-
公开(公告)号：CN113630384B
公开(公告)日：2022-10-14
申请号：CN202110778054.0
申请日：2021-07-09
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种基于NetFlow数据的特定加密流量识别方法及系统。该方法的步骤包括：利用原始网络流量生成NetFlow序列；采用双向LSTM网络捕获NetFlow序列的上下文关系；采用注意力机制对NetFlow序列的上下文关系进行注意力权重计算，得到NetFlow序列的特征；利用得到的NetFlow序列的特征识别加密流量。本发明以NetFlow序列作为输入来保护用户隐私，利用双向LSTM网络尽可能捕获稀疏流记录上下文关系，增加注意力机制进行注意力权重计算，对信息进行加权，实现对相关性特征的增强，自动学习流记录的潜在特征。即使在较低的采样率下，本发明仍能够取得较好的加密流量识别效果。
-
公开(公告)号：CN113630384A
公开(公告)日：2021-11-09
申请号：CN202110778054.0
申请日：2021-07-09
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种基于NetFlow数据的特定加密流量识别方法及系统。该方法的步骤包括：利用原始网络流量生成NetFlow序列；采用双向LSTM网络捕获NetFlow序列的上下文关系；采用注意力机制对NetFlow序列的上下文关系进行注意力权重计算，得到NetFlow序列的特征；利用得到的NetFlow序列的特征识别加密流量。本发明以NetFlow序列作为输入来保护用户隐私，利用双向LSTM网络尽可能捕获稀疏流记录上下文关系，增加注意力机制进行注意力权重计算，对信息进行加权，实现对相关性特征的增强，自动学习流记录的潜在特征。即使在较低的采样率下，本发明仍能够取得较好的加密流量识别效果。
-
公开(公告)号：CN115034284A
公开(公告)日：2022-09-09
申请号：CN202210403955.6
申请日：2022-04-18
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开了一种基于梯度的网络流量分类方法及系统。本方法为：利用类别标注的网络流量样本集训练用于获取流量特征的深度学习网络；其中，训练方法为：将类别标注的网络流量样本输入所述深度学习网络，得到对应的流量特征；将网络流量样本的标注类别及对应的流量特征分别输入到Rectified‑ArcFace层计算预测损失值，使得类别和流量特征之间的角度间隔最大化；将损失值反向传播优化；将一验证数据集输入训练后的深度学习网络，得到梯度阈值；将待识别网络流量输入深度学习网络，将所得候选类别反向传播并计算Rectified‑ArcFace层网络权重的梯度H，如果H大于梯度阈值，则将待识别网络流量的类别为未知类别。
-
公开(公告)号：CN109831422B
公开(公告)日：2020-08-18
申请号：CN201910043507.8
申请日：2019-01-17
Applicant: 中国科学院信息工程研究所
IPC: H04L29/06 , H04L12/851
Abstract: 本发明提供了一种基于端到端序列网络的加密流量分类方法，主要思想是从加密流量的序列特性出发，借助循环神经网络可以保留一段时间内信息的特性，以从加密流量序列中深入挖掘有效上下文信息，并且结合有监督的分类和无监督的重构机制，增强产生特征的区分性。本发明还提供了一种计算机装置，该计算机可执行计算机程序，所述计算机程序执行本发明方法所述的各项步骤。本发明还提供一种计算机程序存储装置，该计算机程序执行本发明方法所述的各项步骤。本发明提供的上述方法及装置具有自动学习、一体化学习、关键信息留存及泛化性等优点。
-
公开(公告)号：CN119760627A
公开(公告)日：2025-04-04
申请号：CN202411790402.6
申请日：2024-12-06
Applicant: 中国科学院信息工程研究所
IPC: G06F18/25 , G06V10/82 , G06Q50/00 , G06N3/0455 , G06N3/0442 , G06N3/049 , G06N3/084 , G06N3/045 , G06N3/0499 , G06N3/0895
Abstract: 本发明公开了一种基于流量多模态特征融合的社交机器人发现方法及系统。本方法为：1)获取T个类型机器人的加密网络流并对其进行标记，得到社交平台上机器人加密流量数据集；其中，fz为第z个机器人的行为序列样本；构建一OBTT模型，其包括原始流量转灰度图模块、原始序列特征编码模块、编码器、解码器、time‑LSTM模块、特征融合模块和全连接神经网络；2)利用未标记的机器人加密网络流对OBTT模型进行训练；3)利用有标记的社交平台上机器人加密流量数据集对训练后的OBTT模型进行微调；4)将待检测的加密网络流输入微调后的OBTT模型，得到对应的机器人类别。本发明增强了对不同机器人行为模式的检测能力。
-
Patent Agency Ranking
公开(公告)号：CN112381119A
公开(公告)日：2021-02-19
申请号：CN202011159375.4
申请日：2020-10-27
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开了一种基于去中心化应用加密流量特征的多场景分类方法及系统，包括：收集去中心化应用的加密流量，并对各加密流量标记应用、用户行为和通用用户行为的分类标签；根据分类目标和分类标签，将提取的加密流量的应用特征、用户行为特征和通用用户行为特征，分别输入应用分类模型、用户行为分类模型和通用用户行为分类模型，得到相应的分类。本发明通过对多个场景下机器学习分类器的调参，确保模型的准确性和鲁棒性，使得应用类型分类具有高准确率和高效率，用户行为分类易于识别可疑用户行为从而保护用户安全与隐私，且通过通用用户行为分类可获得吞吐量、延迟等有用信息，从而帮助改善去中心化应用使其运行更加有效率、提升用户体验。
-
公开(公告)号：CN112381119B
公开(公告)日：2023-02-03
申请号：CN202011159375.4
申请日：2020-10-27
Applicant: 中国科学院信息工程研究所
IPC: G06F18/2431 , H04L9/40
Abstract: 本发明公开了一种基于去中心化应用加密流量特征的多场景分类方法及系统，包括：收集去中心化应用的加密流量，并对各加密流量标记应用、用户行为和通用用户行为的分类标签；根据分类目标和分类标签，将提取的加密流量的应用特征、用户行为特征和通用用户行为特征，分别输入应用分类模型、用户行为分类模型和通用用户行为分类模型，得到相应的分类。本发明通过对多个场景下机器学习分类器的调参，确保模型的准确性和鲁棒性，使得应用类型分类具有高准确率和高效率，用户行为分类易于识别可疑用户行为从而保护用户安全与隐私，且通过通用用户行为分类可获得吞吐量、延迟等有用信息，从而帮助改善去中心化应用使其运行更加有效率、提升用户体验。
-
公开(公告)号：CN109831422A
公开(公告)日：2019-05-31
申请号：CN201910043507.8
申请日：2019-01-17
Applicant: 中国科学院信息工程研究所
IPC: H04L29/06 , H04L12/851
Abstract: 本发明提供了一种基于端到端序列网络的加密流量分类方法，主要思想是从加密流量的序列特性出发，借助循环神经网络可以保留一段时间内信息的特性，以从加密流量序列中深入挖掘有效上下文信息，并且结合有监督的分类和无监督的重构机制，增强产生特征的区分性。本发明还提供了一种计算机装置，该计算机可执行计算机程序，所述计算机程序执行本发明方法所述的各项步骤。本发明还提供一种计算机程序存储装置，该计算机程序执行本发明方法所述的各项步骤。本发明提供的上述方法及装置具有自动学习、一体化学习、关键信息留存及泛化性等优点。
-
公开(公告)号：CN103617217B
公开(公告)日：2017-04-26
申请号：CN201310589470.1
申请日：2013-11-20
Applicant: 中国科学院信息工程研究所
IPC: G06F17/30
Abstract: 本发明涉及一种基于层次索引的图像检索方法，包括步骤：步骤1：对库图像提取二进制特征，并存入特征库；步骤2：对特征库中的每个二进制特征随机提取24位作为新特征组成新数据集；步骤3：对新数据集建立聚类索引，使搜索空间分为多层；步骤4：接收查询图像，提取查询图像的查询特征，对查询特征随机提取24位构成新查询特征，并将新查询特征与新数据集中的二进制特征进行匹配，完成初步过滤并得到候选集合；步骤5：将候选集合中的所有特征与原查询特征进行相似度计算，得到多个相似特征构成相似数据集，完成图像检索。本发明与基于sift特征的索引结构相比，该索引结构使得检索效率明显提升，空间资源消耗降低。
-
公开(公告)号：CN103617217A
公开(公告)日：2014-03-05
申请号：CN201310589470.1
申请日：2013-11-20
Applicant: 中国科学院信息工程研究所
IPC: G06F17/30
CPC classification number: G06F17/30256
Abstract: 本发明涉及一种基于层次索引的图像检索方法，包括步骤：步骤1：对库图像提取二进制特征，并存入特征库；步骤2：对特征库中的每个二进制特征随机提取24位作为新特征组成新数据集；步骤3：对新数据集建立聚类索引，使搜索空间分为多层；步骤4：接收查询图像，提取查询图像的查询特征，对查询特征随机提取24位构成新查询特征，并将新查询特征与新数据集中的二进制特征进行匹配，完成初步过滤并得到候选集合；步骤5：将候选集合中的所有特征与原查询特征进行相似度计算，得到多个相似特征构成相似数据集，完成图像检索。本发明与基于sift特征的索引结构相比，该索引结构使得检索效率明显提升，空间资源消耗降低。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.034 seconds)
