-
公开(公告)号：CN114266361B
公开(公告)日：2024-12-13
申请号：CN202111657295.6
申请日：2021-12-30
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于模型权重更迭的联邦学习搭便车防御方法和装置，首先初始化联邦学习训练环境；服务器将初始的全局模型下发给各个客户端，开始联邦学习训练；各个客户端进行联邦训练，并生成本地模型，训练结束后保存模型参数并计算更新变化频率F矩阵；各个客户端将本地模型参数和权重变化频率矩阵上传至服务端；服务端通过聚合算法得到全局模型，并计算各个客户端间的欧式距离和计算各自权重的平均变化频率，并对欧式距离和平均频率异常的客户端进行标记；服务端下发给各个客户端更新后的全局模型；重复上述步骤客户端每上传一次参数，服务端进行一次筛查，当某客户端被异常标记3次，则认为其是搭便车攻击者，将其踢出联邦学习训练。
-
公开(公告)号：CN114143040B
公开(公告)日：2024-03-22
申请号：CN202111313423.5
申请日：2021-11-08
Applicant: 浙江工业大学
IPC: H04L9/40 , H04L41/14 , H04W12/122
Abstract: 本发明公开了一种基于多通道特征重构的对抗信号检测方法，首先采集信号数据集，将信号数据集输入特征提取深度接收器，并计算嵌入特征图和对应的语义聚类，并输入多通道特征编码器；所述多通道特征编码器包括私有语义编码器、公有语义编码器和噪声编码器；对上述编码器进行训练，并重构编码器，得到重构特征；将重构特征输入元分类器，并训练元分类器，完成区分正常样本和对抗样本。本发明方法通过噪声特征编码器来提取早射特征，对信号特征进行多特征重构，加强了对抗样本和正常样本的差异性。本发明提出的基于多通道特征重构的对抗信号检测装置因提取了对抗样本的噪声特征，能够更准确地检测更加微小的对抗扰动。
-
公开(公告)号：CN115473706A
公开(公告)日：2022-12-13
申请号：CN202211046763.0
申请日：2022-08-30
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于模仿学习的深度强化学习智能渗透测试方法及装置，该方法包括：(1)获取专家样本数据，其中专家样本数据为后渗透成功时的状态动作对；(2)利用A3C算法对智能体进行训练，其中所述智能体作为渗透测试中的模拟攻击者；(3)将智能体训练过程中由A3C算法中actor网络生成的第一状态动作对与专家样本数据中的第二状态动作对放入GAIL的discriminator网络中，进行discriminator网络的训练；(4)根据discriminator网络训练后自身输出的折扣奖励与critic网络输出的value，构造优势函数并利用所述优势函数更新A3C算法中的actor网络；(5)重复步骤(2)‑(4)，直至训练回合结束；(6)将训练后的智能体设置在需要进行渗透测试的网络环境中，以进行渗透测试。
-
公开(公告)号：CN115345248A
公开(公告)日：2022-11-15
申请号：CN202211016753.2
申请日：2022-08-24
Applicant: 浙江工业大学
Abstract: 本发明公开了一种面向深度学习的数据去偏方法及装置，首先选取原始数据集，提取原始数据集中的类别标签以及敏感属性标签；构造判别模型M1，将原始数据集中的所有样本输入判别模型M1中寻找敏感样本，筛选去除敏感样本，利用SHAP解释器扩充数据集，得到无偏数据集；构造预测模型M2，将无偏数据集输入预测模型M2进行训练；对训练得到的预测模型M2进行测试，若满足公平性评估指标机会平等时，则认为模型经训练后达到公平，完成去偏；若不满足公平性评估指标，直至达到公平性评估指标。
-
公开(公告)号：CN114638374A
公开(公告)日：2022-06-17
申请号：CN202111547267.9
申请日：2021-12-16
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于数据增强的深度学习模型去偏方法与装置，首先定义深度学习模型的偏见：再选择adult数据集作为原始数据集，利用one‑hot编码对原始数据集的敏感属性进行提取扩充，并对其他属性进行保留或削弱，得到样本数据集；然后将样本数据集根据敏感属性和类标分为四个子集，利用数据生成法补全各个子集，使四个子集的数据条数相同，进行数据增强；再定义偏见指标函数：最后构建深度学习鲁棒性模型，将数据增强得到的四个数据集子集进行融合，然后将融合后的数据集输入深度学习鲁棒性模型进行训练，利用偏见指标函数进行检测，直至准确率和偏见程度达到预设值，完成训练。
-
Patent Agency Ranking
公开(公告)号：CN114143040A
公开(公告)日：2022-03-04
申请号：CN202111313423.5
申请日：2021-11-08
Applicant: 浙江工业大学
IPC: H04L9/40 , H04L41/14 , H04W12/122
Abstract: 本发明公开了一种基于多通道特征重构的对抗信号检测方法，首先采集信号数据集，将信号数据集输入特征提取深度接收器，并计算嵌入特征图和对应的语义聚类，并输入多通道特征编码器；所述多通道特征编码器包括私有语义编码器、公有语义编码器和噪声编码器；对上述编码器进行训练，并重构编码器，得到重构特征；将重构特征输入元分类器，并训练元分类器，完成区分正常样本和对抗样本。本发明方法通过噪声特征编码器来提取早射特征，对信号特征进行多特征重构，加强了对抗样本和正常样本的差异性。本发明提出的基于多通道特征重构的对抗信号检测装置因提取了对抗样本的噪声特征，能够更准确地检测更加微小的对抗扰动。
-
公开(公告)号：CN114048817A
公开(公告)日：2022-02-15
申请号：CN202111356606.5
申请日：2021-11-16
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于变异策略的深度学习输入集优先级测试方法，本发明方法采集原始图像数据集与测试输入数据集，并预训练深度学习模型，通过对原始样本的变异或对原始模型的变异，通过变异样本对于原始模型的预测输出置信度或原始样本对于变异模型的预测输出置信度，计算优先级值来实现对输入样本集合的优先级从小到大排序。本发明方法具有良好的适用性，能够有效的对测试级进行优先排序，能在短时间内筛选出最可能导致模型出现潜在错误的样本。
-
公开(公告)号：CN110598616B
公开(公告)日：2022-01-14
申请号：CN201910834376.5
申请日：2019-09-03
Applicant: 浙江工业大学
IPC: G06K9/00
Abstract: 一种人机系统中人的状态的识别方法，含有：步骤1：传感器监测T至T+1时刻人的动作变化以及机器的输出并且汇集数据到处理器；步骤2：给分类器施加权重对人的可能处于的状态进行分类，得到概率最大的状态SK机器概率PK；步骤3：T+1时刻针对不同情况施加测试信号；步骤4：传感器监测T+1至T+2时刻人的动作变化以及机器的输出并且汇集数据到处理器。步骤5：将处理后的数据代入步骤2获得的以PK和1‑PK为概率的二项分布中，计算其似然概率，得到人处于SK状态的可能性。本发明解决了在一个人的状态未知但机器的输出可知的人机系统中对人的状态识别的问题。
-
公开(公告)号：CN111614436A
公开(公告)日：2020-09-01
申请号：CN202010255502.4
申请日：2020-04-02
Applicant: 浙江工业大学
IPC: H04L1/00 , H04B17/364 , G06N5/04 , G06N7/00
Abstract: 本发明涉及一种基于贝叶斯推断的动态数据包打包方法，本发明针对使用共享网络进行通信的网络化控制系统中实时优化网络资源使用的问题，解决了网络化控制系统中优化网络资源是无法得到实际网络时延特征的问题。首先，对网络时延进行建模，并对其分布模型中的参数选取先验分布。其次，利用控制系统自身收集的最近历史时延数据，根据贝叶斯推断理论设计了模型的在线学习方法，得到了参数的后验分布。然后，分别从参数的后验分布中采样得到实时的参数值并带入更新时延分布模型。最后，从实时的时延分布模型中计算得到时延上界估计值，并依此来指导控制系统来设计数据包的长度，达到实时优化网络资源使用的目标。
-
公开(公告)号：CN111553190A
公开(公告)日：2020-08-18
申请号：CN202010237283.7
申请日：2020-03-30
Applicant: 浙江工业大学
Abstract: 本发明的一种基于图像的驾驶员注意力检测方法，含有：步骤1：用轻量化的CNN模型对Distracted–Driver–Detection数据集中的数据进行训练，以提取驾驶员注意力不同情况对应的特征；步骤2：运用该CNN模型对Distracted–Driver–Detection数据集中的数据进行驾驶员注意力集中状况的测试；步骤3：针对步骤2中的测试结果的准确性来调整CNN模型中的权重和步长并再次进行测试直至测试结果的准确率符合条件；步骤4：将参数调整后的CNN模型部署到嵌入式系统中运行；步骤5：通过摄像头实时获取驾驶员的注意力集中状态并输出结果。本发明利用轻量化的CNN模型实时获取驾驶员的注意力集中情况，进行驾驶员的注意力集中状态的检测。
-
-
-
-
-
-
-
-
-
Search Results
99
records
(took 0.034 seconds)
