-
公开(公告)号：CN119172154A
公开(公告)日：2024-12-20
申请号：CN202411376744.3
申请日：2024-09-29
Applicant: 北京理工大学
IPC: H04L9/40 , G06N3/0464 , G06N3/0442 , G06N3/0499 , G06N3/08
Abstract: 本发明涉及网络攻防技术领域，特别涉及一种基于深度学习的DDoS攻击流量检测方法，方法包括：解析终端设备发送的当前数据流得到多个数据包的特征序列；基于多个数据包的特征序列组成时序特征矩阵输入至目标深度学习模型进行流量检测，得到模型检测结果，其中，目标深度学习模型由对初始深度学习模型训练得到；若模型检测结果为DDoS攻击流量，则终端设备发送警报信息至显示界面，若终端设备接收到用户的DDoS攻击流量为正常流量的的确认指示，则判定DDoS攻击流量为正常流量，并自修正目标深度学习模型的参数，若终端设备接收到用户的DDoS攻击流量为非正常流量的确认指示，则判定DDoS攻击流量为非正常流量。
-
公开(公告)号：CN119155183A
公开(公告)日：2024-12-17
申请号：CN202410954534.1
申请日：2024-07-16
Applicant: 北京理工大学
IPC: H04L41/0893 , G06N3/0499 , G06N3/092 , H04L41/0894 , H04L41/0895 , H04L41/16 , H04L41/0823
Abstract: 本发明涉及通信网络技术领域，特别涉及一种基于业务驱动的网络切片分配优化方法及装置，其中，方法包括：依据当前网络环境中每个业务场景的至少一个实际需求构建切片架构，分别构建每个切片的智能体用于训练目标神经网络，由训练后的目标神经网络输出切片分配集合进行种群优化，得到每个业务场景的目标切片分配集合，基于业务场景和切片的偏好列表优化目标切片分配集合，以进行当前网络环境的切片分配。本发明可以通过根据多个业务场景的不同需求构建网络切片框架，并在框架基础上进行多智能体强化学习、多目标优化和业务切片偏好匹配，从而根据实际业务需求实现动态调整的网络切片优化过程，提升了用户使用体验，提高了网络运维效率。
-
公开(公告)号：CN119135365A
公开(公告)日：2024-12-13
申请号：CN202410954826.5
申请日：2024-07-16
Applicant: 北京理工大学
Abstract: 本发明涉及通信网络技术领域，特别涉及一种多个单区块链网络协同进行隐蔽通信的方法及装置，方法包括：将满足第一条件的秘密信息划分为满足第二条件的多个目标信息，并进行分组，生成每组初始信息之间存在部分重复的第一目标信息组，利用多个单区块链中的每个单区块链对应的加密方式对每组初始信息加密，得到第二目标信息组，并由接收端匹配第二目标信息组中满足复原条件的加密信息对应的解密方式，以对加密信息进行解密，得到第三目标信息组，并进行合成处理，以利用合成信息复原秘密信息，使得接收端利用多个单区块链网络协同进行隐蔽通信。由此，解决相关技术中单区块链网络传递信息易被攻击者追踪，造成信息丢失，降低信息传递成功率的问题。
-
公开(公告)号：CN118890103A
公开(公告)日：2024-11-01
申请号：CN202411376947.2
申请日：2024-09-29
Applicant: 北京理工大学
Abstract: 本申请涉及无线通信技术领域，特别涉及一种基于大模型的对抗扰动生成方法，其中，方法包括：利用大模型将电磁信号与满足预设条件的模态数据进行组合，得到多模态电磁信号数据；基于多模态电磁信号数据与显著图的电磁信号对抗样本生成对抗扰动信号；按照预设调制方式对原始电磁信号进行信号调制，并将第一调制后的信号与对抗扰动信号进行组合，得到满足预设抗干扰条件的传输信号；对传输信号进行对抗扰动去除处理，并对第二调制后的信号进行解调，得到解调结果，以根据解调结果得到大模型的原始数据。由此，解决了相关技术使用的处理电磁信号的对抗扰动算法仅针对单一模态数据，且其自适应性较差，面对复杂的电磁干扰其抵抗效果较差等问题。
-
公开(公告)号：CN119834870A
公开(公告)日：2025-04-15
申请号：CN202510259107.6
申请日：2025-03-05
Applicant: 北京理工大学
IPC: H04B7/185
Abstract: 本发明涉及通信技术领域，特别涉及一种基于深度强化学习的卫星组网路由方法，包括：基于当前网络状态的特征向量生成每个决策动作对应的第一动作价值函数，基于当前目标模型确定当前网络状态下的决策动作选择概率，并利用预设的探索与利用策略、决策动作选择概率和第一动作价值函数对每个决策动作进行选择输出对应的第二动作价值函数，计算初始化后的目标网络中每个决策动作对应的目标动作价值函数及目标动作价值函数与第二动作价值函数的差异值，以根据差异值计算当前目标模型的最小损失函数，优化卫星组网路由算法。由此，解决了因卫星组网的高延迟和高误码率使路由算法难以适应频繁变化的网络环境，从而导致数据传输效率低、丢包等问题。
-
Patent Agency Ranking
公开(公告)号：CN119149801B
公开(公告)日：2025-01-24
申请号：CN202411377020.0
申请日：2024-09-29
Applicant: 北京理工大学
IPC: G06F16/951 , G06F40/166 , G06F40/284 , G06N20/00 , G06F16/31 , G06F16/335 , G06F21/56
Abstract: 本发明涉及网络安全技术领域，特别涉及一种基于大模型对抗恶意蜘蛛池的方法，其中，方法包括：基于爬虫在当前工作周期下返回的当前网页得到当前网页数据包的所有长尾关键词，输入预先训练的语义大模型得到当前网页数据包的所有目标关键词，由此检测当前网页是否满足预设相似条件，在满足预设相似条件的情况下，判定爬虫处于恶意蜘蛛池，并停止爬虫在当前网页的爬取。本发明实施例可以利用预训练大模型提取当前页面所有长尾关键词的对应的目标关键词，并构建网页特征向量，检测当前网页和先前网页的关键词相似程度，从而精准识别长尾关键词，以判断未知网页的相似性，快速诊断困入蜘蛛池的爬虫，保障了网络搜索的高效性和安全性，更加实用。
-
公开(公告)号：CN119172155B
公开(公告)日：2025-03-28
申请号：CN202411377435.8
申请日：2024-09-29
Applicant: 北京理工大学
IPC: H04L9/40 , G06F18/214
Abstract: 本发明涉及数字信息的传输技术领域，特别涉及一种基于识别模型的DDoS攻击防御方法，其中，方法包括：获取来自目标数据源的训练数据，并进行模型训练，得到初始攻击识别模型；利用服务器对初始攻击识别模型进行调试，得到调试结果；在预设时长内，判断调试结果是否满足预设正常报警条件，如果调试结果满足预设正常报警条件，则将初始攻击识别模型作为实际攻击识别模型，否则，基于调试结果重新训练初始攻击识别模型，直至满足预设迭代停止条件，得到实际攻击识别模型，以利用所述实际攻击识别模型进行DDoS攻击识别。由此，解决了相关技术中，构建成本较高，无法有效缓解服务器压力，且实施难度大，不利于推广应用等技术问题。
-
公开(公告)号：CN119172154B
公开(公告)日：2025-02-18
申请号：CN202411376744.3
申请日：2024-09-29
Applicant: 北京理工大学
IPC: H04L9/40 , G06N3/0464 , G06N3/0442 , G06N3/0499 , G06N3/08
Abstract: 本发明涉及网络攻防技术领域，特别涉及一种基于深度学习的DDoS攻击流量检测方法，方法包括：解析终端设备发送的当前数据流得到多个数据包的特征序列；基于多个数据包的特征序列组成时序特征矩阵输入至目标深度学习模型进行流量检测，得到模型检测结果，其中，目标深度学习模型由对初始深度学习模型训练得到；若模型检测结果为DDoS攻击流量，则终端设备发送警报信息至显示界面，若终端设备接收到用户的DDoS攻击流量为正常流量的的确认指示，则判定DDoS攻击流量为正常流量，并自修正目标深度学习模型的参数，若终端设备接收到用户的DDoS攻击流量为非正常流量的确认指示，则判定DDoS攻击流量为非正常流量。
-
公开(公告)号：CN119172155A
公开(公告)日：2024-12-20
申请号：CN202411377435.8
申请日：2024-09-29
Applicant: 北京理工大学
IPC: H04L9/40 , G06F18/214
Abstract: 本发明涉及数字信息的传输技术领域，特别涉及一种基于识别模型的DDoS攻击防御方法，其中，方法包括：获取来自目标数据源的训练数据，并进行模型训练，得到初始攻击识别模型；利用服务器对初始攻击识别模型进行调试，得到调试结果；在预设时长内，判断调试结果是否满足预设正常报警条件，如果调试结果满足预设正常报警条件，则将初始攻击识别模型作为实际攻击识别模型，否则，基于调试结果重新训练初始攻击识别模型，直至满足预设迭代停止条件，得到实际攻击识别模型，以利用所述实际攻击识别模型进行DDoS攻击识别。由此，解决了相关技术中，构建成本较高，无法有效缓解服务器压力，且实施难度大，不利于推广应用等技术问题。
-
公开(公告)号：CN118886342A
公开(公告)日：2024-11-01
申请号：CN202411377562.8
申请日：2024-09-29
Applicant: 北京理工大学
IPC: G06F30/27 , G06N3/0455 , G06N3/084
Abstract: 本申请涉及通信工程和深度学习技术领域，特别涉及一种基于大模型的多条件天线优化方法，其中，方法包括：将至少一个目标天线的设计数据分为训练集、验证集和测试集中的至少一个；利用Adam算法设置生成式预训练GPT模型训练过程中的第一超参数；利用混淆矩阵对GPT最终模型在测试集上的输出结果进行分析，评估GPT最终模型对天线性能条件的理解能力，并根据理解能力对GPT最终模型和第二超参数进行调整优化，以优化目标天线的设计。由此，解决了相关技术中的天线设计方法往往基于经验和试错，难以满足高速数据传输、大容量通信、低延迟等多种需求，效率和性能较低的问题。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.033 seconds)
