-
公开(公告)号：CN113362217B
公开(公告)日：2025-04-04
申请号：CN202110777127.4
申请日：2021-07-09
Applicant: 浙江工业大学
IPC: G06T1/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于模型水印的深度学习模型中毒防御方法，所述方法包括如下步骤：收集图片数据集并分类，针对每一类图片数据集制作相对应的水印图片；利用水印嵌入器，将图片数据集中的原图片域A与水印组合成新图片域A+，利用嵌入损失函数对水印嵌入器进行训练；利用分类损失函数训练得到分类模型，分类模型对图片进行分类，且将新图片域A+、A输入到分类模型在指定的一层的特征图中得到并对应保存特征区域T+、T；利用提取损失函数训练得到水印提取器，将特征区域T和T+输入到水印提取器中对水印进行提取；根据分类模型对图片进行的分类结果以及水印提取器中水印的提取结果进行加权后预测结果。
-
公开(公告)号：CN112580521B
公开(公告)日：2024-02-20
申请号：CN202011528465.6
申请日：2020-12-22
Applicant: 浙江工业大学
IPC: G06V20/40 , G06V40/16 , G06V10/44 , G06V10/764 , G06V10/82 , G06T7/246 , G06T7/269 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种基于MAML元学习算法的多特征真假视频检测方法，包括：(1)采集预训练数据集以及局部训练数据集；(2)对预训练数据集和局部训练数据集进行处理；(3)对数据类别进行one‑hot编码，获取对应的类别标签序列；(4)构建引入注意力机制的模型M，利用预训练数据集对模型M进行训练，采用MAML元学习算法，得到预训练好的模型Mt；(5)将局部训练数据集分别作为模型Mt的输入，得到训练好的模型M1、模型M2和模型M3；(6)从预训练数据集的视频数据中获取光流图，输入到模型Mt中，得到训练好的模型M4；(7)将训练好的模型M1、模型M2、模型M3和模型M4进行测试和应用。本发明可以对脸部的局部特征进行训练，不需要大量的训练数据集。
-
公开(公告)号：CN113794695B
公开(公告)日：2023-04-07
申请号：CN202110988241.1
申请日：2021-08-26
Applicant: 浙江工业大学
IPC: H04L9/40 , H04L41/14 , G06N3/084 , G06N3/0464
Abstract: 本发明公开了一种基于GRU的网络异常流量检测识别方法，初始化软件定义网络，初始化节点控制器上的网络模型和原始流量矩阵，建立拓扑邻接矩阵，提取空间特征，提取时序相关性特征，得到分类结果，并评估定义安全情况，将时空数据上传至全局控制器，全局控制器反向传播更新原始流量矩阵。本发明能呈现更加完整的网络变化，避免变化趋势的不确定，可以保证了整体网络的鲁棒性和时序数据的可用性。
-
公开(公告)号：CN113810385B
公开(公告)日：2023-02-14
申请号：CN202110987467.X
申请日：2021-08-26
Applicant: 浙江工业大学
IPC: H04L9/40 , G06N3/044 , G06N3/042 , G06N3/0475 , G06N3/0464 , G06N3/094 , G06N3/084
Abstract: 本发明公开了一种自适应干扰的网络恶意流量检测防御方法，初始化软件定义网络，通过图神经网络GNN和循环神经网络RNN提取流量特征，选取干扰噪声向量，利用生成器将干扰噪声向量转化生成特定噪声，得到扰动的流量特征，判断两者特征相似性，扰动的流量特征Fp上传至全局控制器，更新节点的路由策略，调整流量分布。本发明可以避免中间操作过程中网络恶意流量的检测泄露，保证了原始流量的隐蔽性，通过添加扰动噪声进行流量数据脱敏，利用自适应干扰技术保证网络路由动态更新。
-
公开(公告)号：CN115550024A
公开(公告)日：2022-12-30
申请号：CN202211175164.9
申请日：2022-09-26
Applicant: 浙江工业大学
IPC: H04L9/40 , H04L41/12 , H04L41/14 , H04L41/147
Abstract: 本发明公开了一种基于扰动叠加的路由决策防测量方法，该系统属于流量工程安全领域，目的是为保护己方网络的路由决策信息不被敌方所侦察到，从而保护网络中的关键路径信息不被攻击者发现。该方法是基于对强化学习模型输入的时延对输出的动作求梯度，根据梯度信息在相应的路由路径上加上虚假的流量信息，这些流量信息不会对网络本身的用户产生任何的影响，但却能够被攻击者所侦察出来，以欺骗攻击者。相较与传统的路由决策防测量方法，无论是成本还是复杂度上，都有较大的降低。采用本发明可以使用户有效的抵御住敌方对己方网络中的关键路径信息的测绘。
-
Patent Agency Ranking
公开(公告)号：CN112699236B
公开(公告)日：2022-07-01
申请号：CN202011532434.8
申请日：2020-12-22
Applicant: 浙江工业大学
IPC: G06F16/35 , G10L15/06 , G10L15/16 , G10L25/63 , G10L25/24 , G06T7/00 , G06V40/18 , G06V40/16 , G06V20/40 , G06V10/74 , G06K9/62
Abstract: 本发明公开了一种基于情感识别与瞳孔大小计算的Deepfake检测方法，包括：(1)将语音数据划分为训练集X和测试集Q后进行数据处理，并对训练语音识别模型Y进行训练和测试；(2)将文本数据划分为训练集N和测试集P后进行数据处理，并对训练文本情感分类模型M进行训练和测试；(3)对于待检测的Deepfake视频，提取音频后输入到语音识别模型Y中，再将输出的文本输入到文本情感分类模型M，得到与文本对应的情感；(4)将待测的Deepfake视频转换为图片帧，检测人眼瞳孔的大小；(5)将检测到的人眼瞳孔大小与文本情感分类模型M得到的情感进行匹配，如果不匹配，则判定是假视频。本发明对不同的Deepfake方法生成的假视频都能够较好的检测，泛化能力强。
-
公开(公告)号：CN113298018A
公开(公告)日：2021-08-24
申请号：CN202110649160.9
申请日：2021-06-10
Applicant: 浙江工业大学
Abstract: 本发明提供基于光流场和脸部肌肉运动的假脸视频检测方法包括：获取LFPW图像数据集和FaceForensics++视频数据集；基于Face++DCNN模型构建关键点检测训练系统；构建关键点检测训练系统和假脸视频检测训练系统的损失函数；利用上述训练系统的损失函数对训练系统进行训练，确定关键点检测模型，假脸视频检测模型；通测试数据集调整检测模型；将FaceForensics++验证图像数据集输入到关键点检测模型进行关键点的标记，然后输入到假脸视频检测模型判断所述图像数据集真伪性。本发明还公开了基于光流场和脸部肌肉运动的假脸视频检测装置，该装置能够准确判断脸部视频真伪性。
-
公开(公告)号：CN112699236A
公开(公告)日：2021-04-23
申请号：CN202011532434.8
申请日：2020-12-22
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于情感识别与瞳孔大小计算的Deepfake检测方法，包括：(1)将语音数据划分为训练集X和测试集Q后进行数据处理，并对训练语音识别模型Y进行训练和测试；(2)将文本数据划分为训练集N和测试集P后进行数据处理，并对训练文本情感分类模型M进行训练和测试；(3)对于待检测的Deepfake视频，提取音频后输入到语音识别模型Y中，再将输出的文本输入到文本情感分类模型M，得到与文本对应的情感；(4)将待测的Deepfake视频转换为图片帧，检测人眼瞳孔的大小；(5)将检测到的人眼瞳孔大小与文本情感分类模型M得到的情感进行匹配，如果不匹配，则判定是假视频。本发明对不同的Deepfake方法生成的假视频都能够较好的检测，泛化能力强。
-
公开(公告)号：CN113810385A
公开(公告)日：2021-12-17
申请号：CN202110987467.X
申请日：2021-08-26
Applicant: 浙江工业大学
Abstract: 本发明公开了一种自适应干扰的网络恶意流量检测防御方法，初始化软件定义网络，通过图神经网络GNN和循环神经网络RNN提取流量特征，选取干扰噪声向量，利用生成器将干扰噪声向量转化生成特定噪声，得到扰动的流量特征，判断两者特征相似性，扰动的流量特征Fp上传至全局控制器，更新节点的路由策略，调整流量分布。本发明可以避免中间操作过程中网络恶意流量的检测泄露，保证了原始流量的隐蔽性，通过添加扰动噪声进行流量数据脱敏，利用自适应干扰技术保证网络路由动态更新。
-
公开(公告)号：CN113362217A
公开(公告)日：2021-09-07
申请号：CN202110777127.4
申请日：2021-07-09
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于模型水印的深度学习模型中毒防御方法，所述方法包括如下步骤：收集图片数据集并分类，针对每一类图片数据集制作相对应的水印图片；利用水印嵌入器，将图片数据集中的原图片域A与水印组合成新图片域A+，利用嵌入损失函数对水印嵌入器进行训练；利用分类损失函数训练得到分类模型，分类模型对图片进行分类，且将新图片域A+、A输入到分类模型在指定的一层的特征图中得到并对应保存特征区域T+、T；利用提取损失函数训练得到水印提取器，将特征区域T和T+输入到水印提取器中对水印进行提取；根据分类模型对图片进行的分类结果以及水印提取器中水印的提取结果进行加权后预测结果。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.038 seconds)
