基于电路路径语句的Transformer恶意芯片识别方法及系统

    公开(公告)号:CN113591084B

    公开(公告)日:2023-08-04

    申请号:CN202110842581.3

    申请日:2021-07-26

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于电路路径语句的Transformer恶意芯片识别方法及系统,该方法包括如下步骤:S1、从电路网表中提取组件的信息,并组成两两互不重复组件对;再利用点到点的简单路径搜索算法找出所有组件对上的L级路径并映射为句子表达,然后打上有木马和无木马标签,构成句子数据集;S2、对句子数据集挑选出不重复的组件类型名,使用word2vec词嵌入算法和ELMo词嵌入算法训练得到词向量;S3、句子数据集根据词向量映射成张量形式,并输入到带有多头注意力机制的多层Encoder架构的Transformer中完成训练测试;在Transformer的末端全连接层会预测出路径句子上的硬件木马结果。该方法及系统不仅可以有效地检测出硬件木马,还能减小检测所需的路径句子开销。

    一种基于对抗训练增强的主动学习方法及系统

    公开(公告)号:CN116187400A

    公开(公告)日:2023-05-30

    申请号:CN202310012836.2

    申请日:2023-01-05

    Applicant: 福州大学

    Abstract: 本发明提出一种基于对抗训练增强的主动学习方法及系统,包括以下步骤;步骤A:构建对抗训练器;步骤B:构造变分自编码器;步骤C:构造多层感知机的判别模型;步骤D:根据具体任务的请求策略从判别模型的输出中选择一组最大信息量的候选集,通过人工进行标注,将标注得到新的有标签数据注入到有标签数据集来进行数据集的更新,接着通过更新的有标签图片数据集进行增量的训练更新目标模型,使得模型在尽可能少的数据集中训练获得更高的收益;步骤E:循环上述步骤直到满足预设的抽样比率或者图像识别模型性能;本发明能够有效对无标签图像数据或者现有无标签池中图像数据进行标注,使得人工标注大大减少,能够以少量的训练数据达到较高的性能。

    一种用于工业4.0大规模个性化生产的动态云制造方法

    公开(公告)号:CN112465394B

    公开(公告)日:2022-06-14

    申请号:CN202011461637.2

    申请日:2020-12-09

    Applicant: 福州大学

    Abstract: 本发明涉及一种用于工业4.0大规模个性化生产的动态云制造方法。包括:客户发布个性化需求到云平台;设计师获取需求信息,并上传设计方案;客户确定最终设计方案,同时,将产品制造过程分解为几个子任务;在决策时刻,实时获取子任务以及工厂信息,建立多工厂任务分配模型;使用匈牙利算法求解多工厂任务分配模型;同一产品的所有子任务都完成后,将产品打包,运输给客户。本发明能够针对客户需求在产品生产全生命周期动态变化的特点,建立实时多工厂任务分配模型,采用匈牙利算法快速灵活将子任务分配给工厂,最大化工厂总利润,降低个性化产品成本,提高客户产品满意度;且本发明能够避免突发状况导致生产效率降低,提高鲁棒性。

    一种基于群体智能算法的压力容器设计方法

    公开(公告)号:CN110069866B

    公开(公告)日:2022-06-14

    申请号:CN201910341387.X

    申请日:2019-04-26

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于群体智能算法的压力容器设计方法,采用高斯变异和混沌理论改进蝗虫算法并优化压力容器成本最小化的设计问题。压力容器设计问题可以抽象成4个结构参数,4个约束条件和1个目标函数的数学模型用于算法的优化设计。从设计的数据可以看出,本发明所提出的算法(GC‑GOA)能够较好的设计出成本较小的压力容器。

    以脉冲为概率生成均匀分布扰动的对抗性攻击方法及系统

    公开(公告)号:CN114118268A

    公开(公告)日:2022-03-01

    申请号:CN202111414502.5

    申请日:2021-11-25

    Applicant: 福州大学

    Abstract: 本发明涉及一种以脉冲为概率生成均匀分布扰动的对抗性攻击方法,包括:对数据集进行预处理,通过泊松编码转换成对应的脉冲序列,接着构建对应数据集的替代网络,将该网络作为一个原始分类器;然后将原始分类器编码生成的脉冲序列和原始样本输入到筛选器中筛选出最佳脉冲;接着将所选择的脉冲和原始图像输入到对抗样本生成网络,该对抗样本生成网络是基于原始分类器,通过以脉冲为概率,生成服从均匀分布的噪声,从而生成初始的对抗样本;再将对抗样本不断迭代优化,最终对抗性样本。本发明能够为安全防御的研究人员提供针对脉冲神经网络生成低成本的对抗性攻击工具。

    支持任意语言查询的多用户多关键词排序可搜索加密系统

    公开(公告)号:CN107491497B

    公开(公告)日:2020-08-11

    申请号:CN201710614034.3

    申请日:2017-07-25

    Applicant: 福州大学

    Abstract: 本发明涉及一种支持任意语言查询的多用户多关键词排序可搜索加密系统,密钥生成中心,为系统中的每个实体生成密钥;云平台,以加密形式存储用户的文档,响应用户的数据检索请求;计算服务提供商,提供在线计算的在线计算服务器;数据拥有者,对关键词和文档加密,并将其发送到所述云平台进行存储;用户,生成关键词陷门向所述云平台发起数据检索请求。本发明所提出的一种支持任意语言查询的多用户多关键词排序可搜索加密系统,存储开销小,支持任意语言,灵活的授权机制和基于时间的用户撤销机制,同时搜索多个数据拥有者的数据,灵活的关键词权重和偏好分数设置,保护用户隐私。

    云存储安全中基于通配符的可搜索加密方法

    公开(公告)号:CN107256248B

    公开(公告)日:2020-05-08

    申请号:CN201710422815.2

    申请日:2017-06-07

    Applicant: 福州大学

    Abstract: 本发明涉及一种云存储安全中基于通配符的可搜索加密方法,包括以下步骤:设置待上传文档;提取关键词集合;将所述关键词集合加密;选择随机数作为文档加密密钥,将文档加密密钥进行加密;加密待上传文档得到密文后发送给云计算平台;输入查询关键词集合,生成查询陷门并进行签名,发送给云计算平台;云计算平台对查询签名进行验证,云计算平台执行搜索算法;将关键词索引和查询陷门传入到关键词匹配协议中,得到加密的匹配结果;进行解密得到搜索结果;云计算平台根据所述搜索结果返回对应的密文;先恢复出文档加密密钥,然后恢复出文档。本发明支持至多两个通配符的关键词搜索,通配符可以出现在关键词的任何位置,且可以表示任意多个字符。

    抗后量子攻击的代理重加密语义可搜索加密方法

    公开(公告)号:CN106921674B

    公开(公告)日:2019-11-12

    申请号:CN201710200927.3

    申请日:2017-03-30

    Applicant: 福州大学

    Abstract: 本发明涉及一种抗后量子攻击的代理重加密语义可搜索加密方法。该方法通过对用户输入的搜索关键词进行同义词扩展,能够找到语义上类似于原始输入关键词的相关关键词,扩展查询有助于匹配更多相关文档,可有效增强搜索的灵活性;通过代理重加密机制,能够支持搜索权限代理;数据拥有者使用单向代理重加密将其搜索权限委托给另一个用户:受托者可以检索委托者的加密数据,而委托者无法对受托者的数据进行检索;利用基于格的密码技术实现了抵抗后量子攻击的功能,提高了云存储的安全性。本方案有效解决了目前可搜索方案中查询效率低、搜索权限受限、无法抵抗量子攻击等问题。

    一种基于不可信IP核的系统级芯片安全设计方法

    公开(公告)号:CN109960879A

    公开(公告)日:2019-07-02

    申请号:CN201910229349.5

    申请日:2019-03-25

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于不可信IP核的系统级芯片安全设计方法,首先采用高阶合成技术完成RTL的安全设计;然后将芯片的RTL文件通过一系列的逻辑综合转换成门级网表;接着分析门级网表的逻辑结构,提取标准网表特征;将收集的门级电路的标准网表特征样本分为训练数据集与测试数据集,并采用训练数据集对梯度提升算法进行训练,得到基于梯度提升的硬件木马分类器;最后通过交叉验证法,将测试数据集输入到训练好的梯度提升木马分类器中,得到基于该模型的硬件木马预测结果。本发明从IP供应链源头设计一条自适应性强,复用性高,扩展性广,快速且智能的SoC安全设计架构。

    一种基于XGBoost的门级硬件木马识别方法

    公开(公告)号:CN109684834A

    公开(公告)日:2019-04-26

    申请号:CN201811567722.X

    申请日:2018-12-21

    Applicant: 福州大学

    CPC classification number: G06F21/554 G06F21/561

    Abstract: 本发明涉及一种基于XGBoost的门级硬件木马识别方法。对集成电路门级网表进行解析,采集不同门级网表中各net的特征数据集;采用留一法,将门级网表特征数据集分为训练数据集和测试数据集;利用训练数据集对XGBoost分类器进行训练,得到初始的门级网表硬件木马检测模型,并对测试数据集进行硬件木马的检测,依据混淆矩阵进行测试结果的统计;根据检测结果的混淆矩阵,可计算得到Recall(R)、F-measure、Precision(P)和Accuracy指标;若4个指标的平均结果偏低,则对门级网表硬件木马检测模型进行参数调整优化;将待检测的门级网表进行特征数据集的提取,并将数据集输入到训练优化后的门级网表硬件木马检测模型中,即可判定该门级网表中是含有硬件木马。

Patent Agency Ranking