CN110826056A - 一种基于注意力卷积自编码器的推荐***攻击检测方法 - Google Patents

一种基于注意力卷积自编码器的推荐***攻击检测方法 Download PDF

Info

Publication number
CN110826056A
CN110826056A CN201911094684.5A CN201911094684A CN110826056A CN 110826056 A CN110826056 A CN 110826056A CN 201911094684 A CN201911094684 A CN 201911094684A CN 110826056 A CN110826056 A CN 110826056A
Authority
CN
China
Prior art keywords
matrix
convolution
layer
encoder
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911094684.5A
Other languages
English (en)
Other versions
CN110826056B (zh
Inventor
费艳
刘欣雨
缪骞云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN201911094684.5A priority Critical patent/CN110826056B/zh
Publication of CN110826056A publication Critical patent/CN110826056A/zh
Application granted granted Critical
Publication of CN110826056B publication Critical patent/CN110826056B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于注意力卷积自编码器的推荐***攻击检测方法，首先获取数据集，对数据集进行预处理并获得训练数据集；根据步骤一获得的训练数据集，输入卷积自编码器模型，得到高维特征表示矩阵；根据步骤二获得的高维特征表示矩阵，得到项目注意力矩阵，结合项目注意力矩阵以及步骤二得到的高维特征表示矩阵得到最终的特征矩阵；最后将得到的最终特征矩阵输入全连接层分类，利用准确率(Precision)、召回率(Recall)、F值(F‑measure)作为算法的性能评价指标。

Description

一种基于注意力卷积自编码器的推荐***攻击检测方法
技术领域
本发明涉及深度学习、推荐***领域，具体设计了一种基于注意力卷积自编码器的推荐***攻击检测方法。
背景技术
互联网的普及与发展，造成了网络数据信息的***式增长。面对日益严重的“信息过载”现象，用户准确有效的获得想要的信息成了一个亟待解决的问题，此时推荐***就应运而生。但由于任何人都可以注册成为其用户，让推荐***本身具有了灵敏性和开放性，使其很容易受到外界的攻击。在商业利益的驱动下，部分黑心商家有意地向推荐***中植入一些伪造的用户概貌，恶意评分，这样行为被称为托攻击。如何对外界攻击进行检测和防御，确保电子商务推荐***的安全，具有重要意义。
近几年来，深度学习技术广泛应用于计算机视觉、自然语言处理和语音识别等领域并获得了巨大的成功，因此也将深度学习技术引入推荐***领域，用于推荐***托攻击检测。同人类视觉一样，通过快速扫描全局图像，获得需要重点关注的目标区域，也就是一般所说的注意力焦点，而后对这一区域投入更多注意力资源，以获取更多所需要关注目标的细节信息，而抑制其他无用信息，也考虑到每一个特征对于最终检测的影响都是不一样的，不能同等地看待所有特征，所以，引入了注意力机制，给予关键特征更多的注意力，从众多特征中选择出对托攻击检测更关键的特征，更好地帮助提取用户特征，进而检测出攻击用户。
发明内容
本发明设计了一种基于注意力卷积自编码器的推荐***攻击检测方法。由于之前很少有将深度学习技术应用于推荐***的托攻击检测，本发明提出了一种基于卷积自编码器的方法，利用卷积完成自动编码器的编码和解码操作，得到用户特征，并加入注意力机制，给予关键特征更多的注意力，以捕捉用户交互数据的复杂结构。
本发明所述的方法首先将数据集输入卷积自编码器的编码和解码做特征提取操作，得到用户特征的高维表示，由于每个高维特征对最终的结果影响不一样，所以将得到的高维表示的特征矩阵与其转置矩阵点乘，得到特征矩阵的注意力矩阵表示，将用户特征的高维表示与特征矩阵的注意力矩阵点乘，最后的结果再经过全连接层“分类”，得到用户的检测结果。
区别于现有的处理方法，本发明的有益效果是：目前的推荐***托攻击检测方法大多数都是基于人工提取的特征，这些方法假定托攻击概貌和正常概貌在评分方式上有着显著的差异，因此可以依靠领域知识来提取特征并检测攻击。但是这些检测方法往往有一定的局限性：如有些攻击者为了防止被检测出来会模仿正常用户的评分方式，使得人工特征的区分能力降低。深度神经网络有着非常强的计算能力以及非线性映射等优点，在手写数字识别、模式识别等分类问题中有着广泛的应用，同时也适用于多变的托攻击检测环境，因此，本发明使用卷积自编码器自动提取评分特征，根据标记好的样本数据捕获托攻击用户的内在属性。同时，从卷积自编码器输出的高维特征，各个维度特征之间的内在关系不一样，每个维度特征对于整个任务的影响程度也不一样，对某些维度特征的过分关注可能会分散注意力，所以引入注意力机制，给予关键特征更多的注意力，以捕捉用户交互数据的复杂结构。
附图说明：
图1是本发明所述的基于注意力卷积自编码器的推荐***攻击检测方法的***框架图。
具体实施方式：
本实施例的数据集采用movielens100k，数据集中包含943名正常用户对1682部电影的评分，评分区间为[1,5]，分数从低到高分别表示用户对某部电影的喜爱程度由浅入深。
对数据集进行预处理，处理方式为向数据集分别注入三种类型的攻击：均值攻击，流行攻击以及随机攻击。其中每一种攻击都会以攻击比例分别为1％，2％，5％，10％，填充规模分别为1％，3％，5％，10％，25％，40％，60％注入到原始数据集中。
对填充好的数据集按照电影类别如喜剧片、动作片等分类，将相同类别的电影分到相同的簇集，便于后续捕捉数据矩阵的二维相关性。
将数据按3：1划分为训练集和测试集，并分为不同的批次送入模型并进行训练。
根据步骤一获得的训练数据集，输入卷积自编码器模型，得到高维特征表示矩阵。
首先，构造深度卷积自编码器神经网络模型。利用数据集中原始的用户useri对电影itemj的评分rij构造评分矩阵作为输入，假设输入大小为(H,W)，卷积核大小为(FH,FW)，输出大小为(OH,OW)，填充为P,步幅为S，则输出大小可表示为：
Figure BDA0002267946410000031
Figure BDA0002267946410000032
进入自动编码器的编码部分第一层卷积层做卷积操作提取特征：
Figure BDA0002267946410000041
其中，
Figure BDA0002267946410000042
表示第l层第n个特征图以及第l-1层第m个特征图，
Figure BDA0002267946410000043
为
Figure BDA0002267946410000044
到
Figure BDA0002267946410000045
的卷积核，本文选取卷积核尺寸为3×3，
Figure BDA0002267946410000046
是偏置项，是一个实数，*符号代表了卷积操作，f是激活函数，零填充P设为1，步幅S设为1，则经过公式计算后，输出的特征图
Figure BDA0002267946410000047
的大小OH′＝OH，OW′＝OW,则可通过卷积实现自动编码器尺寸无损的特征提取效果。
本文所有隐藏层的激活函数选用ReLU，该函数可以有效避免梯度缺失带来的收敛速度过慢以及局部最值等问题。第一层卷积层的输出进入激活函数层。编码部分为3层卷积层以及2层激励函数层的叠加，数据经过最后一层卷积层的作用后，自动编码器数据提取的编码部分就结束。
数据经过编码特征提取后，输入解码器反卷积解码操作。第一层反卷积过程可表示为：
Figure BDA0002267946410000048
其中，
Figure BDA0002267946410000049
表示第l层第m个特征图以及第l-1层第n个特征图，为
Figure BDA00022679464100000411
到
Figure BDA00022679464100000412
的卷积核，这里选取卷积核尺寸同样为3×3，
Figure BDA00022679464100000413
是偏置项，是一个实数，*符号代表了卷积操作，f是激活函数，零填充P设为1，步幅S设为1。第一层反卷积的输出进入激活函数层。解码部分为3层反卷积层以及2层激励函数层的叠加，数据经过最后一层反卷积的作用后，自动编码器数据提取的解码部分就结束，得到用户的高维特征表示矩阵R。
根据获得的用户高维特征表示矩阵，得到项目注意力矩阵，结合项目注意力矩阵以及步骤二得到的用户高维特征表示矩阵得到最终的特征矩阵。
分析不同的项目对整个任务结果的影响程度，基于上述得到的用户高维特征表示矩阵R，设R为w×v的矩阵，即(w行v列)，第a行b列的元素是r(a,b),即：R＝r(a,b)，则R的转置矩阵为v×w阶矩阵R′,满足r′(b,a)＝r(a,b)，则称R′为R的转置矩阵，得到R′。
根据R′，R，项目注意力矩阵att可表示为：
att＝R﹒R′
其中，﹒符号表示点乘，att表示注意力矩阵，R表示用户的高维特征表示矩阵，R′为R的转置矩阵。
最终的特征矩阵Q可表示为：
Q＝att﹒R
最后将得到的最终特征矩阵输入全连接层分类，利用准确率(Precision)、召回率(Recall)、F值(F-measure)作为算法的性能评价指标。
生成分类结果并评价包括以下步骤：
基于上述得到的特征矩阵Q，使用reshape()函数将多维的张量展开成一维向量，并映射到样本标记空间得到每一位用户的分类概率，后续再通过分类函数得到用户具体的类别，完成用户的分类。进入步骤二；
通过反向传播算法(Back propagation)优化模型，更新权重。由于本质上属于分类问题，所以本文选用交叉熵损失函数CrossEntropyLossAdam:
loss＝-∑xm(x)log q(x)
其中x表示输入，q(x)表示预测值，m(x)表示真实值，便于我们使用梯度下降的方法找到最优解。本文的优化算法采用了自适应动量项(adaptive moments,Adam)算法，Adam优化器正则化权重，防止过拟合，同时更新神经网络参数。真实标签为li，若
Figure BDA0002267946410000051
则预测正确，反之，则预测错误。进入步骤三；
使用评价指标准确率(Precision)、召回率(Recall)、F值(F-measure)对检测结果进行评估，计算方式分别如下：
Figure BDA0002267946410000061
Figure BDA0002267946410000062
Figure BDA0002267946410000063
其中，TP(真正)表示将正类预测为正类数，FP(假正)表示将负类预测为正类数，FN(假负)表示将正类预测为负类数。因此召回率度量的是在正例中有多少被分为正例，准确率度量的是在所有被预测为正类的用户中确实是正类的比例。而F则综合了Recall、Precision的结果，F值越高，说明检测效果越有效。
下列表一是攻击规模为5％时，各填充规模比例下的，三种攻击的评价指标，表二是填充规模为5％，各攻击规模的比例下，三种攻击的评价指标，由此可见，该方法在检测托攻击的识别率在98％以上，该方法对识别托攻击非常有效。
Figure BDA0002267946410000064
表一攻击规模为5％时不同情况的对比
Figure BDA0002267946410000071
表二填充规模为5％时不同情况的对比
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所做的等效结构或等流程变换，或直接或间接运用在相关技术领域，均同理包括在本发明的专利保护范围。

Claims (5)

1.一种基于注意力卷积自编码器的推荐***攻击检测方法，其特征在于：
步骤一：首先获取数据集，对数据集进行预处理并获得训练数据集；
步骤二：根据步骤一获得的训练数据集，输入卷积自编码器模型，得到高维特征表示矩阵；
步骤三：根据步骤二获得的高维特征表示矩阵，得到项目注意力矩阵，结合项目注意力矩阵以及步骤二得到的高维特征表示矩阵得到最终的特征矩阵；
步骤四：最后将得到的最终特征矩阵输入全连接层分类，利用准确率、召回率、F值作为算法的性能评价指标。
2.根据权利要求1所述的基于注意力卷积自编码器的推荐***攻击检测方法，其特征在于，步骤一中所述的数据集获得以及数据预处理包括以下步骤：
步骤一：首先获取数据集，向数据集分别注入三种类型的攻击：均值攻击，流行攻击以及随机攻击；
步骤二：对填充好的数据集按照规则进行分类，将相同类别的数据分到相同的簇集；
步骤三：将数据按3：1划分为训练集和测试集，并分为不同的批次送入模型并进行训练。
3.根据权利要求1所述的基于注意力卷积自编码器的推荐***攻击检测方法，其特征在于，步骤二中所述的得到用户高维特征表示矩阵包括以下步骤：
步骤一：首先构造深度卷积自编码器神经网络模型，利用数据集中原始的用户useri对项目itemj的评分rij构造评分矩阵作为输入，假设输入大小为(H,W)，卷积核大小为(FH,FW)，输出大小为(OH,OW)，填充为P,步幅为S，则输出大小可表示为：
Figure FDA0002267946400000021
Figure FDA0002267946400000022
进入自动编码器的编码部分第一层卷积层做卷积操作提取特征：
Figure FDA0002267946400000023
其中，
Figure FDA0002267946400000024
表示第l层第n个特征图以及第l-1层第m个特征图，
Figure FDA0002267946400000025
为
Figure FDA0002267946400000027
到
Figure FDA0002267946400000028
的卷积核，本文选取卷积核尺寸为3×3，是偏置项，是一个实数，*符号代表了卷积操作，f是激活函数；第一层卷积层的输出进入激活函数层；编码部分为3层卷积层以及2层激励函数层的叠加，数据经过最后一层卷积层的作用后，自动编码器数据提取的编码部分就结束；
步骤二：数据经过编码特征提取后，输入解码器反卷积解码操作，第一层反卷积过程可表示为：
Figure FDA0002267946400000026
其中，
Figure FDA00022679464000000210
表示第l层第m个特征图以及第l-1层第n个特征图，
Figure FDA00022679464000000211
为到
Figure FDA00022679464000000213
的卷积核，这里选取卷积核尺寸同样为3×3，
Figure FDA00022679464000000214
是偏置项，是一个实数，*符号代表了卷积操作，f是激活函数；数据经过最后一层反卷积的作用后，自动编码器数据提取的解码部分就结束，得到用户的高维特征表示矩阵R。
4.根据权利要求1所述的基于注意力卷积自编码器的推荐***攻击检测方法，其特征在于步骤三中得到最终的特征矩阵包括以下步骤：
步骤一：分析不同的项目对整个任务结果的影响程度，基于上述得到的用户高维特征表示矩阵R，设R为w×v的矩阵，即(w行v列)，第a行b列的元素是r(a,b),即：R＝r(a,b)，则R的转置矩阵为v×w阶矩阵R′,满足r′(b,a)＝r(a,b)，则称R′为R的转置矩阵，得到R′；
步骤二：根据R′，R，项目注意力矩阵att可表示为：
att＝R﹒R′
其中，﹒符号表示点乘，att表示注意力矩阵，R表示用户的高维特征表示矩阵，R′为R的转置矩阵；
步骤三：最终的特征矩阵Q可表示为：
Q＝att﹒R。
5.根据权利要求1所述的基于注意力卷积自编码器的推荐***攻击检测方法，其特征在于步骤四中生成分类结果并评价包括以下步骤：
步骤一：基于上述得到的特征矩阵Q，使用reshape()函数将多维的张量展开成一维向量，并映射到样本标记空间得到每一位用户的分类概率，后续再通过分类函数得到用户具体的类别，完成用户的分类；
步骤二：通过反向传播算法(Back propagation)优化模型，更新权重，本文选用交叉熵损失函数CrossEntropyLossAdam:
Figure FDA0002267946400000031
其中x表示输入，q(x)表示预测值，m(x)表示真实值，便于我们使用梯度下降的方法找到最优解；本文的优化算法采用了自适应动量项(adaptive moments,Adam)算法，Adam优化器正则化权重，防止过拟合，同时更新神经网络参数；真实标签为li，若
Figure FDA0002267946400000033
则预测正确，反之，则预测错误；
步骤三：使用评价指标准确率(Precision)、召回率(Recall)、F值(F-measure)对检测结果进行评估，计算方式分别如下：
Figure FDA0002267946400000032
Figure FDA0002267946400000041
Figure FDA0002267946400000042
其中，TP(真正)表示将正类预测为正类数，FP(假正)表示将负类预测为正类数，FN(假负)表示将正类预测为负类数。
CN201911094684.5A 2019-11-11 2019-11-11 一种基于注意力卷积自编码器的推荐***攻击检测方法 Active CN110826056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911094684.5A CN110826056B (zh) 2019-11-11 2019-11-11 一种基于注意力卷积自编码器的推荐***攻击检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911094684.5A CN110826056B (zh) 2019-11-11 2019-11-11 一种基于注意力卷积自编码器的推荐***攻击检测方法

Publications (2)

Publication Number Publication Date
CN110826056A true CN110826056A (zh) 2020-02-21
CN110826056B CN110826056B (zh) 2024-01-30

Family

ID=69553899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911094684.5A Active CN110826056B (zh) 2019-11-11 2019-11-11 一种基于注意力卷积自编码器的推荐***攻击检测方法

Country Status (1)

Country Link
CN (1) CN110826056B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401272A (zh) * 2020-03-19 2020-07-10 支付宝(杭州)信息技术有限公司 一种人脸特征提取方法、装置及设备
CN111967909A (zh) * 2020-08-17 2020-11-20 国网山西省电力公司营销服务中心 一种基于卷积神经网络的托攻击检测方法
CN112085158A (zh) * 2020-07-21 2020-12-15 西安工程大学 一种基于堆栈降噪自编码器的图书推荐方法
CN113297575A (zh) * 2021-06-11 2021-08-24 浙江工业大学 一种基于自编码器的多通道图垂直联邦模型防御方法
CN116361785A (zh) * 2023-03-31 2023-06-30 济南大学 基于深度学习的推荐***恶意攻击检测方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886072A (zh) * 2018-12-25 2019-06-14 中国科学院自动化研究所 基于双向Ladder结构的人脸属性分类***
CN109992674A (zh) * 2019-04-12 2019-07-09 南京工业大学 一种融合自动编码器和知识图谱语义信息的推荐方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886072A (zh) * 2018-12-25 2019-06-14 中国科学院自动化研究所 基于双向Ladder结构的人脸属性分类***
CN109992674A (zh) * 2019-04-12 2019-07-09 南京工业大学 一种融合自动编码器和知识图谱语义信息的推荐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JINGWANG等: "Convolutional Auto-encoding of Sentence Topics for Image Paragraph Generation" *
喻玲娟等: "基于FCNN和ICAE的SAR图像目标识别方法" *
张昊博: "集成注意力机制和文本上下文信息的协同过滤预测评分研究" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401272A (zh) * 2020-03-19 2020-07-10 支付宝(杭州)信息技术有限公司 一种人脸特征提取方法、装置及设备
CN112085158A (zh) * 2020-07-21 2020-12-15 西安工程大学 一种基于堆栈降噪自编码器的图书推荐方法
CN111967909A (zh) * 2020-08-17 2020-11-20 国网山西省电力公司营销服务中心 一种基于卷积神经网络的托攻击检测方法
CN113297575A (zh) * 2021-06-11 2021-08-24 浙江工业大学 一种基于自编码器的多通道图垂直联邦模型防御方法
CN113297575B (zh) * 2021-06-11 2022-05-17 浙江工业大学 一种基于自编码器的多通道图垂直联邦模型防御方法
CN116361785A (zh) * 2023-03-31 2023-06-30 济南大学 基于深度学习的推荐***恶意攻击检测方法及***
CN116361785B (zh) * 2023-03-31 2024-04-05 济南大学 基于深度学习的推荐***恶意攻击检测方法及***

Also Published As

Publication number Publication date
CN110826056B (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
CN110826056A (zh) 一种基于注意力卷积自编码器的推荐***攻击检测方法
CN108052911B (zh) 基于深度学习的多模态遥感影像高层特征融合分类方法
Xie et al. Sql injection detection for web applications based on elastic-pooling cnn
US20230385409A1 (en) Unstructured text classification
CN104598611B (zh) 对搜索条目进行排序的方法及***
CN107239733A (zh) 连续手写字识别方法及***
CN110929080B (zh) 基于注意力和生成对抗网络的光学遥感图像检索方法
CN112464865A (zh) 一种基于像素和几何混合特征的人脸表情识别方法
CN104616029B (zh) 数据分类方法及装置
CN111866004B (zh) 安全评估方法、装置、计算机***和介质
EP4172803A1 (en) Computerized information extraction from tables
CN112232087A (zh) 一种基于Transformer的多粒度注意力模型的特定方面情感分析方法
CN110191096A (zh) 一种基于语义分析的词向量网页入侵检测方法
CN116610778A (zh) 基于跨模态全局与局部注意力机制的双向图文匹配方法
Ma et al. Visualizing and understanding patch interactions in vision transformer
CN111651594B (zh) 基于键值记忆网络的案件案由分类方法及介质
CN115222998A (zh) 一种图像分类方法
Cardoza et al. Convolutional neural networks hyperparameter tunning for classifying firearms on images
CN116502091A (zh) 一种基于lstm和注意力机制的网络入侵检测方法
CN112182275A (zh) 一种基于多维度特征融合的商标近似检索***和方法
CN115994224A (zh) 基于预训练语言模型的钓鱼url检测方法及***
CN116432184A (zh) 基于语义分析和双向编码表征的恶意软件检测方法
CN113420289B (zh) 面向深度学习模型的隐蔽中毒攻击防御方法及其装置
Li et al. Sa-es: Subspace activation evolution strategy for black-box adversarial attacks
CN112613032B (zh) 基于***调用序列的主机入侵检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant