-
公开(公告)号：CN120030536A
公开(公告)日：2025-05-23
申请号：CN202510496401.9
申请日：2025-04-21
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06F21/55 , G06F18/23213 , G06N20/00 , G06N3/045 , G06N3/096
Abstract: 本发明属于信息安全的技术领域，尤其涉及一种联邦学习防御方法、电子设备及存储介质。本发明是一种适用于非独立同分布数据环境的抵御投毒攻击的防御方法，通过融合历史全局模型构造教师模型，在客户端进行知识蒸馏和个性化训练、联合服务器端使用K‑means聚合方法共同防御模型投毒攻击。通过模拟训练过程中的攻击与防御机制，该方法系统能够识别并剔除恶意客户端，不仅提高了联邦学习框架对模型投毒攻击的防御能力，还显著提升了最终全局模型的性能，保证了联邦学习系统的整体鲁棒性和安全性。
-
公开(公告)号：CN120030535A
公开(公告)日：2025-05-23
申请号：CN202510481176.1
申请日：2025-04-17
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06F21/55 , G06N3/0442
Abstract: 本发明属于智能电网数据安全保护的技术领域，具体涉及一种基于电网信息物理耦合的APT溯源方法及装置，其方法包括：获取审计日志数据并将其重构为因果关系图，基于该因果关系图构建训练样本集对LSTM模型进行训练；基于物理层拓扑和物理层母线节点的过载情况构建过载关联图，并对其中各支路做脆弱性评估；基于各支路的真实过载情况对其进行二分类，构建过载依赖关系库，并评估各支路过载关联的破坏性影响；基于上述两个评估结果确定可疑支路序列，并根据信息‑物理拓扑关系和时间属性缩小可疑日志范围，得到待识别日志，将该待识别日志重构为目标因果关系图，利用训练好的LSTM模型对其进行识别，以判别出攻击实体并还原攻击路径。
-
公开(公告)号：CN118886003B
公开(公告)日：2025-03-28
申请号：CN202411355197.0
申请日：2024-09-27
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06F21/55 , G06N3/0442 , G06N3/092 , G06Q50/06 , G06N7/01
Abstract: 本发明属于电子数字数据处理的技术领域，更具体地，涉及面向智能电网隐蔽性攻击的时序预测强化学习检测方法。所述方法包括以下步骤：首先，对智能电网进行建模，获得仪器测量数据，并对数据进行预处理；其次，将预处理后的数据作为长短期记忆网络的输入，对智能电网进行状态估计；然后，将智能电网中的攻击检测问题建模为部分可观测马尔可夫决策问题；最后，利用强化学习方法解决部分可观测马尔可夫决策问题，实现智能电网隐蔽性攻击检测。本发明可以以较低的延迟和误检率来检测智能电网中的隐蔽攻击。
-
公开(公告)号：CN119005302B
公开(公告)日：2024-12-20
申请号：CN202411455446.3
申请日：2024-10-18
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06N3/098 , G06F18/241 , G06N3/096 , G06F18/25
Abstract: 本发明属于联邦学习的技术领域，更具体地，涉及一种基于特征提取器与分类器灵活组合的联邦学习方法。所述方法包括：服务器初始化全局模型；如果是第一轮，则把本地分类器更新为全局分类器，如不是，则让本地分类器沿用上一轮次训练后的本地分类器；训练本地分类器，再对本地特征提取器进行训练，全局特征提取器生成全局特征锚点指导本地特征提取器的训练，同时让本地特征提取器先与全局分类器进行组合训练，再与本地分类器进行组合训练；基于客户端样本数量大小，生成聚合权重，并对本地模型聚合，得到新一轮的全局模型；重复步骤直到模型收敛或到达设定的通信轮次。本发明解决了模型性能下降、隐私泄露问题。
-
公开(公告)号：CN119155112A
公开(公告)日：2024-12-17
申请号：CN202411620659.7
申请日：2024-11-14
Applicant: 国网山东省电力公司电力科学研究院 , 浙江大学 , 山东省计算中心(国家超级计算济南中心)
Inventor： 王文婷 , 刘鑫 , 李迪 , 曹小亚 , 陈振娅 , 鉴庆之 , 刘吉龙 , 田博彦 , 田健 , 刘远龙 , 杨明 , 程鹏 , 王鑫 , 吴晓明 , 刘臣胜 , 秦佳峰 , 聂其贵 , 陈东
IPC: H04L9/40
Abstract: 本发明涉及网络流量技术领域，提供了一种智能电网Dos攻击检测方法、系统、介质、设备及程序。智能电网Dos攻击检测方法，包括：将同一条网络流量数据对应的三种特征进行合并，构建融合特征集；将融合特征集和对应的数值标签集作为输入，分别采用支持向量机和决策树，得到第一输出集和第二输出集；将第一输出集、第二输出集以及对应的数值标签集输入分类器，得到支持向量机的权重和决策树的权重，以构建多级决策模型；考虑多种性能指标，构建综合多维目标函数，对多级决策模型的超参数进行优化，得到优化后的多级决策模型，用于网络流量的Dos攻击检测。本发明能够快速识别智能电网中的DoS攻击行为，确保智能电网的安全运行。
-
Patent Agency Ranking
公开(公告)号：CN119808896B
公开(公告)日：2025-05-23
申请号：CN202510296997.8
申请日：2025-03-13
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06N3/098 , G06F21/62 , G06F18/2132 , G06F18/214
Abstract: 本发明属于隐私保护的技术领域，更具体地，涉及面向保隐私异构去中心化学习的正则约束自适应调整方法。所述方法包括：将每个客户端#imgabs0#的本地模型#imgabs1#划分为共享模型#imgabs2#和保留模型#imgabs3#，对共享模型#imgabs4#进行正则化约束；客户端#imgabs5#使用上一轮聚合后的共享模型#imgabs6#和本地保留模型#imgabs7#，基于本地数据集#imgabs8#进行梯度下降更新；通过KL散度对正则化参数#imgabs9#进行动态更新调整；对共享模型进行差分隐私保护，然后将加噪后的共享模型广播给邻居客户端；客户端i的邻居客户端接收加噪后的共享模型并进行聚合，以得到下一迭代轮次的本地模型。本发明在保护数据隐私的同时，减轻数据异质性和差分隐私噪声对模型性能的负面影响。
-
公开(公告)号：CN119892499A
公开(公告)日：2025-04-25
申请号：CN202510360779.6
申请日：2025-03-26
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: H04L9/40 , G06F18/15 , G06F18/214 , G06F18/2135 , G06F18/21 , G06F18/2433 , G06N3/0442 , G06N3/0464 , G06N3/0475 , G06N3/0455 , G06N3/094
Abstract: 本发明属于数据分析与网络安全技术领域，具体涉及一种基于物理约束与自适应阈值的虚假数据注入攻击检测和定位方法。所述方法包括：通过预处理多个传感器的测量数据，将数据输入到基于物理约束和时间条件嵌入的WGAN框架进行训练；WGAN生成符合物理规律的高质量合成数据，并结合LSTM捕捉时间序列的长短期特性；随后，利用CNN‑Transformer模型进行全局特征提取和动态阈值生成，结合基于分位数的动态检测机制分析正常数据的分布，精准定位潜在攻击来源；最终，通过循环优化模型架构与参数，提升检测与定位的精度与效率。
-
公开(公告)号：CN119670916A
公开(公告)日：2025-03-21
申请号：CN202510200623.1
申请日：2025-02-24
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06N20/00 , G06F18/213 , G06F18/2115 , G06F18/2413
Abstract: 本发明属于联邦学习的技术领域，具体涉及一种基于特征对比优化与分类器动态集成的联邦学习方法及装置。其方法包括：通过服务器初始化全局模型并将其下发给参与联邦学习的#imgabs0#个客户端，客户端基于接收到的全局模型进行本地模型更新以及对更新后的本地模型进行训练，再利用训练后的本地特征提取器对其本地私有数据集进行特征提取，以构建本地特征原型集合，再将本地模型、本地特征原型集合、客户端总样本量上传至服务器，服务器在全局聚合时，使用对比学习技术提升全局特征原型质量，最后将聚合得到的全局原型和全局特征原型集合下发给各客户端，执行下一轮次的学习，直至本地模型收敛或到达设定的通信轮次。
-
公开(公告)号：CN119622379A
公开(公告)日：2025-03-14
申请号：CN202411695228.7
申请日：2024-11-25
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心) , 泰华智慧产业集团股份有限公司
IPC: G06F18/2321 , G06F18/10 , G06F18/214 , G06F18/21 , G06F18/213 , G06N3/0455 , G06N3/08
Abstract: 本发明属于数据处理分析的技术领域，更具体地，涉及一种基于动态聚类算法DeepDPM的工业系统运行模式刻画方法。所述方法包括：首先收集系统实际运行数据。将数据进行预处理，并按照固定比例划分训练集和验证集；然后建立AE模型，使用训练集对AE进行预训练，并保存训练完成后的AE模型和权重，再使用验证集来验证训练后AE模型的效果。接下来将预处理后的数据输入到训练好的AE模型中进行特征提取；再将提取出的特征数据输入到DeepDPM模型中进行聚类；最后使用一种降维可视化算法：t分布随机邻域嵌入，简称t‑SNE，对聚类结果进行可视化展示。本发明解决了提高工业系统中运行模式预测的效率和准确性问题。
-
公开(公告)号：CN119513498A
公开(公告)日：2025-02-25
申请号：CN202411673870.5
申请日：2024-11-21
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心) , 青岛理工大学
IPC: G06F18/10 , G06F18/213 , G06F18/22 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06N20/20
Abstract: 本发明属于时间序列预测的技术领域，更具体地，涉及一种基于深度集成学习模型和高低频分离的时间序列数据预测方法。所述方法包括：收集系统中的时间序列数据，对得到的数据进行预处理；对原始时间序列数据进行VMD变分模态分解，将时间序列分解成K个有限带宽的模态分量；联合最大信息系数法和重构误差分析法来确定最佳的分解模态数量K；对分解的所有模态使用过零率和中心频率来划分高低频分量；分别针对高频分量和低频分量建立合适的预测模型；将所有模态预测结果进行叠加，得到最终的时间序列预测结果。本发明组合了多种深度学习模型使得预测方法具备更强的灵活性和适应性，能够针对不同特征的分量选择合适的模型进行预测，从而提升整体性能。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.028 seconds)
