公开(公告)号：CN119849580A

公开(公告)日：2025-04-18

申请号：CN202510325334.4

申请日：2025-03-19

Applicant: 东北大学

Inventor： 彭玉怀 ,  刘茗 ,  毕皓然 ,  王晨路 ,  汪力行

IPC: G06N3/082 ,  G06N3/096 ,  G06N3/084 ,  G06N3/0895 ,  G06N3/048 ,  G06N3/0464 ,  G06F9/50 ,  G06V10/764 ,  G06V10/82 ,  G06V10/77 ,  G06V10/80 ,  G06V10/40

Abstract: 本发明提供了一种面向星载边缘计算的目标检测模型轻量化方法，包括如下步骤：S1、通过采集训练数据集、自监督对比训练与构建通道注意力机制训练出可识别特征缺失目标的图像目标检测模型；S2、对目标检测模型使用图结构抽象神经网络模型、识别并修剪冗余通道从而进行神经网络模型压缩，得到压缩模型；S3、使用对比生成对抗网络和知识蒸馏方法对压缩模型进行模型性能优化，得到轻量化目标检测模型。本发明在压缩模型实现星载边缘计算环境轻量化部署的条件下，保证检测速度和精度，增强特征缺失目标的识别能力。

公开(公告)号：CN119397466B

公开(公告)日：2025-04-08

申请号：CN202510012248.8

申请日：2025-01-06

Applicant: 东北大学

Inventor： 彭玉怀 ,  刘茗 ,  毕皓然 ,  王静 ,  汪力行

IPC: G06F18/2433 ,  G06F18/2413 ,  G06F18/231 ,  G06N3/045 ,  G06N3/0895 ,  G06N3/098

Abstract: 本发明提供一种基于小样本数据增强的异常网络流量识别方法，包括：包括：S1、将一维流量数据转变为二维的灰度图，并使用结合了动态注意力机制的孪生网络逐对分析各类流量数据间的差异；分析孪生注意网络中注意力机制的参数，识别类间的差异特征；S2、使用类间特征差异矩阵选取训练域，引入对比学习方法判断真实数据与生成数据间差异，为每类流量生成增强数据集；S3、在接收中心服务器下发的增强数据集后，各边缘服务器使用增强数据集与本地的样本数据训练步骤S1中的孪生注意网络；由于本地样本数据集各不相同，每个边缘服务器训练得到适合本地数据分布的个性化异常流量识别与分类模型，并有效分类异常流量。

公开(公告)号：CN119397466A

公开(公告)日：2025-02-07

申请号：CN202510012248.8

申请日：2025-01-06

Applicant: 东北大学

Inventor： 彭玉怀 ,  刘茗 ,  毕皓然 ,  王静 ,  汪力行

IPC: G06F18/2433 ,  G06F18/2413 ,  G06F18/231 ,  G06N3/045 ,  G06N3/0895 ,  G06N3/098

Abstract: 本发明提供一种基于小样本数据增强的异常网络流量识别方法，包括：包括：S1、将一维流量数据转变为二维的灰度图，并使用结合了动态注意力机制的孪生网络逐对分析各类流量数据间的差异；分析孪生注意网络中注意力机制的参数，识别类间的差异特征；S2、使用类间特征差异矩阵选取训练域，引入对比学习方法判断真实数据与生成数据间差异，为每类流量生成增强数据集；S3、在接收中心服务器下发的增强数据集后，各边缘服务器使用增强数据集与本地的样本数据训练步骤S1中的孪生注意网络；由于本地样本数据集各不相同，每个边缘服务器训练得到适合本地数据分布的个性化异常流量识别与分类模型，并有效分类异常流量。