公开(公告)号：CN118487982A

公开(公告)日：2024-08-13

申请号：CN202410545612.2

申请日：2024-05-06

Applicant: 暨南大学

Inventor： 林龙新 ,  陈玉宇 ,  谷岸阳 ,  周珊

IPC: H04L45/00 ,  H04L45/74 ,  H04L45/036

Abstract: 本发明公开了一种多目标路由优化的深度学习方法、装置、存储介质及计算机设备，此方法采用图神经网络模型和多代理强化学习模型，在图神经网络模块引入基于边和路径关系的图卷积神经网络、全连接网络和循环神经网络，以增强图神经网络模块对于图中相关信息的特征挖掘和提取，强化了网络的表达能力和泛化能力，提高了路由优化的准确性和稳定性。同时还采用强化学习对神经网络进行训练，从而在保证基础路由效果的情况下，解决了传统深度学习方法需要大量标签数据的难题，提高了模型对不同流量模式的适应能力，提高了路由优化的实用性和灵活性。

公开(公告)号：CN118260593A

公开(公告)日：2024-06-28

申请号：CN202410363342.3

申请日：2024-03-28

Applicant: 暨南大学

Inventor： 林龙新 ,  王晨昊 ,  周珊

IPC: G06F18/214 ,  G06F18/24 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/096 ,  H04L9/40

Abstract: 本发明公开了一种网络入侵检测识别的深度学习方法、装置、存储介质及计算机设备，此方法采用基于Transformer模型改进得到的Concise‑former神经网络模型，在编码器模块引入卷积门控自注意力层，以增强编码器模块对于序列数据中局部依赖的挖掘，进一步强化了网络的表达能力和泛化能力，提高了入侵检测的准确性和稳定性，通过简化网络，降低了模型的算法复杂度，提升了模型的计算效率。另外，本发明的方法还采用联合学习对神经网络进行训练，从而在保证精确度的情况下，大幅度提升模型的计算速度以及降低内存消耗，提高了入侵检测的实用性和灵活性。因此本发明能够有效地检测到各种类型的网络入侵。