-
公开(公告)号：CN119696830A
公开(公告)日：2025-03-25
申请号：CN202411685894.2
申请日：2024-11-23
Applicant: 西安电子科技大学
IPC: H04L9/40 , H04L67/10 , G06N3/082 , G06N3/098 , G06N3/0464
Abstract: 本发明公开一种基于联合深度学习的入侵检测方法，主要解决单个机构攻击样本数量不足，不愿意分享数据，难以训练出高准确率的入侵检测模型的问题。本发明实现步骤为，包括在一个公共大数据集上预训练基础模型作为中心服务器的初始化全局模型，客户端利用基于特征的迁移学习对本地数据集进行训练，以适应特定数据特征。同时，客户端在训练过程中采用L1无结构剪枝技术优化本地模型复杂度，实现模型在资源受限设备上的高效部署。本发明生成的入侵检测模型具有高检测率、泛化能力强且适用于在资源受限环境下部署深度学习模型的优点。
-
Patent Agency Ranking
公开(公告)号：CN115130102A
公开(公告)日：2022-09-30
申请号：CN202210790522.0
申请日：2022-07-05
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于增量学习的在线自适应入侵检测方法，主要解决现有方法不能实时更新入侵检测模型、检测效果不佳的问题。其主要实现步骤为：1)在已知种类的数据集上对待扩展入侵检测分类模型进行训练得到初始模型；2)实时嗅探并处理当前网络中的数据并送入模型进行检测；3)当模型检测结果为未知种类的攻击数据时，选择部分已知种类的代表性样本与未知种类样本相结合作为增量样本集；4)利用增量学习对初始模型进行在线更新，同时实时判断当前网络中的数据流量再次训练模型；5)利用在线更新后模型完成实时入侵检测。本发明能够有效提升对已知类别和未知类别入侵行为检测的准确率，并能够在线实时地更新入侵检测模型。
-
公开(公告)号：CN115130102B
公开(公告)日：2024-06-11
申请号：CN202210790522.0
申请日：2022-07-05
Applicant: 西安电子科技大学
IPC: G06F21/56 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于增量学习的在线自适应入侵检测方法，主要解决现有方法不能实时更新入侵检测模型、检测效果不佳的问题。其主要实现步骤为：1)在已知种类的数据集上对待扩展入侵检测分类模型进行训练得到初始模型；2)实时嗅探并处理当前网络中的数据并送入模型进行检测；3)当模型检测结果为未知种类的攻击数据时，选择部分已知种类的代表性样本与未知种类样本相结合作为增量样本集；4)利用增量学习对初始模型进行在线更新，同时实时判断当前网络中的数据流量再次训练模型；5)利用在线更新后模型完成实时入侵检测。本发明能够有效提升对已知类别和未知类别入侵行为检测的准确率，并能够在线实时地更新入侵检测模型。
-
公开(公告)号：CN115858675A
公开(公告)日：2023-03-28
申请号：CN202211547406.2
申请日：2022-12-05
Applicant: 西安电子科技大学
IPC: G06F16/27 , G06F18/214 , G06N20/00
Abstract: 本发明公开了一种基于联邦学习框架的非独立同分布数据处理方法，其步骤为：在客户端上基于Wasserstein距离构建了相似度计算方法并聚合数据分布相近的客户端，在服务器上构建了集成模型计算方法，对由所有客户端模型平均加权得到的全局模型进行微调，在模型参数传递过程中分别通过参数掩码技术和注意力机制技术来最小化整体系统的通信成本和计算成本。本发明在对非独立同分布数据处理的过程中有效消除了由非独立同分布数据导致的模型偏差问题，增强了模型的性能表现，也显著降低了整体系统的通信开销与能量损耗。
-
公开(公告)号：CN114943300A
公开(公告)日：2022-08-26
申请号：CN202210625335.7
申请日：2022-06-02
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于循环一致生成对抗网络的不平衡数据分类方法，主要解决现有技术中分类模型对噪声数据敏感、数据层方法合成样本存在类间重叠以及合成样本特征多样性匮乏的问题。其实现步骤为：1)对原始数据集进行预处理；2)根据预处理后数据构建孪生数据对集；3)设计内部有两组判别器和生成器的循环一致生成对抗网络；4)用孪生数据对集中的数据对网络模型进行迭代训练，合成目标少数类样本数据；5)将目标少数类样本数据增强到原始数据集得到平衡数据集，并用该数据集训练基础分类器，完成分类。本发明能够能够在一定程度上降低分类模型对噪声数据的敏感度，有效提高分类结果准确率、改善分类性能，可用于网络异常检测。
-
公开(公告)号：CN114943300B
公开(公告)日：2024-09-24
申请号：CN202210625335.7
申请日：2022-06-02
Applicant: 西安电子科技大学
IPC: G06F18/214 , G06F18/24 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/084 , G06N3/0464
Abstract: 本发明公开了一种基于循环一致生成对抗网络的不平衡数据分类方法，主要解决现有技术中分类模型对噪声数据敏感、数据层方法合成样本存在类间重叠以及合成样本特征多样性匮乏的问题。其实现步骤为：1)对原始数据集进行预处理；2)根据预处理后数据构建孪生数据对集；3)设计内部有两组判别器和生成器的循环一致生成对抗网络；4)用孪生数据对集中的数据对网络模型进行迭代训练，合成目标少数类样本数据；5)将目标少数类样本数据增强到原始数据集得到平衡数据集，并用该数据集训练基础分类器，完成分类。本发明能够能够在一定程度上降低分类模型对噪声数据的敏感度，有效提高分类结果准确率、改善分类性能，可用于网络异常检测。
-
-
-
-
-
Search Results
6
records
(took 0.055 seconds)
