-
公开(公告)号：CN119740174A
公开(公告)日：2025-04-01
申请号：CN202510024371.1
申请日：2025-01-07
Applicant: 同济大学
IPC: G06F18/2433 , G06N3/042 , G06F18/24 , G06F18/213 , H04L9/40 , H04L67/12
Abstract: 本发明属于化工厂设备异常检测与互联网网络安全的交叉领域，特别涉及一种基于图神经网络的化工互联网一体化异常预测及检测算法和系统。所述算法包括以下步骤：步骤1，获取初始网络服务数据和化工厂数据：步骤2，基于所述网络服务数据和化工厂数据，构建映射关系；步骤3，利用双时间窗口技术构建精简矩阵序列；步骤4，基于步骤3所述精简矩阵构建精简图；步骤5，基于图神经网络从所述精简图中提取对应精简图向量；等等。本发明能够一体化解决化工厂设备老化等导致的异常问题和针对化工厂的网络攻击及后续对应的化工设备损坏等问题，同时还能解决化工厂与互联网相结合部分的安全问题，在检测安全问题的同时对安全问题进行预测。
-
公开(公告)号：CN119232464A
公开(公告)日：2024-12-31
申请号：CN202411353799.2
申请日：2024-09-26
Applicant: 同济大学
Abstract: 本发明属于网络攻击检测领域，具体涉及一种应对APT攻击的网络安全监测系统。包括工业控制网络网关安全设备、工业控制网络管理系统、工业控制网络安全运营中心，其中：工业控制网络网关安全设备包括行为数据收集模块，用于收集包括入侵检测系统和流量探针多种设备的网络流量和系统活动数据，提供给工业控制网络管理系统；工业控制网络管理系统包括数据预处理模块、子图生成模块、行为特征提取模块、模型训练和异常检测模块；完成原始数据的预处理，生成溯源图和子图，提取行为特征，建立分类模型并用于异常检测；工业控制网络安全运营中心中包括风险提示汇报模块，将检测到的风险通过可视化的方式汇报给安全运营人员，并生成详细的分析报告。
-
公开(公告)号：CN119232465A
公开(公告)日：2024-12-31
申请号：CN202411353800.1
申请日：2024-09-26
Applicant: 同济大学
Abstract: 本发明属于网络攻击检测领域，具体涉及一种基于溯源图行为信息的APT攻击检测方法。分为四个步骤：步骤1、数据预处理；步骤2、子图生成；步骤3、行为特征提取；对每一张子图进行特征提取，包括节点特征提取和边特征提取；步骤4、分类模型设计、训练、异常检测；训练和测试分类模型，利用训练好的模型依次分类每一条边的类型，当某一条边无法被现有任何一个子模型正确分类时，判定其为异常，并输出它的行为结构图。本发明在溯源图的建模中引入了行为属性及其结构信息，超越了传统关注实体交互关系的范畴；通过引入池化方法和图表征学习，提高了模型的表达能力，使其更有效地捕捉行为结构中的重要信息，在初始结构信息的基础上不断优化。
-
公开(公告)号：CN119149238A
公开(公告)日：2024-12-17
申请号：CN202411387649.3
申请日：2024-10-06
Applicant: 同济大学
IPC: G06F9/50 , G06F18/2415 , G06F18/214 , G06F18/21 , G06N3/08 , G06N3/045 , G06N3/0499 , G06N3/0464 , G06N3/048
Abstract: 本发明涉及算力网络预测，提出了一种面向算力网络的多类型任务需求预测方法。该方法通过对算力网络场景中的多类型任务需求进行分析和特征提取，通过深度神经网络对任务需求进行分析和处理，输出分类结果，将分类后的任务需求通过频率注意力机制和非平稳因子相结合的方式处理，不仅能够实现自动从全局数据中抽取更深层次的关联特征，而且能够自动识别出任务中的突变需求，从而提高了算力网络场景下多类型任务需求的预测精度。对比传统的方法，本方法从时域和频域结合的角度对算力网络任务需求数据进行刻画，并引入非平稳因子，能够有效地识别出任务需求中的突变性数据，具有更高的准确性和适用性。
-
Patent Agency Ranking
公开(公告)号：CN118277093A
公开(公告)日：2024-07-02
申请号：CN202410379722.6
申请日：2024-03-29
Applicant: 同济大学
IPC: G06F9/50 , G06N3/0455 , G06N3/084
Abstract: 本发明属于负载预测领域，尤其涉及一种面向算力网络的负载预测方法，包括以下步骤：步骤S101，根据原始的算力网络服务器获取初始算力网络负载数据，基于获取的数据构建数据集；步骤S102，将采集到的数据集划分为训练集、验证集和测试集并进行数据预处理，方便后续模型使用；步骤S103，使用深度学习算法构建模型，使用训练集对模型进行训练，并通过验证集进行验证，不断的调整超参数直到预测结果和真实值接近，最后使用测试集测试最终的效果；步骤S104，比较真实的算力负载和基于历史数据预测出来的结果，将真实的负载数据重新组成新的数据集，加入到深度学习模型训练模块进行再次训练。本发明方法具有高准确性、实时性、自适应性等优点。
-
公开(公告)号：CN119621568A
公开(公告)日：2025-03-14
申请号：CN202411717812.8
申请日：2024-11-27
Applicant: 同济大学
IPC: G06F11/3668 , G06N20/00
Abstract: 本发明属于EOL下线测试程序自动生成领域，具体涉及一种基于强化学习的车辆域控制器EOL测试程序生成方法。包括以下步骤：S1：从原理图中获取的元器件原始数据，将原始电路及元器件连接属性进行数据处理，组合成最小电路组合数据；S2：在步骤S1得到的二维向量数据集上构建一个最优EOL下线测试用例选择模型；S3：基于S2模型，利用Q‑Learning算法生成当前优先级最高的EOL测试程序；S4：根据评判标准来选择出最优的测试用例。本发明方法解决了测试结果施加奖励方法的缺陷是检测失效率低，难以收敛；测试反馈时间长的问题。
-
公开(公告)号：CN113887576A
公开(公告)日：2022-01-04
申请号：CN202111072086.5
申请日：2021-09-14
Applicant: 同济大学
IPC: G06K9/62 , G06F16/215 , G06F16/36 , G06F16/387 , G06N3/04
Abstract: 本发明涉及一种基于设备行为识别图的工业设备异常行为检测方法，包括以下步骤：构建当前时刻的设备行为识别图，该设备行为识别图中节点为行为事件的属性，边为任意两个属性间的共现关系，每个边具有一权重；引入初始权重机制、权重平滑机制、时间影响机制和周期影响机制，对所述设备行为识别图的进行权重变换；通过一事件表征提取器捕获进行权重变换后的所述设备行为识别图的设备行为事件表征；将所述设备行为事件表征作为一经训练的多层感知机的输入，得到当前工业设备存在异常行为的概率。与现有技术相比，本发明具有提高拦截异常行为的准确性和模型的鲁棒性等优点。
-
公开(公告)号：CN113887576B
公开(公告)日：2025-04-29
申请号：CN202111072086.5
申请日：2021-09-14
Applicant: 同济大学
IPC: G06F18/2415 , G06F18/214 , G06F16/215 , G06F16/36 , G06F16/387 , G06N3/0499 , G06N3/042 , G06N3/045
Abstract: 本发明涉及一种基于设备行为识别图的工业设备异常行为检测方法，包括以下步骤：构建当前时刻的设备行为识别图，该设备行为识别图中节点为行为事件的属性，边为任意两个属性间的共现关系，每个边具有一权重；引入初始权重机制、权重平滑机制、时间影响机制和周期影响机制，对所述设备行为识别图的进行权重变换；通过一事件表征提取器捕获进行权重变换后的所述设备行为识别图的设备行为事件表征；将所述设备行为事件表征作为一经训练的多层感知机的输入，得到当前工业设备存在异常行为的概率。与现有技术相比，本发明具有提高拦截异常行为的准确性和模型的鲁棒性等优点。
-
公开(公告)号：CN119065852A
公开(公告)日：2024-12-03
申请号：CN202411236873.2
申请日：2024-09-04
Applicant: 同济大学
Abstract: 本发明涉及边缘计算调度领域，特别是一种基于知识图谱的边缘计算调度系统。包括：边缘服务器算力资源表征模块、边缘服务器调度模块、边缘服务器可视化模块；其中：边缘服务器算力资源表征模块包括资源采集和资源建模功能。边缘服务器调度模块包含任务拆解、任务匹配、任务编排、节点管理功能，可将边缘服务器的算力资源和计算任务进行关联，并在知识图谱中匹配节点匹配和编排调度；边缘服务器可视化模块包括算力资源可视化和计算任务可视化两部分，用于展示边缘计算节点的特征属性和任务负载。本发明调度算法能够实时适应变化，提高了调度的效率和准确性。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.015 seconds)
