“赵运弢”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果10个，建议您升级VIP下载更多相关专利

[发明专利]一种基于区分优先级的无人机集群多径路由匹配方法-CN202310785972.5在审
发明人：冯永新;葛志斌;赵运弢 -专利权人：沈阳理工大学
申请日： 2023-06-29 - 公布日： 2023-09-29 - 主分类号： H04W40/02 文献下载
摘要：本发明设计一种基于区分优先级的无人机集群多径路由匹配方法，解决特定无人机集群场景下多优先级业务与资源路径匹配问题，研究了多径路由匹配方法，并采用动态负载调整方法，实现了多条链路负载均衡，提高了网络吞吐量；本发明结合基于消息属性的业务优先级定义以及中继节点转发方法，相较于传统的单消息类型或单路径路由方法，在相同条件下本方法不但能保障最高优先级业务传递质量，而且能使网络吞吐量更高，传输路径更稳定。
一种基于区分优先级无人机集群径路匹配方法

[发明专利]一种基于分布式强化学习的无人机集群策略意图识别方法-CN202310782582.2在审
发明人：冯永新;李文欣;赵运弢 -专利权人：沈阳理工大学
申请日： 2023-06-29 - 公布日： 2023-09-15 - 主分类号： G06N3/045 文献下载
摘要：本发明公开了一种基于分布式强化学习的无人机集群策略意图识别方法，旨在通过关注竞合关系、人的意图推理和决策思维，实现高效的无人机集群协同行动；通过深度神经网络和强化学习算法进行训练和优化，能够准确识别无人机集群中个体的意图，并提升决策和执行能力；采用异步更新的多线程训练方法，提高学习效率和性能；采用灵活的奖励函数和状态空间定义适应不同任务需求；通过评估无人机的意图学习率、奖励累积值和学习算法的收敛速度等指标，监测学习进展；适用于军事作战、救援行动等领域，在无人机集群通信、协调和资源共享方面具有广泛应用价值；本发明具有实用性，为无人机集群的智能化发展提供了重要的技术支持。
一种基于分布式强化学习无人机集群策略意图识别方法

[发明专利]一种基于TransH-Bert的网络安全知识图谱推理方法-CN202310588933.6在审
发明人：冯永新;赵运弢;袁艺 -专利权人：沈阳理工大学
申请日： 2023-05-24 - 公布日： 2023-08-22 - 主分类号： G06N5/04 文献下载
摘要：本发明设计一种基于TransH‑Bert的网络安全知识图谱推理方法，属于网络安全和人工智能领域；首先提出CWE、CVE、CAPEC知识库构建出基础网络安全知识图谱，然后使用TransH模型刻画网络安全知识实体在向量空间中的位置信息，利用Bert预训练模型刻画网络安全知识实体的语义信息，最后提出通过融合TransH模型刻画出的位置信息和Bert预训练模型刻画的语义信息来执行知识推理任务，即使用TransH模型输出的位置数据和Bert预训练模型输出的关系概率矩阵计算知识推理的得分，使用计算出的得分来执行知识推理任务，有效提高了知识推理模型的准确率。
一种基于 transh bert 网络安全知识图谱推理方法

[发明专利]一种基于深度强化学习的僵尸网络流量检测方法-CN202310518615.2在审
发明人： 赵运弢;冯永新;胡玉涛 -专利权人：沈阳理工大学
申请日： 2023-05-08 - 公布日： 2023-08-04 - 主分类号： G06F18/241 文献下载
摘要：本发明设计一种基于深度强化学习的僵尸网络流量检测方法，基于机器学习中的OneR分类器以及深度强化学习的深度Q网络构建了一种智能OneR‑DQN检测模型，面向现有的僵尸网络流量数据集；首先将数据集进行合并、数据预处理、保留可以用来分类及训练的特征；其次，使用OneR分类器对数据集中的各类特征进行逐一测试判断，采集合适的特征交予DQN模型进行训练；最后，利用DQN特有的经验池机制不断抽取独立经验与训练样本进行交叉训练，从而提高检测的准确率；本发明使用的CIC‑IDS2017、CIC‑DoS2017、CIC‑IDS2018、CIC‑DDoS2019四个CIC数据集的混合数据集，对本发明构建的检测模型进行了验证试验，结果表明本发明构建模型的准确率为99.08％，实现面向僵尸网络流量的人工智能自动识别和判断。
一种基于深度强化学习僵尸网络流量检测方法

[发明专利]一种基于像素注意力机制的恶意软件对抗样本生成方法-CN202310507631.1在审
发明人： 赵运弢;冯永新;马翔宇 -专利权人：沈阳理工大学
申请日： 2023-05-08 - 公布日： 2023-08-01 - 主分类号： G06F21/56 文献下载
摘要：本发明设计一种基于像素注意力机制的恶意软件对抗样本生成方法，针对目前所存在的生成方法所产生的样本具有质量不高、生成模型不稳定等问题；首先分析了恶意代码与生成对抗网络结合的相关技术，在理论上基本掌握了恶意软件可视化表征方法；在像素注意力机制的基础上，结合深度卷积生成对抗网络DCGAN的特点，构建一种基于像素注意力机制的深度卷积生成对抗网络模型；并完成了恶意软件对抗样本的生成；能够有效的保证恶意软件对抗样本的质量，并且所提出的对抗网络模型具有更强的稳定性；本发明不仅可以促进深度学习方法在恶意软件检测领域的发展，而且还可以提高恶意软件检测器抵御对抗样本的能力，提高检测模型的鲁棒性。
一种基于像素注意力机制恶意软件对抗样本生成方法

[发明专利]基于语义分析和双向编码表征的恶意软件检测方法-CN202310588930.2在审
发明人： 赵运弢;冯永新;刘峻名 -专利权人：沈阳理工大学
申请日： 2023-05-24 - 公布日： 2023-07-14 - 主分类号： G06F21/56 文献下载
摘要：本发明针对传统模型检测恶意代码存在多义词表示和缺乏上下文语义的问题，提出了基于语义分析和双向编码表征的恶意软件检测方法，将BERT与基于外部注意机制的卷积递归网络相结合，使用恶意软件API函数调用序列作为模型学习的特征，并对其进行静态分析以检测现有恶意软件；利用API调用函数序列在上下文和语义上存在相关性，将BERT用于单词表示任务，并从序列中接收语义信息；卷积神经网络和长短期记忆网络分别用于完成二次特征提取和API函数之间的链关系挖掘；并在长短时记忆网络之后添加注意力机制，能够更好地关注文本中的关键信息，减少噪声的影响，提高在文本分类任务中的准确性；本发明不受恶意代码本身变化和变形的影响，准确率达到98.81％。
基于语义分析双向编码表征恶意软件检测方法

[发明专利]一种分布式拒绝服务攻击可视化表征的智能检测方法-CN202210579732.5有效
发明人： 赵运弢;马梓尧;金钊;冯永新 -专利权人：沈阳理工大学
申请日： 2022-05-26 - 公布日： 2023-06-20 - 主分类号： H04L9/40 文献下载
摘要：本发明公开了一种分布式拒绝服务攻击可视化表征的智能检测方法，涉及网络空间安全和人工智能领域，采集网络流量传输数据包，对采集到的网络流量传输数据包进行平行坐标图可视化预处理；针对每一个窗口期内的网络流量传输数据平行坐标图进行数据标注；面向混杂DDOS攻击的可视化表征，构建智能卷积神经网络模型即智能检测模型；将待检测的网络传输数据包样本输入智能检测模型，给出攻击检测判断结果，实现面向混杂DDOS攻击的高效识别和检测。
一种分布式拒绝服务攻击可视化表征智能检测方法

[发明专利]服务化信息系统攻击效能综合评估方法-CN201910140785.5有效
发明人：黄迎春;冯永新;赵运弢;康潆允 -专利权人：沈阳理工大学
申请日： 2019-02-26 - 公布日： 2023-02-03 - 主分类号： G06F11/34 文献下载
摘要：服务化信息系统攻击效能综合评估方法属于网络空间安全技术领域，尤其涉及一种服务化信息系统攻击效能综合评估方法。本发明提供一种四维度赋权的服务化信息系统攻击效能综合评估方法。本发明包括以下步骤：1）建立服务化信息系统攻击效能多级评估指标因素集；2）建立基于四维度赋权公式的权重集；3）建立终端评估指标因素的多尺度隶属函数；4）建立服务化信息系统攻击效能综合评估模型。
服务信息系统攻击效能综合评估方法

[发明专利]基于时序检测的工业控制系统入侵检测方法-CN202210816269.1在审
发明人：冯永新;李文欣;赵运弢 -专利权人：沈阳理工大学
申请日： 2022-07-12 - 公布日： 2022-11-29 - 主分类号： H04L9/40 文献下载
摘要：基于时序检测的工业控制系统入侵检测方法，属于网络安全技术领域，为解决工业控制系统流量数据维度大及冗余特征较多导致入侵检测分类准确率低的问题，在借鉴现有网络安全技术和深度学习技术的基础上，本发明在数据采集模块、数据预处理模块和入侵检测模块的数据处理过程中均进行了数据降维的操作，无需依赖人工经验进行特征提取，在尽可能保留原始数据完整性的情况下，加快了模型训练速度和分类速度，降低了误报率计算开销，提升了工控系统入侵检测效率和准确率，为工业4.0时代下的工业控制系统保驾护航。
基于时序检测工业控制系统入侵方法

[发明专利]一种遗传智能优化的神经网络风力发电设备温度预测方法-CN202210219095.0在审
发明人： 赵运弢 -专利权人：沈阳理工大学
申请日： 2022-03-01 - 公布日： 2022-06-07 - 主分类号： G06Q10/04 文献下载
摘要：本发明提出一种遗传智能优化的神经网络风力发电设备温度预测方法，涉及电力能源和人工智能领域。其特征是提出一种人工智能辅助的深度学习风力发电设备温度预测方法。首先，为构建风力发电设备温度预测方法要求的数据集，对输入样本数据进行预处理，将风电设备参量数据序列进行数据标注、归一化，生成便于深度学习模型处理的数据原矩阵，确定原矩阵维度，并将数据序列填充到原矩阵中；其次，构建神经网络模型，包括构建卷积层、激活函数层、池化层、全连接层；最后，将每一层的神经网络参数权值与染色体基因对应，进行多层基因编码、构建适应度函数及交换、变异、更新，实现面向风力发电设备温度的高效智能预测。
一种遗传智能优化神经网络风力发电设备温度预测方法

1
共 10 条