-
公开(公告)号：CN108023876B
公开(公告)日：2021-07-30
申请号：CN201711156164.3
申请日：2017-11-20
Applicant: 西安电子科技大学
Abstract: 本发明属于网络入侵检测技术领域，公开了一种基于可持续性集成学习的入侵检测方法及入侵检测系统，将个体学习器的类概率输出和分类置信度乘积作为训练数据构建多类别的回归模型，使集成学习的决策过程对攻击类型具有适应性以提高检测精度，模型更新阶段将历史模型的参数和决策结果加入新模型的训练过程，完成模型的增量式学习。本发明采用多回归模型的集成学习融合方案，细粒度的分配了在对不同攻击类型检测过程中个体学习器的决策权重，并通过将历史模型的参数和结果用于训练新的模型，提高了检测模型的稳定性并保证了学习过程的可持续性。并将实验结果与现有的MV、WMV方案对比验证了本发明在准确率、稳定性和可持续性。
-
公开(公告)号：CN110224987B
公开(公告)日：2021-09-17
申请号：CN201910379397.2
申请日：2019-05-08
Applicant: 西安电子科技大学
Abstract: 本发明属于互联网的计算服务和应用技术领域，公开了一种基于迁移学习的网络入侵检测模型的构建方法、检测系统；根据所能获取到目标域数据的不同；分别设计了基于少量标记数据和基于少量未标记数据两种不同的方案，并且两个方案分别基于不同的假设，但相同的是两个方案都需要有充足源域数据的辅助支持，并且都在此过程中引入了基于Boosting的迁移学习方法；最终获得适用于目标域的入侵检测模型。本发明将迁移学习引入入侵检测问题，根据入侵检测环境中正常流量具有相似性，且漏报率较低的特点，通过对无标记数据进行伪标记，改进了现有迁移学习算法，使得在两种假设情况下，均能够建立准确率高，实用性强的入侵检测系统。
-
公开(公告)号：CN106817248B
公开(公告)日：2020-10-16
申请号：CN201611179208.X
申请日：2016-12-19
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种高级持续性威胁(Advanced Persistent Threat，APT)攻击检测方法，利用半监督学习算法来标记特征相似的数据，利用少量已标记数据生成大规模的训练数据集，并引入信息增益率来确定不同特征对检测的影响程度；采用信息增益率对检测模型中划分的每个子数据集进行特征提取，以实现对未知攻击的准确识别。本发明利用改进的k‑means算法来标记特征相似的数据，在少量人工标记数据的基础上实现了大量训练数据集的准确标记，保证了模型的检测精度；通过在模型中引入信息增益率来确定不同特征对检测的影响程度，减少数据中冗余及噪声特征的影响，从而选取重要的流量特征，提高检测模型的泛化能力，以应对未知攻击的检测。
-
公开(公告)号：CN110224987A
公开(公告)日：2019-09-10
申请号：CN201910379397.2
申请日：2019-05-08
Applicant: 西安电子科技大学
Abstract: 本发明属于互联网的计算服务和应用技术领域，公开了一种基于迁移学习的网络入侵检测模型的构建方法、检测系统；根据所能获取到目标域数据的不同；分别设计了基于少量标记数据和基于少量未标记数据两种不同的方案，并且两个方案分别基于不同的假设，但相同的是两个方案都需要有充足源域数据的辅助支持，并且都在此过程中引入了基于Boosting的迁移学习方法；最终获得适用于目标域的入侵检测模型。本发明将迁移学习引入入侵检测问题，根据入侵检测环境中正常流量具有相似性，且漏报率较低的特点，通过对无标记数据进行伪标记，改进了现有迁移学习算法，使得在两种假设情况下，均能够建立准确率高，实用性强的入侵检测系统。
-
公开(公告)号：CN106817248A
公开(公告)日：2017-06-09
申请号：CN201611179208.X
申请日：2016-12-19
Applicant: 西安电子科技大学
CPC classification number: H04L63/1416 , H04L41/145
Abstract: 本发明公开了一种高级持续性威胁(Advanced Persistent Threat，APT)攻击检测方法，利用半监督学习算法来标记特征相似的数据，利用少量已标记数据生成大规模的训练数据集，并引入信息增益率来确定不同特征对检测的影响程度；采用信息增益率对检测模型中划分的每个子数据集进行特征提取，以实现对未知攻击的准确识别。本发明利用改进的k‑means算法来标记特征相似的数据，在少量人工标记数据的基础上实现了大量训练数据集的准确标记，保证了模型的检测精度；通过在模型中引入信息增益率来确定不同特征对检测的影响程度，减少数据中冗余及噪声特征的影响，从而选取重要的流量特征，提高检测模型的泛化能力，以应对未知攻击的检测。
-
Patent Agency Ranking
公开(公告)号：CN108173805B
公开(公告)日：2020-12-01
申请号：CN201711186965.4
申请日：2017-11-24
Applicant: 西安电子科技大学
Abstract: 本发明属于隐私保护技术领域，公开了一种基于区块链的具有隐私保持的分布式匿名区协同构造方法，本发明将匿名区的构造视为请求用户与协作用户间的两方博弈，利用区块链记录博弈双方以及协作用户提供的位置作为证据，通过惩罚具有位置泄露和欺骗行为的用户作为请求者时不能构造出匿名区来约束其自利性，提出一个基于区块链的具有隐私保持的分布式匿名区协同构造方法。本发明在能防止请求用户泄露协作用户的位置信息，激励协作用户提供真实位置参与匿名区构造的同时，可高效地生成匿名区，有效保护基于分布式K匿名的LBS查询中用户的位置隐私。
-
公开(公告)号：CN108173805A
公开(公告)日：2018-06-15
申请号：CN201711186965.4
申请日：2017-11-24
Applicant: 西安电子科技大学
Abstract: 本发明属于隐私保护技术领域，公开了一种基于区块链的具有隐私保持的分布式匿名区协同构造方法，本发明将匿名区的构造视为请求用户与协作用户间的两方博弈，利用区块链记录博弈双方以及协作用户提供的位置作为证据，通过惩罚具有位置泄露和欺骗行为的用户作为请求者时不能构造出匿名区来约束其自利性，提出一个基于区块链的具有隐私保持的分布式匿名区协同构造方法。本发明在能防止请求用户泄露协作用户的位置信息，激励协作用户提供真实位置参与匿名区构造的同时，可高效地生成匿名区，有效保护基于分布式K匿名的LBS查询中用户的位置隐私。
-
公开(公告)号：CN108023876A
公开(公告)日：2018-05-11
申请号：CN201711156164.3
申请日：2017-11-20
Applicant: 西安电子科技大学
Abstract: 本发明属于网络入侵检测技术领域，公开了一种基于可持续性集成学习的入侵检测方法及入侵检测系统，将个体学习器的类概率输出和分类置信度乘积作为训练数据构建多类别的回归模型，使集成学习的决策过程对攻击类型具有适应性以提高检测精度，模型更新阶段将历史模型的参数和决策结果加入新模型的训练过程，完成模型的增量式学习。本发明采用多回归模型的集成学习融合方案，细粒度的分配了在对不同攻击类型检测过程中个体学习器的决策权重，并通过将历史模型的参数和结果用于训练新的模型，提高了检测模型的稳定性并保证了学习过程的可持续性。并将实验结果与现有的MV、WMV方案对比验证了本发明在准确率、稳定性和可持续性。
-
公开(公告)号：CN110308464B
公开(公告)日：2023-07-21
申请号：CN201910426201.0
申请日：2019-05-21
Applicant: 西安电子科技大学
IPC: G01S19/21
Abstract: 本发明属于无人飞行器定位技术领域，公开了一种无人机GPS欺骗检测方法；在无人机编队飞行的情况下，当一架无人机U需要判断它是否受到欺骗攻击时，向地面站以及其他群组成员发送定位请求；这些无人机收到请求后，各自向地面站上传带有时间戳的位置信息数据包，若群组中至少有三架无人机进行响应，即可解算出无人机U的当前位置；当周围应答的无人机数量少于三架时，采用结合相关角度及角度变化率的方法对目标无人机进行实时的区域定位跟踪。本发明实时主动地计算无人机位置信息，并将其与GPS接收器收到的未经证实的定位信息相比较，从而实现在无人机系统遭受到GPS欺骗攻击的第一时间感知群组成员是否受到攻击，有效保证无人机的安全飞行。
-
公开(公告)号：CN115187789A
公开(公告)日：2022-10-14
申请号：CN202210569952.X
申请日：2022-05-24
Applicant: 西安电子科技大学
IPC: G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04
Abstract: 本发明公开了一种基于卷积层激活差异的对抗图像检测方法及装置，包括：获取待处理图像，并将待处理图像输入至图像分类模型；获取图像分类模型中预设卷积层输出的特征图，并确定特征图的激活比例；将激活比例输入检测模型后，根据检测模型的输出判断图像分类模型对待处理图像的分类结果是否存在异常；其中，检测模型为预先以正常图像及对抗样本在图像分类模型中的激活比例作为训练样本进行训练后，获得的全连接神经网络模型。本发明通过在图像分类模型的正常前向传播过程中进行特征图激活比例的计算，在几乎不会给线上应用造成时延的同时，使检测模型根据激活比例判断分类结果是否存在异常，从而对已上线的图像分类模型进行安全加固。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.02 seconds)
