-
公开(公告)号：CN119696827A
公开(公告)日：2025-03-25
申请号：CN202411677995.5
申请日：2024-11-22
Applicant: 中电科普天科技股份有限公司 , 暨南大学 , 广州杰赛通信规划设计院有限公司
IPC: H04L9/40 , G06F18/2415 , G06F18/25 , G06F18/22 , G06F18/213 , G06N3/045 , H04L41/0631 , H04L41/16
Abstract: 本发明涉及互联网技术领域，公开了一种基于多模态融合的网络异常检测方法和系统；方法包括：利用多头注意力提取多模态信息的数据特征；引入标签形成表达对网络入侵检测的影响程度的权重并根据权重对数据特征进行特征融合；将融合后的特征输入分类器实现网络异常检测。通过多模态数据的融合，实现了信息互补和信息相互验证的优势；采用多注意力机制实现网络流级别、进程级别和告警事件级别等多模态特征的融合，挖掘不同数据源之间存在的关联规则，实现多源异构信息共享，减少网络流量突发性、随机性等噪声对网络异常产生的影响。
-
公开(公告)号：CN118870395A
公开(公告)日：2024-10-29
申请号：CN202411288630.3
申请日：2024-09-14
Applicant: 暨南大学
IPC: H04W24/02 , H04W24/06 , H04W28/08 , H04W28/16 , H04W4/44 , H04W4/46 , G06F8/61 , G06F9/50 , G06N3/006 , G06N3/0464
Abstract: 本发明提供一种基于自注意力机制的车联网任务卸载和资源分配方法及系统，方法包括以下步骤：基于车联网高速道路环境VEC架构，构建车联网任务卸载模型；基于车联网任务卸载模型，获得任务卸载和资源分配的联合优化问题；将联合优化问题转化为马尔科夫决策过程；采用基于自注意力机制的A‑MADDPG算法求解马尔科夫决策过程，获得联合优化方案；基于联合优化方案，完成车联网任务卸载和资源分配。本发明所设计的任务卸载联合优化方案，通过智能协作，车辆不仅选取合适的卸载对象还选取合适的通信信道进行卸载传输，而且各个边缘服务器闲置资源按照任务需求进行动态分配，从而确保整个环境中的所有车辆都能处于高效的运行水平。
-
公开(公告)号：CN118194357B
公开(公告)日：2024-08-09
申请号：CN202410605553.3
申请日：2024-05-16
Applicant: 暨南大学 , 深圳市方直科技股份有限公司 , 深圳市木愚科技有限公司
Abstract: 本发明提出了一种基于扩散去噪模型的隐私数据发布方法，包括：构建教育数据集，其中，所述教育数据集包括：隐私属性集和非隐私属性集；基于隐私预算，对所述隐私属性集进行PRAM预扰动；基于PRAM预扰动后的数据对预设的数据生成模型进行训练；基于训练后的数据生成模型进行采样，生成包含特定数量的数据记录作为合成数据集。本发明在可以在满足本地差分隐私定义的情况下，生成数据效用良好的教育类数据集，适用于各类教育数据应用场景。与一般的基于深度生成式模型的隐私数据发布方法相比，该方案可以实现更好的隐私‑效用权衡。
-
公开(公告)号：CN118171275A
公开(公告)日：2024-06-11
申请号：CN202410598914.6
申请日：2024-05-15
Applicant: 暨南大学 , 广州新科佳都科技有限公司 , 广州方纬智慧大脑研究开发有限公司
IPC: G06F21/56 , G06F18/241 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06N3/0895 , G06F123/02
Abstract: 本发明公开了一种基于自监督箱型分类的智能交通车辆安全检测方法及系统，包括：采集智能交通数据集Car Hacking并进行数据预处理，提取时序特征数据，剔除不相关特征；基于LSTM自监督箱型分类模型和智能交通车辆入侵检测模型构建初始智能交通车辆安全检测模型；利用时序特征数据，对初始智能交通车辆安全检测模型进行训练，将达到预设训练精度的智能交通车辆安全检测模型进行测试，验证自监督箱型分类方法的有效性，并评估模型对于识别未知攻击类型的性能，构建获得基于自监督箱型分类的目标智能交通车辆安全检测模型来进行车辆安全监测，获得检测结果。本发明提高了安全检测的准确性和可靠性。
-
公开(公告)号：CN118138339A
公开(公告)日：2024-06-04
申请号：CN202410357625.7
申请日：2024-03-27
Applicant: 中电科普天科技股份有限公司 , 广州杰赛通信规划设计院有限公司 , 暨南大学
Abstract: 本发明公开了一种基于物联网设备的安全保护方法、系统、设备和介质，涉及物联网技术领域，方法包括：通过卷积神经网络锁定异常滑动窗口，之后采用偏移距离分析法，锁定异常的物联网设备；根据交互行为信任度和数据一致性水平，得到综合信任度，实现物联网设备的信任度评估；引入综合信任度阈值调整访问权限，实现物联网设备安全保护。采用告警事件和物联网设备构建物联网设备的入侵机制；引入零信任的持续评估机制，结合交互行为信任度和数据一致性水平实现物联网设备的信任度评估；引入综合信任度阈值调整访问权限，实现物联网设备安全保护，对物联网设备的身份进行统一管理，实时评估物联网设备的安全性问题。
-
Patent Agency Ranking
公开(公告)号：CN117876799B
公开(公告)日：2024-05-28
申请号：CN202410269658.6
申请日：2024-03-11
Applicant: 暨南大学
IPC: G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00 , G06V10/82 , G01D21/02
Abstract: 本发明公开了一种物流供应链品控缺陷检测方法及系统，其中方法包括：采集有关物流供应链品控的训练数据，并提取训练数据的缺陷特征；基于特征缺陷，构建混合检测模型；优化检测模型，得到最终模型；利用最终模型，完成物流供应链上的品控缺陷检测。本发明通过融合形变检测和穿透性破损检测两个神经网络模块，实现了对物流供应链纸箱包装的综合检测。本发明能够同时兼顾形变检测和穿透性破损检测，解决了目前方法只能单一处理这两个方面的问题。这将会进一步提高物流供应链纸箱包裹运输过程中的安全性和效率，为物流行业带来更大的便利和效益。
-
公开(公告)号：CN114866278B
公开(公告)日：2023-07-14
申请号：CN202210298928.7
申请日：2022-03-25
Applicant: 广州杰赛科技股份有限公司 , 暨南大学
IPC: H04L9/40 , H04L45/028
Abstract: 本发明提供了一种网络安全动态防御方法、装置、设备及介质，能够根据网络安全可靠性的大小动态调整网路的可行路径集合，并结合网络安全可靠性的变动方向动态调整网络通信的存活时隙，以此构建边缘计算网络下的网络可行路径集合，并采用随机选取通信路径的方式，在一定程度上降低了攻击者通过监听掌握通信路径后发起跟随攻击的可能性。
-
公开(公告)号：CN116321069A
公开(公告)日：2023-06-23
申请号：CN202310117829.9
申请日：2023-02-15
Applicant: 暨南大学 , 中国地质大学(武汉)
IPC: H04W4/44 , H04W12/108 , H04L67/1097 , G06F16/27
Abstract: 本发明公开了一种高效的车联网信任查询与评估方法及系统，在该系统中，本发明首先利用区块链技术分布式存储车辆信任数据，实现了数据的可信存储；接着提出两种缓存策略并结合智能合约，分别设计信任值查询算法，实现了信任值的低时延查询；最后基于所提查询算法，以车辆历史信任值、车辆位置以及消息新鲜度作为参考因素，设计紧急消息信任评估算法，实现了低时延且高精准的信任评估。本发明提出的系统与现有的车联网信任查询与评估系统相比，在消息信任评估时延和消息信任评估准确率之间达到了更好的平衡，更加适用于实际的场景。
-
公开(公告)号：CN110210224B
公开(公告)日：2023-01-31
申请号：CN201910424145.7
申请日：2019-05-21
Applicant: 暨南大学
IPC: G06F21/56
Abstract: 本发明公开了一种基于描述熵的大数据移动软件相似性智能检测方法，包括以下步骤：获取移动软件路径，按照路径读取移动软件的文件；对移动软件的文件进行初步逆向工程反编译，获取每个移动软件的函数特征；通过函数特征中的描述熵，统计每个移动软件描述熵的分布；将每个移动软件描述熵进一步整合，通过整合后，移动软件之间的描述熵分布情况进行比较，进行相似性分数计算，得到移动软件之间的相似性分数；输出所有移动软件的相似性分数，得到移动软件相似性结果；本发明通过反编译获取移动软件源代码，获取函数压缩编码再获取描述熵，利用描述熵作为表示一个对象的信息量，用于移动软件的相似性检测，大大提高软件相似性智能计算速度。
-
公开(公告)号：CN115101145A
公开(公告)日：2022-09-23
申请号：CN202210737270.5
申请日：2022-06-27
Applicant: 暨南大学
Abstract: 本发明公开了一种基于自适应元学习的药物虚拟筛选方法及系统，包括以下步骤：S1、对公开数据库的药物分子数据进行预处理获得分子图数据并划分T个数据集；S2、构建基于元学习器的多任务神经网络模型；S3、利用上述数据集对神经网络模型进行预训练，得到药物虚拟筛选模型；S4、输入任务目标的数据到上述药物虚拟筛选模型，对任务的权重进行调整，添加目标任务相关的预测层，得到与目标任务强相关的药物虚拟筛选模型。本方法与基于深度学习的药物筛选方法相比，利用元学习器对模型进行任务权重上的调整，通过添加目标任务相关的预测层，能够自适应调整模型，使药物虚拟筛选模型达成更好的泛化性能，能够筛选出具有足够活性且符合要求的药物分子。
-
-
-
-
-
-
-
-
-
Search Results
88
records
(took 0.03 seconds)
