-
公开(公告)号：CN115767557A
公开(公告)日：2023-03-07
申请号：CN202211563670.5
申请日：2022-12-07
Applicant: 电子科技大学
Abstract: 本发明属于物联网安全技术领域，具体来说是涉及一种基于射频指纹的分布式自治认证方法。本发明设计了一种基于射频指纹分布式认证模型，并通过共识投票机制实现模型的分布式自治。在物联网场景中，由于电磁干扰问题的出现，中心节点很可能失效，因此需构建基于射频指纹的分布式认证模型。除此之外，由于模型标签投毒攻击的存在，会大幅度降低模型性能，所以考虑基于分布式认证模型，建立共识机制，从而提高模型性能和保证模型鲁棒性。
-
公开(公告)号：CN114997299A
公开(公告)日：2022-09-02
申请号：CN202210584150.6
申请日：2022-05-27
Applicant: 电子科技大学
Abstract: 本发明属于神经网络和射频指纹识别技术领域，具体来说是涉及一种资源受限环境下的射频指纹识别方法。本发明包括：将原始采样的I/Q信号进行数据预处理，得到训练任务集；构建资源受限下的射频指纹识别模型——DSCNet；将训练任务集输入到模型当中进行训练，然后对得到的模型进行量化处理；将识别任务输入到量化后的模型当中，得到射频指纹识别结果。本发明在资源受限的环境下具有较好的识别精度，同时模型的训练和推理速度表现较好，可以在资源不足的设备中进行射频指纹识别任务。
-
公开(公告)号：CN114943253A
公开(公告)日：2022-08-26
申请号：CN202210549015.8
申请日：2022-05-20
Applicant: 电子科技大学
Abstract: 本发明属于神经网络和目标识别技术领域，具体来说是涉及一种基于元学习模型的射频指纹小样本识别方法。本发明包括：将原始I/Q信号作为数据集，制作训练任务样本集；构建元学习模型——匹配网络模型；将训练任务集输入匹配网络模型，从I/Q信号中提取射频指纹特征，度量样本之间的相似度，对模型进行训练；将识别任务输入到训练好的元学习模型中，输出模型的识别结果。本发明在面临射频指纹小样本数据集时，具有较好的识别精度，并避免了因数据量少所带来的模型过拟合问题。
-
公开(公告)号：CN113778682A
公开(公告)日：2021-12-10
申请号：CN202111066239.5
申请日：2021-09-13
Applicant: 电子科技大学
Abstract: 本发明公开了一种MEC系统资源分配方法，包括以下步骤：S1、构建任务处理代价目标函数和约束；S2、在无线信道中对任务队列的任务进行排序，得到固定优先级的任务队列；S3、根据任务处理代价目标函数、约束、固定优先级的任务队列和任务最差执行时延，得到任务分配的最优策略；S4、通过MEC服务器将任务分配的最优策略分配给各移动设备用户，实现MEC系统中资源的最优分配；本发明解决了现有MEC系统资源存在分配不合理的问题。
-
公开(公告)号：CN110990458A
公开(公告)日：2020-04-10
申请号：CN201911217663.8
申请日：2019-12-03
Applicant: 电子科技大学
IPC: G06F16/2458 , G06F16/27 , G06F9/54
Abstract: 本发明公开了一种分布式数据库系统、接口通信中间件，涉及数据库技术领域，分布式数据库系统基于OceanBase数据库系统进行设计，包括OceanBase数据库系统、分布式物理集群、管理容器、数据容器、Docker Swarm集群、overlay跨域网络以及微服务，该系统安全性高且具有可插拔性，数据库系统在添加扩展时，可以在不同主机上通过微服务进行构建，能够快速激活相同的各业务模块，并且将服务置于同一个网段，当服务需要进行快速拓展时，可以实现基于微服务设计脚本的集群脚本化一键部署，因此具备高可拓展性；接口通信中间件用于安装在客户机，其与分布式数据库系统相对应，可增加程序开发的便捷性，安装简单，通信效率高，且通信过程加密，能够很好保护通信过程不易被破解。
-
Patent Agency Ranking
公开(公告)号：CN116720060A
公开(公告)日：2023-09-08
申请号：CN202310468749.8
申请日：2023-04-27
Applicant: 电子科技大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06N3/08 , G06N3/0442 , G06N3/0464
Abstract: 本发明属于物联网安全技术领域，具体来说是涉及一种基于轻量化深度学习模型的射频指纹识别方法。本发明首先将I/Q信号转为复数矩阵，然后对复数矩阵Q进行奇异值分解后，对得到的特征进行降噪后又复原成复数向量，接着构建轻量化深度学习模型进行复数特征提取和分类，最后实现射频指纹识别。本发明的有益效果为，很好的解决了环境噪声对射频指纹识别的干扰。
-
公开(公告)号：CN116563897A
公开(公告)日：2023-08-08
申请号：CN202310471147.8
申请日：2023-04-27
Applicant: 电子科技大学
IPC: G06V40/12 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明提供了一种基于半监督原型网络的射频指纹识别方法，属于物联网安全信息技术领域。在有限的训练集无法包含全部类别的辐射源设备信号，在测试集当中可能会出现未知类样本。而这种情况出现在现实场景中时，对于训练的闭集模型在识别未知信号时并不具备对未知类识别的能力。特别是在某些特殊环境下，如无人机冒充认证的设备，在未获得该设备的信号进行射频指纹识别时可能会出现识别错误。基于半监督原型网络的射频指纹识别方法，卷积层结合注意力机制进行有效特征提取，采用改进后的时序集成预测的半监督方法来进行原型强化；采用软阈值选取的方法作为样本分类依据，使模型能够有效区分I/Q信号样本之间的差异，从而保证模型识别的准确率。
-
公开(公告)号：CN110912919B
公开(公告)日：2020-10-23
申请号：CN201911217822.4
申请日：2019-12-03
Applicant: 电子科技大学
Abstract: 本发明公开了一种用于网络健康状况建模分析的网络数据采集方法，涉及网络健康分析技术领域，在硬件增加了控制主机，网络数据采集包括：通过wireshark从受控主机采集网络节点连接信息数据，并将其解析为json格式后存入数据库中；从受控主机采集网络节点状态信息数据，并将其解析为json格式后存入数据库中；从数据库中调取对应相同时间段和主机ip的json格式的网络节点连接信息和网络节点状态信息数据进行拼接后重新存入数据库中，供网络健康状况分析时调取。本发明网络改造成本低廉，其能够提供精准的网络数据支撑，方便后续使用机器学习的方法对网络数据进行建模分析。
-
公开(公告)号：CN116563897B
公开(公告)日：2025-05-16
申请号：CN202310471147.8
申请日：2023-04-27
Applicant: 电子科技大学
IPC: G06V40/12 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明提供了一种基于半监督原型网络的射频指纹识别方法，属于物联网安全信息技术领域。在有限的训练集无法包含全部类别的辐射源设备信号，在测试集当中可能会出现未知类样本。而这种情况出现在现实场景中时，对于训练的闭集模型在识别未知信号时并不具备对未知类识别的能力。特别是在某些特殊环境下，如无人机冒充认证的设备，在未获得该设备的信号进行射频指纹识别时可能会出现识别错误。基于半监督原型网络的射频指纹识别方法，卷积层结合注意力机制进行有效特征提取，采用改进后的时序集成预测的半监督方法来进行原型强化；采用软阈值选取的方法作为样本分类依据，使模型能够有效区分I/Q信号样本之间的差异，从而保证模型识别的准确率。
-
公开(公告)号：CN116782237A
公开(公告)日：2023-09-19
申请号：CN202310754154.9
申请日：2023-06-25
Applicant: 电子科技大学
IPC: H04W12/79 , G06F18/214 , G06F18/241 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明属于物联网安全技术领域，具体来说是涉及一种基于自监督对比学习的射频指纹识别方法。虽然射频指纹识别技术发展日趋成熟，但所有的数据标签都需要人工进行操作，耗时耗力。尤其是数据量大时，使用人工标注会浪费特别多不必要的时间和金钱。基于自监督对比学习和卷积神经网络的射频指纹识别方法在在大规模无标签数据中自动构造监督信息，来进行监督学习或训练，结合I/Q信号特点，基于“stop‑gradient”的思想，通过最大化同一I/Q数据的两个增广的相似性来达到分类的目的；并采用改进后的CNN作为骨干网络，使模型更加适合射频数据，能够更加高效的区分I/Q信号样本之间的差异，从而保证模型识别准确率。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.058 seconds)
