-
公开(公告)号：CN115941229A
公开(公告)日：2023-04-07
申请号：CN202111652910.4
申请日：2021-12-30
Applicant: 浙江大学
IPC: H04L9/40
Abstract: 本发明公开了一种基于工控网络单数据包的入侵检测方法。该方法通过从工业网络流量中单个数据包中解析出反应该次通信行为的多维特征，然后通过特征筛选和和归一化等预处理过程，建立基于SVM的有监督学习算法的入侵检测模型，最后利用训练和优化后的模型实现对于工业控制系统通信数据正常与否的判断。本发明利用智能学习算法充分挖掘了工业控制系统中单个数据包的有效信息，并通过基于SVM的有监督学习算法这一模型方法有效的提高了入侵检测的准确率，并降低了误报率和漏报率。
-
公开(公告)号：CN113887743A
公开(公告)日：2022-01-04
申请号：CN202111167895.4
申请日：2021-09-29
Applicant: 浙江大学
IPC: G06N20/20
Abstract: 本发明公开了一种联邦学习中数据遗忘与验证的平台，该平台包括联邦遗忘模块、联邦遗忘标记模块、遗忘检查模块以及用于连接三个模块的实际可部署的协议；联邦遗忘标记模块实现基于本地数据子集的遗忘用户的标记；遗忘检查模块定义一个适合评估遗忘情况的指标‑遗忘程度，将遗忘情况数值化，较低的遗忘程度代表了较好的遗忘效果；协议规定了遗忘、标记与检查的时间节点，遗忘、标记与检查的执行者，遗忘、标记与检查的流程，以便于中心服务器执行遗忘和遗忘用户检查是否被遗忘。本发明提出的平台有助于以统一、整体和全面的方式评估联邦学习中的遗忘、标记与检查，能够提供深入的联邦遗忘与验证的分析，并揭示现有遗忘和验证方法的潜力和局限性。
-
公开(公告)号：CN119917068A
公开(公告)日：2025-05-02
申请号：CN202411975582.5
申请日：2024-12-30
Applicant: 浙江大学
IPC: G06F8/10 , G06F8/41 , G06F40/205 , G06F40/30 , G06F8/70
Abstract: 本发明涉及一种大语言模型辅助的安全协议符号模型生成方法及装置，该方法包括以下步骤：通过语义解析器将自然语言文档解析成以领域特定语言表征的解析结果，并将所述解析结果作为中间表示，其中，所述语义解析器基于大型语言模型驱动的组合范畴语法构建；通过静态分析和允许用户交互，修复所述中间表示中存在的问题，以在形式上规范化所述中间表示；通过转换器将在形式上规范化的所述中间表示转换为Sapic+规范；通过编译器将规范化的Sapic+进程语言编译为由验证工具直接接受的符号模型；证明不同模型之间变换正确性。本发明提出能够从自然语言描述中提取协议符号模型的方法，能基于该方法实现了一个用户使用友好的合成工具。
-
公开(公告)号：CN117933322A
公开(公告)日：2024-04-26
申请号：CN202311835375.5
申请日：2023-12-28
Applicant: 浙江大学杭州国际科创中心
IPC: G06N3/0499 , G06N3/096 , G06F18/23213 , G06F18/241
Abstract: 本发明公开一种基于网络补丁的神经网络遗忘学习方法，包括：S1、获取原始模型的原始数据集，并通过随机采样构建对应的遗忘数据集；S2、基于所述遗忘数据构建对应的补丁网络；S3、基于所述补丁网络与所述原始模型，合成对应的遗忘模型；S4、将多个中心数据点输入至原始模型和遗忘模型中，以获取相似数据点集；S5、以所述相似数据点集替换为新的遗忘数据集，以S3构建获得的遗忘模型作为下一轮的原始模型；S6、重复S2至S5，直至S4中的相似数据点集为空集，以获得与原始模型性能一致的替换模型。本发明还提供了一种神经网络遗忘学习装置。本发明提供的方法能减轻剩余数据对模型性能的影响，以满足数据持有者和模型所有者的需求。
-
公开(公告)号：CN117786690A
公开(公告)日：2024-03-29
申请号：CN202311833030.6
申请日：2023-12-28
Applicant: 浙江大学
IPC: G06F21/56 , G06V10/774 , G06V10/42 , G06V10/44 , G06V10/764 , G06N3/0895 , G06N3/045 , G06N3/096 , G06N3/084
Abstract: 本发明公开了一种基于图像的轻量级小样本恶意软件家族检测方法、设备及存储介质。该方法将样本中二进制文件转换后的图像作为输入，无需繁杂的特征提取及处理过程。通过大量无标签样本预训练特征提取网络，再借助少量带标签样本结合多重损失微调。在检测阶段，将样本转换后的图像映射到嵌入空间。通过多次随机裁剪并与待查询样本相似性比对加权平均的方式保留支持集样本中与查询样本家族相关的信息，减少无关信息干扰。支持集家族内所有样本取平均即为该家族原型向量，基于未知样本与所有原型向量欧氏距离判断其所属家族。本发明采用轻量级样本预处理阶段，以有效覆盖不同操作系统上的恶意软件。在样本稀缺的情况下，本发明也能够实现准确检测。
-
Patent Agency Ranking
公开(公告)号：CN113591486A
公开(公告)日：2021-11-02
申请号：CN202110865041.7
申请日：2021-07-29
Applicant: 浙江大学
Abstract: 本发明公开了一种联邦学习中基于语义数据损失的遗忘验证方法，该方法利用在某些高损失，普遍犯错且带有某种语义特征的数据上的特定表现来标记遗忘用户和验证遗忘情况，通过将本地数据集中高损失且普遍分类错误的数据筛选出来，根据其语义特征的相似性和置信度分布将这些数据重新标记为某个固定类别，得到标记数据集，并将本地模型在该数据集和原数据集上微调后的标记模型上传给中心服务器聚合。遗忘用户通过检查接下来若干个周期的全局模型，根据全局模型在标记数据集上的损失来验证遗忘情况。本发明方法具有轻量级，持续性强，验证效果好，时间和空间开销少等优点，可以有效鉴别遗忘与否，能够广泛应用和部署在各种需要进行遗忘验证的场景中。
-
公开(公告)号：CN113591486B
公开(公告)日：2022-08-23
申请号：CN202110865041.7
申请日：2021-07-29
Applicant: 浙江大学
Abstract: 本发明公开了一种联邦学习中基于语义数据损失的遗忘验证方法，该方法利用在某些高损失，普遍犯错且带有某种语义特征的数据上的特定表现来标记遗忘用户和验证遗忘情况，通过将本地数据集中高损失且普遍分类错误的数据筛选出来，根据其语义特征的相似性和置信度分布将这些数据重新标记为某个固定类别，得到标记数据集，并将本地模型在该数据集和原数据集上微调后的标记模型上传给中心服务器聚合。遗忘用户通过检查接下来若干个周期的全局模型，根据全局模型在标记数据集上的损失来验证遗忘情况。本发明方法具有轻量级，持续性强，验证效果好，时间和空间开销少等优点，可以有效鉴别遗忘与否，能够广泛应用和部署在各种需要进行遗忘验证的场景中。
-
公开(公告)号：CN113887743B
公开(公告)日：2022-07-22
申请号：CN202111167895.4
申请日：2021-09-29
Applicant: 浙江大学
IPC: G06N20/20
Abstract: 本发明公开了一种联邦学习中数据遗忘与验证的平台，该平台包括联邦遗忘模块、联邦遗忘标记模块、遗忘检查模块以及用于连接三个模块的实际可部署的协议；联邦遗忘标记模块实现基于本地数据子集的遗忘用户的标记；遗忘检查模块定义一个适合评估遗忘情况的指标‑遗忘程度，将遗忘情况数值化，较低的遗忘程度代表了较好的遗忘效果；协议规定了遗忘、标记与检查的时间节点，遗忘、标记与检查的执行者，遗忘、标记与检查的流程，以便于中心服务器执行遗忘和遗忘用户检查是否被遗忘。本发明提出的平台有助于以统一、整体和全面的方式评估联邦学习中的遗忘、标记与检查，能够提供深入的联邦遗忘与验证的分析，并揭示现有遗忘和验证方法的潜力和局限性。
-
公开(公告)号：CN118093363A
公开(公告)日：2024-05-28
申请号：CN202311730748.2
申请日：2023-12-15
Applicant: 浙江大学杭州国际科创中心
IPC: G06F11/36 , G06F8/41 , G06F18/214 , G06N20/00
Abstract: 本发明公开了一种针对深度学习编译器调度优化的模糊测试方法，利用该方法将每个种子样本的目标分数作为每个种子样本的权重，使得具有较高目标值的种子样本被筛选出作为待变异种子样本的可能性较高；变异操作对最终目标属性起到的效果通过数值来表示，并将该数值的和作为变异操作的权重，使得能够较好促进最终目标属性的变异操作能够被筛选出来作为待变异操作，通过待变异操作对待变异种子样本执行变异得到变异种子样本，该变异种子样本扩充了种子样本集合，解决了种子样本集合不足导致测试量不足的问题，并且该变异种子样本通过优化后程序和未优化程序的比较能够较好的测试待测试编译器。
-
公开(公告)号：CN117557835A
公开(公告)日：2024-02-13
申请号：CN202311448765.7
申请日：2023-11-02
Applicant: 浙江大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种基于形式化验证的图像分类神经网络后门移除方法及装置。本发明提出了修复重要性这一度量，以更精确的找到神经网络内部与后门行为密切相关的问题神经元。同时使用形式化验证工具对修复重要性进行近似计算，相对基于采样的计算方式，不会遗漏关键区域，提高了定位精度。本发明通过对神经元范围的精细化，进一步提高了形式化验证工具的精度，降低了修复重要性求解误差。并且设计了可以与待修复神经元等效替换的微型网络结构和对应的损失函数。在移除网络内部漏洞的同时有效维持了网络的原始性能。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.016 seconds)
