公开(公告)号：CN117336076A

公开(公告)日：2024-01-02

申请号：CN202311355878.2

申请日：2023-10-19

Applicant: 哈尔滨理工大学

Inventor： 王健 ,  赵德磊 ,  赵国生

IPC: H04L9/40 ,  G06N3/094 ,  G06F18/213 ,  G06F18/25

Abstract: 群智感知系统（MCS）极易受到恶意参与者和虚假任务的注入攻击，从而干扰平台的服务能力和传感活动。本发明提出一种群智感知系统中融合显著性关联差异的异常检测方法，该方法具有高斯偏置的注意力机制模块和两阶段对抗训练过程组成。首先，由具有高斯偏置的注意机制获取数据的相关性差异，采用min‑max策略放大正常数据和恶意数据间的差异。然后，通过焦点得分的计算，提取出关联重构阶段中的显著性关联差异。最后，将焦点得分和原始数据共同作为焦点重构阶段的输入，放大焦点重构阶段输出的重构误差，提高恶意攻击者注入数据与正常数据的区分度，在MCS进行任务分配之前识别并清除虚假任务和恶意参与者，从而有效提高感知平台的鲁棒性和任务分配成功率。

公开(公告)号：CN119598218A

公开(公告)日：2025-03-11

申请号：CN202411713434.6

申请日：2024-11-27

Applicant: 哈尔滨理工大学

Inventor： 王健 ,  赵德磊 ,  赵国生

IPC: G06F18/22 ,  G06N3/0895 ,  G06N3/0499 ,  G06N5/045

Abstract: 移动群智感知平台所蕴含的大量高价值数据，使其成为诸如女巫攻击、Dos攻击等多种威胁的目标，严重干扰平台的感知服务，影响感知数据质量。本发明提出一种可学习可解释的切片级主动威胁预测方法，提供对于威胁的精准长期预测，使感知平台能够提前制定更合适的防御手段和策略。首先，通过一种“分而治之”的非平稳因素处理方法，学习每个切片自身的统计属性，并预测其未来的分布。然后，以对比学习的方式，结合双向交叉注意力机制学习攻击数据和时序基之间的相似性系数，相似性系数和时序基的未来部分组合得到此阶段的平稳化输出。最后，依据威胁切片统计属性的预测，在威胁预测模块的平稳化输出中恢复其非平稳特性，得到对威胁的最终预测结果。