-
公开(公告)号：CN112491891B
公开(公告)日：2022-05-17
申请号：CN202011363721.0
申请日：2020-11-27
Applicant: 杭州电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明公开了一种物联网环境下基于混合深度学习的网络攻击检测方法，随着物联网的高速发展，网络攻击愈发多样化与智能化，面对多样的网络攻击，基于传统机器学习的方法无法满足复杂的网络攻击，单一深度学习模型检测性能也不尽人意。本发明在现有的单一深度学习模型基础上，构建混合深度学习模型，之后对模型进行编译，再利用混合深度学习模型和单一深度学习模型进行对比实验，使用公开的网络入侵检测数据集的训练数据对模型进行训练，再将训练后的模型对测试集进行测试检测，最后对各个模型的检测结果进行评估，对比分析评估数据，得出混合深度学习可以有效提高对网络攻击的检测性能的结论。
-
公开(公告)号：CN112653751B
公开(公告)日：2022-05-13
申请号：CN202011503520.6
申请日：2020-12-18
Applicant: 杭州电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明公开了一种物联网环境下基于多层极限学习机的分布式入侵检测方法，由于相关设备的资源受约束的特性，用于实现自动攻击检测的这类计算较重的任务，都要移到边界设备上，以便让处理功能靠近数据源。这些边界设备能运行预置的分类模型。但当面对大量的训练数据时，却没有足够的存储和处理能力来构造和升级这类模型。为解决这一问题，本发明将计算密集和存储量大的训练运算移到云服务器中进行，构建并在云服务器中训练单隐藏层极限学习机和多隐藏层极限学习机模型，以让边界设备基于云服务器中预置的深度学习模型来执行流量分类，从而分类出是正常流量还是网络攻击，并通过实验分析得出多隐藏层极限学习机拥有更好的性能。
-
公开(公告)号：CN112491891A
公开(公告)日：2021-03-12
申请号：CN202011363721.0
申请日：2020-11-27
Applicant: 杭州电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明公开了一种物联网环境下基于混合深度学习的网络攻击检测方法，随着物联网的高速发展，网络攻击愈发多样化与智能化，面对多样的网络攻击，基于传统机器学习的方法无法满足复杂的网络攻击，单一深度学习模型检测性能也不尽人意。本发明在现有的单一深度学习模型基础上，构建混合深度学习模型，之后对模型进行编译，再利用混合深度学习模型和单一深度学习模型进行对比实验，使用公开的网络入侵检测数据集的训练数据对模型进行训练，再将训练后的模型对测试集进行测试检测，最后对各个模型的检测结果进行评估，对比分析评估数据，得出混合深度学习可以有效提高对网络攻击的检测性能的结论。
-
公开(公告)号：CN112653751A
公开(公告)日：2021-04-13
申请号：CN202011503520.6
申请日：2020-12-18
Applicant: 杭州电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明公开了一种物联网环境下基于多层极限学习机的分布式入侵检测方法，由于相关设备的资源受约束的特性，用于实现自动攻击检测的这类计算较重的任务，都要移到边界设备上，以便让处理功能靠近数据源。这些边界设备能运行预置的分类模型。但当面对大量的训练数据时，却没有足够的存储和处理能力来构造和升级这类模型。为解决这一问题，本发明将计算密集和存储量大的训练运算移到云服务器中进行，构建并在云服务器中训练单隐藏层极限学习机和多隐藏层极限学习机模型，以让边界设备基于云服务器中预置的深度学习模型来执行流量分类，从而分类出是正常流量还是网络攻击，并通过实验分析得出多隐藏层极限学习机拥有更好的性能。
-
公开(公告)号：CN113438239B
公开(公告)日：2022-04-19
申请号：CN202110711741.0
申请日：2021-06-25
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度k近邻的网络攻击检测方法及装置，构建用于网络攻击检测的深度网络模型，采用训练样本数据训练深度网络模型，得到训练完成的深度网络模型，将训练样本数据输入到训练完成的深度网络模型中，获取训练样本数据在深度网络模型每一层的输出，并将校正样本数据输入到训练完成的深度网络模型，计算得到校正样本数据对应的距离特征之和组成数据集，然后将待检测数据输入到训练完成的深度网络模型，结合DkNN分析，来得到预测结果。本发明技术方案具有了良好的鲁棒性，得到了预测分类结果的更加准确的可信度。
-
Patent Agency Ranking
公开(公告)号：CN111541652A
公开(公告)日：2020-08-14
申请号：CN202010252580.9
申请日：2020-04-02
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种用于提高秘密信息保管及传递安全性的系统。本发明系统包括图像隐写模块、共享模块、加密模块、解密模块、文件传输模块、影子图像混淆模块、系统交互模块、安全认证模块和系统数据库。用户通过文件传输模块传输秘密信息，系统交互模块与安全认证模块用于用户的登录及操作，通过加密模块、共享模块、图像隐写模块和影子图像混淆模块进行秘密信息的加密，通过多个密钥保管者进行密钥的拆分保管。本发明方法有效的克服了因密钥丢失而无法解密的情况，有效克服了密钥保管者忠诚度问题，密钥不再由单一人员持有，而改为多人持有，能够实现密钥的更好防护，使用户的秘密信息得到更好的保护。
-
公开(公告)号：CN115499219A
公开(公告)日：2022-12-20
申请号：CN202211138498.9
申请日：2022-09-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于深度度量学习的网络攻击检测方法，构建了基于多尺度CNN模型与Triple network模型混合的深度度量学习模型。其中多尺度CNN模型主要实现系统对数据样本的多尺度特征检测。Triple network模型主要实现对三元组样本的空间映射，用于量化三元组样本之间的相似度。采用soft‑margin triple loss作为度量损失函数，利用公开数据集来训练入侵检测模型。基于深度度量学习的入侵检测系统对数据特征进行提取，实验结果表明，本方法相对于传统的机器学习和度量学习，降低了人工投入成本，得到更优秀的检测效果。
-
公开(公告)号：CN111541652B
公开(公告)日：2022-05-20
申请号：CN202010252580.9
申请日：2020-04-02
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种用于提高秘密信息保管及传递安全性的系统。本发明系统包括图像隐写模块、共享模块、加密模块、解密模块、文件传输模块、影子图像混淆模块、系统交互模块、安全认证模块和系统数据库。用户通过文件传输模块传输秘密信息，系统交互模块与安全认证模块用于用户的登录及操作，通过加密模块、共享模块、图像隐写模块和影子图像混淆模块进行秘密信息的加密，通过多个密钥保管者进行密钥的拆分保管。本发明方法有效的克服了因密钥丢失而无法解密的情况，有效克服了密钥保管者忠诚度问题，密钥不再由单一人员持有，而改为多人持有，能够实现密钥的更好防护，使用户的秘密信息得到更好的保护。
-
公开(公告)号：CN113556319A
公开(公告)日：2021-10-26
申请号：CN202110652571.3
申请日：2021-06-11
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种物联网下基于长短期记忆自编码分类器的入侵检测方法，深度学习是实现入侵检测的一种有效的方式，但是传统的简单单一的深度学习模型如CNN和RNN在面对日益复杂的网络数据和网络攻击时检测能力十分有限。因此为了进一步提高模型的检测精度和效率，我们将无监督学习自编码器加入其中，利用其强悍的特征提取能力对数据非线性降维，再将长短期记忆模型和自编码器相结合，充分结合了这两个模型基于时间序列和非线性降维的特点，对网络流量进行检测。经过对比试验证明，长短期记忆自编码分类器在检测精度上优于BGRU、BLSTM和门控循环单元自编码分类器。
-
公开(公告)号：CN113556319B
公开(公告)日：2022-09-30
申请号：CN202110652571.3
申请日：2021-06-11
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种物联网下基于长短期记忆自编码分类器的入侵检测方法，深度学习是实现入侵检测的一种有效的方式，但是传统的简单单一的深度学习模型如CNN和RNN在面对日益复杂的网络数据和网络攻击时检测能力十分有限。因此为了进一步提高模型的检测精度和效率，将无监督学习自编码器加入其中，利用其强悍的特征提取能力对数据非线性降维，再将长短期记忆模型和自编码器相结合，充分结合了这两个模型基于时间序列和非线性降维的特点，对网络流量进行检测。经过对比试验证明，长短期记忆自编码分类器在检测精度上优于BGRU、BLSTM和门控循环单元自编码分类器。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.055 seconds)
