-
公开(公告)号：CN117650953B
公开(公告)日：2024-05-10
申请号：CN202410126816.2
申请日：2024-01-30
Applicant: 东北大学
IPC: H04L9/40
Abstract: 本发明属于软件定义网络安全范畴技术领域，公开了一种应用于软件定义网络的轻量级路径验证方法。针对现有路径验证过程中的高带宽消耗、过多的存储需求以及控制器的大量计算资源消耗问题，本发明的核心在于采用一种不可交换计算的方法保持验证头部的尺寸不随路径长度的变化而改变，从而大幅降低路径验证过程中的带宽消耗。此外，本发明通过实现基于网络流的路径验证，而非依赖于单个数据包的验证，显著降低了数据平面的存储需求以及控制器执行路径验证时的计算资源消耗。这一轻量级的路径验证方案不仅提高了验证效率，而且降低了网络运行的整体成本，适用于各种大规模和动态变化的网络环境，具有广泛的应用潜力。
-
公开(公告)号：CN117835329A
公开(公告)日：2024-04-05
申请号：CN202410241235.3
申请日：2024-03-04
Applicant: 东北大学
IPC: H04W28/084 , H04W4/029 , H04W4/48 , H04W4/44 , G06N3/0442 , G06N3/0455 , G06N3/096
Abstract: 本发明属于边缘计算应用技术领域，公开一种车载边缘计算中基于移动性预测的服务迁移方法。获取车辆位置数据，使用车辆移动性预测模型预测车辆位置；根据预测的车辆位置，使用预测误差估计模型进行预测误差估计，并根据估计的预测误差修正车辆位置预测结果；基于修正的车辆位置预测结果，通过服务迁移决策模型制定基于双策略蒸馏深度强化学习服务迁移策略。本发明可以减少服务迁移的中断时间。通过使用两个深度强化学习模型互相学习的方式，加快模型的学习速度，增强模型的探索能力，提升模型决策的效果。通过引入动作价值函数，让服务迁移策略的评价不再只依赖于状态价值函数，而是转换为动作价值函数与状态价值函数的比较，以提升蒸馏效率。
-
公开(公告)号：CN117809289A
公开(公告)日：2024-04-02
申请号：CN202410225873.6
申请日：2024-02-29
Applicant: 东北大学
IPC: G06V20/58 , G06V40/10 , G06V10/25 , G06V10/44 , G06V10/52 , G06V10/764 , G06V10/766 , G06V10/77 , G06V10/80 , G06V10/82
Abstract: 本发明属于计算机视觉应用技术领域，公开了一种面向交通场景的行人检测方法。建立行人检测模型，采用有监督的学习方法进行训练；训练时根据检测结果调整行人检测模型中卷积核的权重，训练完成后的行人检测模型用于检测识别。使用跨阶段网络结构和设计新的残差模块以改进原有的骨干网络，减少算法所需的计算量，采用、设计特征增强模块和自适应融合金字塔结构，提高不同尺度行人目标的检测精度。同时，该方法中也设计了加权式Soft‑NMS的后处理方法以提升行人间遮挡的检测效果。实验结果表明，本发明可以在满足实时检测的需求下提高行人目标的检测精度。
-
公开(公告)号：CN117688257A
公开(公告)日：2024-03-12
申请号：CN202410120177.9
申请日：2024-01-29
Applicant: 东北大学
IPC: G06F16/9537 , G06F18/23213 , G06F18/22 , G06N3/092
Abstract: 本发明属于智能交通技术领域，公开了一种面向异构用户行为模式的长期轨迹预测方法。度量轨迹中多个维度的相似性，构建可学习的距离权重矩阵，获得融合多维距离得分；构建邻接矩阵，进行轨迹聚类，聚类结果用于强化学习中优化可学习的距离权重矩阵中的参数；使用轨迹聚类每一个聚类簇中的轨迹数据训练轨迹预测模型，训练后的轨迹预测模型作为轨迹预测。本发明将具有相同行为模式的轨迹划分在一个类内差异较小的簇中，然后使用引入时间和速度信息编码的堆叠Transform结构来提取并融合多属性轨迹中的多维特征，并进一步产生长期轨迹预测结果。对于智能交通场景，面向异构用户行为模式的长期轨迹预测方法具有相当的适用价值。
-
公开(公告)号：CN117650953A
公开(公告)日：2024-03-05
申请号：CN202410126816.2
申请日：2024-01-30
Applicant: 东北大学
IPC: H04L9/40
Abstract: 本发明属于软件定义网络安全范畴技术领域，公开了一种应用于软件定义网络的轻量级路径验证方法。针对现有路径验证过程中的高带宽消耗、过多的存储需求以及控制器的大量计算资源消耗问题，本发明的核心在于采用一种不可交换计算的方法保持验证头部的尺寸不随路径长度的变化而改变，从而大幅降低路径验证过程中的带宽消耗。此外，本发明通过实现基于网络流的路径验证，而非依赖于单个数据包的验证，显著降低了数据平面的存储需求以及控制器执行路径验证时的计算资源消耗。这一轻量级的路径验证方案不仅提高了验证效率，而且降低了网络运行的整体成本，适用于各种大规模和动态变化的网络环境，具有广泛的应用潜力。
-
Patent Agency Ranking
公开(公告)号：CN117641363A
公开(公告)日：2024-03-01
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。
-
公开(公告)号：CN117835329B
公开(公告)日：2024-07-05
申请号：CN202410241235.3
申请日：2024-03-04
Applicant: 东北大学
IPC: H04W28/084 , H04W4/029 , H04W4/48 , H04W4/44 , G06N3/0442 , G06N3/0455 , G06N3/096
Abstract: 本发明属于边缘计算应用技术领域，公开一种车载边缘计算中基于移动性预测的服务迁移方法。获取车辆位置数据，使用车辆移动性预测模型预测车辆位置；根据预测的车辆位置，使用预测误差估计模型进行预测误差估计，并根据估计的预测误差修正车辆位置预测结果；基于修正的车辆位置预测结果，通过服务迁移决策模型制定基于双策略蒸馏深度强化学习服务迁移策略。本发明可以减少服务迁移的中断时间。通过使用两个深度强化学习模型互相学习的方式，加快模型的学习速度，增强模型的探索能力，提升模型决策的效果。通过引入动作价值函数，让服务迁移策略的评价不再只依赖于状态价值函数，而是转换为动作价值函数与状态价值函数的比较，以提升蒸馏效率。
-
公开(公告)号：CN117834302A
公开(公告)日：2024-04-05
申请号：CN202410245919.0
申请日：2024-03-05
Applicant: 东北大学
IPC: H04L9/40 , G06N3/0464 , G06N3/084 , G06N3/0455 , G06F18/2431 , H04L12/40 , H04L41/16
Abstract: 本发明属于车载网络安全技术领域，公开一种基于马氏距离OOD得分的CAN总线攻击检测方法。提出一种基于重构损失和OOD得分的CAN总线攻击检测架构，将入侵检测问题转化为紧密联系的两阶段检测问题，分别是正常流量与异常流量的区分问题，对异常流量进行已知攻击分类，未知攻击识别问题。为解决数据不平衡所造成的影响，提供一种基于集成学习的改进随机抽样算法；为降低检测的误报率，提供一种基于置信区间#imgabs0#原则的阈值选择算法；提高检测CAN总线已知攻击、未知攻击的精度、召回率、F1分数，最终实现在复杂多变的CAN总线环境下，能够快速准确的对各种CAN流量进行检测，提高检测的精度、召回率、F1分数，降低模型检测的误报率。
-
公开(公告)号：CN113949550B
公开(公告)日：2022-09-09
申请号：CN202111169720.7
申请日：2021-10-08
Applicant: 东北大学
Abstract: 本发明属于软件定义网络异常检测算法领域，提供了一种SDN环境下的DDoS攻击检测方法。该方法收集正常SDN环境中流表项和端口的统计信息作为特征训练VAE模型，并且明确了异常阈值的计算方法，有效解决了SDN中基于深度学习的攻击检测算法存在的训练标记难以获得、检测模型过于复杂和异常阈值计算方式不明确的问题。该方法不仅能够准确、快速地检测SDN环境中的DDoS攻击的发生情况，而且还可以降低控制器在训练和检测过程中的资源消耗，对于真实的攻击检测环境具有相当的适用价值。
-
公开(公告)号：CN113949549B
公开(公告)日：2022-08-23
申请号：CN202111169670.2
申请日：2021-10-08
Applicant: 东北大学
IPC: H04L9/40 , H04L41/14 , H04L41/142 , H04L43/0817 , H04L43/16
Abstract: 本发明属于网络安全领域，提供了一种面向入侵和攻击防御的实时流量异常检测方法。首先从当前的网络中抽取网络的状态特征序列并对其编码，再利用异常检测模型对编码结果进行异常检测。网络状态特征序列反应当前的网络状态，但这些信息所包含的特征无法被异常检测模型直接使用，因此本发明使用深度学习技术处理当前的网络特征并将其编码成检测模型可处理的格式。为了解决网络流量数据的不平衡性问题，使用基于深度学习的单类分类器作为异常检测模型的检测算法。为进一步提高检测模型的检测效果，在训练时将特征抽取网络与异常检测模型的映射网络联合训练从而优化编码网络参数；本发明方法能够在只有单类训练数据的情形实现对网络流量的异常检测。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.026 seconds)
