号中分离出动作样本，利用滑窗将动作样本划分成多个时间片段；将这些片段输入到多层卷积神经网络CNN，提取空间特征；将每个样本多个时间片段的空间特征输入到双向长短时记忆神经网络Bi-LSTM中，进一步挖掘样本的时序特征；利用训练样本训练深度时空模型，包括CNN模型和Bi-LSTM模型，将测试样本输入到训练好的模型中，识别样本的类别。本发明以深度学习为基础，利用CNN和Bi-LSTM构建深度时空模型，提取CSI样本的时空特征信息，提高特征表达的辨识力，保障识别精度。此外，本发明还为基于wifi的感知问题，提供了新的研究思路。

公开(公告)号：CN110661804A

公开(公告)日：2020-01-07

申请号：CN201910932056.3

申请日：2019-09-29

Applicant: 南京邮电大学

Inventor： 肖甫 ,  陈嘉琦 ,  周剑 ,  沙乐天 ,  盛碧云 ,  李群

IPC: H04L29/06

Abstract: 一种针对防火墙的污点分析漏洞检测方法，包括如下步骤：对于防火墙固件的文件系统进行提取；对目标防火墙程序引入污点；根据汇编指令的分类，定义污点传播规则；根据污点传播规则，定义污点检测规则，从而检测目标防火墙程序是否遭受攻击。该污点分析漏洞检测方法，针对物联网设备中的MIPS（Microprocessor without interlocked piped stages architecture）架构的防火墙设备，现有技术对于这方面的研究还比较少，弥补了该领域的技术空白。该方法将污点传播规则和污点检测规则用形式化的描述表示，有较高的准确性与低误报率。

公开(公告)号：CN109558805A

公开(公告)日：2019-04-02

申请号：CN201811312013.7

申请日：2018-11-06

Applicant: 南京邮电大学

Inventor： 盛碧云 ,  肖甫 ,  李群 ,  沙乐天 ,  黄海平 ,  沙超

IPC: G06K9/00

Abstract: 本发明提供了一种基于多层深度特征的人体行为识别方法，包括如下步骤：在目标数据库上训练出深度学习模型；将样本输入到深度学习模型中，提取顶层卷积层特征映射图和顶层全连接层特征；在顶层卷积层特征映射图的各通道上分别做最大值池化操作，并将池化结果连接成一个列向量；将池化结果组成的列向量和顶层全连接层特征连接，作为视频最终特征表达，结合支持向量机完成行为识别任务。该方法以深度学习模型的顶层全连接层和顶层卷积层特征为基础，考虑深度学习模型全连接层的分类能力和卷积层的语义上下文描述能力，通过融合多层特征的互补性和各自的优势，提高视频特征表达的辨识力，提高了行为识别的精度和算法的运行效率。