您的检索：
学者姓名：王一鹏
精炼检索结果：
年份
成果类型
收录类型
来源
综合
合作者
语言
清除所有精炼条件
摘要 ：
本发明公开了一种基于时序负载流量指纹的物联网设备流量识别方法及系统，本方法的具体工作流程可以分为训练阶段和分类阶段。在训练阶段，根据已标记类别的物联网设备流量的报文长度序列信息和报文字节序列信息，训练神经网络中的可学习参数，从而实现自动化的物联网设备流量指纹提取和物联网设备识别。在分类阶段，基于已训练完成的神经网络模型，对待识别物联网设备流量进行物联网设备流量指纹构建，并完成不同物联网设备的流量识别。本发明从不同的特征维度对于任何物联网设备产生的网络流量进行准确刻画，从而形成更具表达能力的物联网设备流量指纹，在物联网设备流量识别过程中具有高准确率、高度泛化能力和鲁棒性。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 王一鹏 , 贾文旭 , 赖英旭 et al. 一种基于时序负载流量指纹的物联网设备识别方法及系统 : CN202110557882.1[P]. | 2021-05-21 . |
| MLA | 王一鹏 et al. "一种基于时序负载流量指纹的物联网设备识别方法及系统" : CN202110557882.1. | 2021-05-21 . |
| APA | 王一鹏 , 贾文旭 , 赖英旭 , 杨震 . 一种基于时序负载流量指纹的物联网设备识别方法及系统 : CN202110557882.1. | 2021-05-21 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了基于云雾协同的车联网入侵检测方法，主要由三部分组成，包括：步骤1，由于雾节点和云服务器的计算能力不同，设计了云雾协同防御架构，在资源有限的雾节点将流量数据分为正常数据和可疑数据，在具有强大计算资源的云服务器上将可疑数据具体分类，判别攻击类型。步骤2，由于雾节点资源有限并且网络环境复杂多变的问题，采用CART决策树算法，通过对数据进行检测，能够更快速的确定可疑数据和良性数据。步骤3，针对车联网场景中数据不平衡问题，设计了代价敏感CNN模型，对可疑数据进行具体分类，减少少数攻击漏报率。在模拟现实中的车联网数据集上对算法进行评估，该方法能在较低的资源需求下获得较高的性能。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 赖英旭 , 曹天浩 , 刘静 et al. 基于云雾协同的车联网入侵检测方法 : CN202011491452.6[P]. | 2020-12-17 . |
| MLA | 赖英旭 et al. "基于云雾协同的车联网入侵检测方法" : CN202011491452.6. | 2020-12-17 . |
| APA | 赖英旭 , 曹天浩 , 刘静 , 王一鹏 . 基于云雾协同的车联网入侵检测方法 : CN202011491452.6. | 2020-12-17 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了一种基于卷积神经网络的入侵检测及语义决策树量化解释方法，将流量数据转换成流量灰度图像作为输入，对增加了可解释性的卷积神经网络进行训练，并用检测集对训练后的模型进行检测；利用类激活图构建攻击细节图像并输入训练后的卷积神经网络模型提取聚类特征进行聚类，计算检测到的异常样本与各类攻击聚类中心的距离，利用该距离建立决策树；计算语义匹配率为建立的代理决策树赋予语义意义，并利用该匹配率对语义决策树的解释效果进行量化评价。本发明对比多个模型及其改进后模型的检测性能与可解释性能，建立语义决策树对效果最优的模型进行解释，并设计语义匹配率对解释效果进行量化评价。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 赖英旭 , 孙墨童 , 王一鹏 et al. 一种基于卷积神经网络的入侵检测及语义决策树量化解释方法 : CN202011169481.0[P]. | 2020-10-28 . |
| MLA | 赖英旭 et al. "一种基于卷积神经网络的入侵检测及语义决策树量化解释方法" : CN202011169481.0. | 2020-10-28 . |
| APA | 赖英旭 , 孙墨童 , 王一鹏 , 刘静 , 谷浩然 , 毛北逢 et al. 一种基于卷积神经网络的入侵检测及语义决策树量化解释方法 : CN202011169481.0. | 2020-10-28 . |
| 导入链接 | NoteExpress RIS BibTex |
导出
| 数据： |
选中 到 |
| 格式： |
