专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果30个,建议您升级VIP下载更多相关专利
  • [发明专利]一种基于身份授权的可信去中心化存储方法及系统-CN202311056198.0在审
  • 袁开国;张靖宇;刘奇;彭竑睿 - 北京邮电大学
  • 2023-08-21 - 2023-10-20 - G06F21/31
  • 本发明公开了一种基于身份授权的可信去中心化存储方法及系统,涉及区块链安全和可搜索加密技术领域。本发明为了规避节点好奇的风险,在去中心化存储网络中融入一种创新的属性基可搜索加密算法,该可搜索加密算法保护存储在节点中的数据,允许用户将访问控制属性与加密方案关联,使数据只能被属性符合访问策略的用户所解密,实现在多所有者对多用户模型下的去中心化存储网络中安全可信的搜索;同时,为了规避节点不诚实的风险,在去中心化存储网络中融入了基于声誉值的多参数动态激励模型,用于奖励执行诚实检索的节点,同时惩罚不诚实的节点,减少去中心化存储网络的算力的浪费,并鼓励节点的积极性,有效地保证了去中心化网络中节点的诚实性。
  • 一种基于身份授权可信中心存储方法系统
  • [发明专利]基于SwinT-CNN模型的加密流量分类方法及装置-CN202310356710.7在审
  • 李小勇;王月洋;袁开国;高雅丽;李灵慧 - 北京邮电大学
  • 2023-04-04 - 2023-06-30 - G06V10/764
  • 本发明公开了一种基于SwinT‑CNN模型的加密流量分类方法及装置,包括以下步骤:S1、将待分类的加密流量数据转化为二维矩阵,并生成灰度图像,将二维矩阵作为SwinT‑CNN模型的输入向量Vinput;S2、将二维矩阵输入SwinT‑CNN模型,SwinT‑CNN模型包括改进的CNN模块和Swin T模块,先通过改进的CNN模块提取数据的局部空间特征,输出处理后的数据Vcnn,再将Vcnn输入Swin T模块,对局部空间特征进行注意力机制计算,得到数据的全局空间特征,输出加权组合特征向量VswinT;S3、最后通过一个由Softmax激活的全连接层作出预测,计算多分类交叉熵损失来产生分类结果。本发明将改进的CNN模块和从Swin Transformer中提取的Swin模块结合,能够更有效地捕捉数据中的局部和全局特征,提高加密流量分类的准确率。
  • 基于swintcnn模型加密流量分类方法装置
  • [发明专利]基于CNN-Linformer模型的浏览器识别方法-CN202310311808.0在审
  • 李小勇;谭韵;袁开国;高雅丽;李灵慧 - 北京邮电大学
  • 2023-03-28 - 2023-06-23 - G06V10/82
  • 本发明公开了一种基于CNN‑Linformer模型的浏览器识别方法,先通过CNN提取输入数据的时序特征,再通过Linformer的线性注意力聚焦重要的特征,提高了模型的准确率,并通过多头注意力对数据进行并行计算,提高了模型的训练速度。同时,通过删除Linformer中的解码器部分、输入嵌入部分和位置编码部分对Linformer进行简化,降低了模型的复杂度进而提高计算的速度。此外,本发明针对现有的其他方法没有全面考虑各种伪指纹技术带来准确率下降的问题,利用了随机化属性值和添加噪声两种伪指纹技术对原始数据集进行数据增强,然后使用含有正常指纹和伪指纹的增强数据集对CNN‑Linformer模型进行了训练。本方法具有准确率高和识别速度快的优点,在伪指纹场景下具有良好的鲁棒性。
  • 基于cnnlinformer模型浏览器识别方法
  • [发明专利]一种基于解析优化和时序卷积网络的日志异常检测方法-CN202211711499.8在审
  • 李小勇;蒋哲;袁开国;蔡斌思;孙明亮;高雅丽 - 北京邮电大学
  • 2022-12-29 - 2023-03-21 - G06F18/2433
  • 本发明公开了一种基于解析优化和时序卷积网络的日志异常检测方法,基于固定深度树结构的日志解析方法,解决日志解析阶段按照日志进行匹配的效率问题,以应对日志中存在可变参数以及日志输出不稳定的情况;基于BERT的预训练模型来从日志模板中提取语义特征,利用窗口技术获取日志的序列特征,基于TF‑IDF捕获日志模板数量特征信息,充分提取日志解析中的特征,为日志特征提取环节提供了更为全面的视角,使得最后的异常检测更具有效率性和全面性;基于时序卷积网络TCN来处理序列特征,其能够实现并行化从而提高模型的运行效率;使用自注意力机制来完成三个特征的学习,给不同的特征分配不同的权重,最后使用全连接层组合所有的特征来获得最终的预测输出。
  • 一种基于解析优化时序卷积网络日志异常检测方法

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top