公开(公告)号：CN118114119A

公开(公告)日：2024-05-31

申请号：CN202410324153.5

申请日：2024-03-21

Applicant: 南京邮电大学

Inventor： 王禹 ,  桂冠 ,  许小虎

IPC: G06F18/241 ,  G06F18/2431 ,  G06F18/214

Abstract: 本发明公开了一种基于动态扩展的类增量辐射源识别方法、系统、电子设备及存储介质，其中方法包括：步骤1：从飞行器中获取ADS‑B数据并制作为ADS‑B数据集，将ADS‑B数据集按照比例划分为训练集、验证集和测试集数据；将初始ADS‑B数据训练集导入动态扩展的自适应类增量网络模型，获得初始模型预测值、模型权重；将模型预测值与标签值代入分类损失函数计算，获得分类损失值；使用分类损失值更新动态扩展的自适应类增量网络模型参数，直至获得最优的动态扩展的自适应类增量网络模型；对最优的动态扩展的自适应类增量网络模型动态增加新类别分类器，获得增量后的动态扩展的自适应类增量网络模型；根据增量后的动态扩展的自适应类增量网络模型在线检测ADS‑B数据，自适应识别ADS‑B数据；本发明提高对复杂现实环境中的ADS‑B数据检测效率与识别精度，同时平衡了存储空间与检测能力冲突问题，进而提高了在各个场景下的通用性。

公开(公告)号：CN117879937A

公开(公告)日：2024-04-12

申请号：CN202410036097.5

申请日：2024-01-10

Applicant: 南京邮电大学

Inventor： 许小虎 ,  桂冠 ,  王禹

IPC: H04L9/40 ,  H04L41/14 ,  H04L41/16

Abstract: 本发明公开了一种基于网络流量的自适应恶意软件检测方法及系统，方法包括：获取网络流量数据并制作为网络流量数据集，将网络流量数据训练集导入双分支自适应类神经网络模型，获得模型预测值；将模型预测值与训练集标签值代入分类损失函数、将训练集正负样本代入稀疏对损失函数、将模型权重代入稀疏损失函数计算，获得分类损失值、稀疏对损失值、稀疏损失值；根据分类损失值、稀疏对损失值、稀疏损失值更新双分支自适应类神经网络模型参数，直至获得最优的双分支自适应类神经网络模型；对最优的双分支自适应类神经网络模型动态增加新类别分类器，获得增量后的双分支自适应神经网络模型；根据增量后的双分支自适应神经网络模型在线检测网络流量数据，自适应识别恶意软件或异常网络流量数据；本发明提高对复杂互联网数据环境中的异常网络流量数据或恶意软件的检测效率与识别精度，同时平衡了存储空间与检测能力冲突问题，进而提高了在各个场景下的通用性。