-
公开(公告)号：CN112749391B
公开(公告)日：2024-04-09
申请号：CN202011630878.5
申请日：2020-12-31
Applicant: 华中科技大学
IPC: G06F21/56 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种恶意软件对抗样本的检测方法、装置和电子设备，属于安卓软件生态领域，所述包括：S1：从各个正常APK样本中提取多粒度函数调用图；S2：基于正常APK样本为每个粒度的函数调用图训练对应的变分图自编码器，变分图自编码器包括编码器和解码器；S3：利用变分图自编码器为每个粒度构造对抗样本检测模型；对抗样本检测模型用于从各个粒度学习APP正常样本的数据分布；S4：将检测样本输入训练完成后对抗样本检测模型，根据编码器输出的隐变量以及解码器对应的重构结果判断检测结果。本发明利用正常样本进行对抗样本检测模型训练，将一个粒度的恶意软件检测提升为多个粒度的恶意软件检测，能够提高恶意软件检测准确性。
-
公开(公告)号：CN115797746A
公开(公告)日：2023-03-14
申请号：CN202211518204.5
申请日：2022-11-30
Applicant: 华中科技大学
IPC: G06V10/82 , G06V10/80 , G06V10/764 , G06V10/26 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种光纤端面检测装置，包括空间域编码器、频域编码器、解码器、分割结果图生成模块，本发明将图像缺陷的检测落脚到像素级层面，结合了空间域图像、频域图像各自的优势，能将明显的缺陷跟不明显的缺陷都检测出来。另外，解码器对不同深度的空间域特征图、频域特征图在不同深度进行拼接融合、解码比只对最深处的特征图进行解码得到的特征信息损失小，从而能保证光纤端面检测的准确度更高。本发明还公开了一种光纤端面检测方法及光纤端面检测模型训练方法。
-
公开(公告)号：CN114429344B
公开(公告)日：2025-02-11
申请号：CN202111482948.1
申请日：2021-12-07
Applicant: 华中科技大学
Abstract: 本发明提出了一种数字货币的交易方法、交易系统，该交易方法包括：移动终端的真钱包APP获取当前用户信息，并按预设第一规则生成待匹配用户基因密码，若生成的待匹配用户基因密码与真钱包APP里预先保存的原始用户基因密码一致，则判断用户为真用户；真钱包APP接收真用户设置的第二字符串，利用预先保存的原始用户基因密码对第二字符串进行加密并生成第三二维码；待使用硬件钱包获取并识别第三二维码，并对第三二维码进行解密，输出第一解密结果以判断待使用硬件钱包的真假，所述第一解密结果为第二字符串或解密失败。本发明通过加解密二维码的操作保证了用户、硬件钱包都为真，以避免中间人攻击等行为，整个数字货币的交易过程安全可靠。
-
公开(公告)号：CN117009970B
公开(公告)日：2023-12-29
申请号：CN202311285351.7
申请日：2023-10-07
Applicant: 华中科技大学
IPC: G06F21/56 , G06F18/214 , G06F18/241 , G06N20/00
Abstract: 本发明公开了一种盲特征场景下恶意软件对抗样本生成方法与电子设备，属于恶意软件识别技术领域，所述对抗样本生成方法包括：将待扰动的恶意软件输入多异构智能体协同网络，每个智能体负责一类特征的决策；整合所有智能体的决策，向恶意软件中新增特征元素作为干扰，并将添加干扰后的软件送入检测系统进行检测，若检测为良性软件，说明干扰有效，得到恶意软件对抗样本，若检测为恶意软件，说明干扰无效，则计算每个智能体的际贡献作为其奖励值，送入评价网络更新网络参数并执行智能体新一轮的迭代，直至输出对抗样本。本发明通过多个智能体集中训练、分布执行，并结合特定的奖励规则，可以大大提高训练速度，快速生成黑盒盲特征场景下的对抗样本。(56)对比文件钱小爱.基于对抗性强化学习的安卓恶意软件检测鲁棒性研究《.硕士论文电子期刊》.2023,第11-48页.
-
公开(公告)号：CN116305124A
公开(公告)日：2023-06-23
申请号：CN202310226154.1
申请日：2023-03-09
Applicant: 华中科技大学
Abstract: 本发明提出了一种恶意软件检测方法及系统，本检测方法包括：客户端按预设第一规则对待检测软件进行特征提取，生成待检测软件的特征向量；在预设的载体图片上嵌入预设的扰动参数及待检测软件的特征向量，生成嵌入图片，其中，一张载体图片对应一种扰动参数；将嵌入图片发送给预设的图片分类模型，并接受图片分类模型对嵌入图片的分类结果；根据得到的分类结果与预设的映射关系判断待检测软件是否为恶意软件。本发明能够使攻击者难以察觉到检测行为或者得到检测行为中的数据，从而无法进行针对性的攻击，有效地提高安卓恶意软件检测服务的可靠性与安全性。
-
Patent Agency Ranking
公开(公告)号：CN113204766A
公开(公告)日：2021-08-03
申请号：CN202110569914.X
申请日：2021-05-25
Applicant: 华中科技大学
Abstract: 本发明公开了一种分布式的神经网络部署方法、电子设备与存储介质，属于神经网络模型技术领域。包括以下步骤：用户端将输入嵌入到载体图片中，再送入公开的分类任务模型得到伪分类结果，以由服务器端的结果映射网络将所述伪分类结果进行映射，得到最终的分类结果返回给用户端；其中，所述载体图片和所述公开分类任务模型是由服务器预先分配给用户端；所述载体图片由自然图片叠加扰动P而成；所述公开分类任务模型是任意的开放分类任务神经网络模型。本发明既保证了用户的隐私，具有高度的安全性，又有效保护了模型参数，防御了对抗样本攻击与模型窃取攻击，尽可能减小了服务器的计算压力与通讯压力。
-
公开(公告)号：CN119048817A
公开(公告)日：2024-11-29
申请号：CN202411129020.9
申请日：2024-08-16
Applicant: 华中科技大学
IPC: G06V10/764 , G06V20/70 , G06V10/44
Abstract: 本发明公开了一种基于语义变换生成对抗图像的方法及装置，该方法包括：获取源模型、原始图像及其对应的类别标签；基于获取的属于类别标签的多张参考图像，建立数据分布；基于数据分布，对原始图像进行语义变换，得到多个语义增强图像；将多个语义增强图像输入源模型，计算平均梯度；基于平均梯度计算得到更新梯度；基于更新梯度更新原始图像并裁剪，得到对抗图像；基于对抗图像重新执行上述基于数据分布，对对抗图像进行语义变换，得到多个新的语义增强图像，并根据多个新的语义增强图像得到新的对抗图像的步骤，直至达到预设停止条件，得到优化对抗图像。该方法使用语义变换增加变换图像的多样性，从而提高对抗图像的迁移性。
-
公开(公告)号：CN115859170A
公开(公告)日：2023-03-28
申请号：CN202211595140.9
申请日：2022-12-13
Applicant: 华中科技大学
IPC: G06F18/241 , G06F18/214 , G06F21/56
Abstract: 本发明提出了一种恶意软件家族分类模型生成方法、装置，所述方法包括利用原始恶意软件家族中各样本的特征向量训练一个分类模型，并确定原始恶意软件家族中的代表样本，然后利用代表样本与新出现的恶意软件样本构建新的训练样本，利用训练样本更新所述分类模型得到新的恶意软件家族分类模型。本发明利用代表样本保留了原始恶意软件家族的分类知识，然后再吸纳新恶意软件家族的知识，既减小了恶意软件家族的样本数量，减少了计算开销，又使新的恶意软件家族分类模型不遗忘原始家族的分类知识，能适应恶意软件家族不断增多的情况，并且恶意样本分类准确性高。
-
公开(公告)号：CN113204766B
公开(公告)日：2022-06-17
申请号：CN202110569914.X
申请日：2021-05-25
Applicant: 华中科技大学
IPC: G06F21/56 , G06K9/62 , G06N3/04 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种分布式的神经网络部署方法、电子设备与存储介质，属于神经网络模型技术领域。包括以下步骤：用户端将输入嵌入到载体图片中，再送入公开的分类任务模型得到伪分类结果，以由服务器端的结果映射网络将所述伪分类结果进行映射，得到最终的分类结果返回给用户端；其中，所述载体图片和所述公开分类任务模型是由服务器预先分配给用户端；所述载体图片由自然图片叠加扰动P而成；所述公开分类任务模型是任意的开放分类任务神经网络模型。本发明既保证了用户的隐私，具有高度的安全性，又有效保护了模型参数，防御了对抗样本攻击与模型窃取攻击，尽可能减小了服务器的计算压力与通讯压力。
-
公开(公告)号：CN112749391A
公开(公告)日：2021-05-04
申请号：CN202011630878.5
申请日：2020-12-31
Applicant: 华中科技大学
Abstract: 本发明公开了一种恶意软件对抗样本的检测方法、装置和电子设备，属于安卓软件生态领域，所述包括：S1：从各个正常APK样本中提取多粒度函数调用图；S2：基于正常APK样本为每个粒度的函数调用图训练对应的变分图自编码器，变分图自编码器包括编码器和解码器；S3：利用变分图自编码器为每个粒度构造对抗样本检测模型；对抗样本检测模型用于从各个粒度学习APP正常样本的数据分布；S4：将检测样本输入训练完成后对抗样本检测模型，根据编码器输出的隐变量以及解码器对应的重构结果判断检测结果。本发明利用正常样本进行对抗样本检测模型训练，将一个粒度的恶意软件检测提升为多个粒度的恶意软件检测，能够提高恶意软件检测准确性。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.022 seconds)
