CN111027623A - 数据增强的智能终端安全等级分类方法及*** - Google Patents
数据增强的智能终端安全等级分类方法及*** Download PDFInfo
- Publication number
- CN111027623A CN111027623A CN201911258944.8A CN201911258944A CN111027623A CN 111027623 A CN111027623 A CN 111027623A CN 201911258944 A CN201911258944 A CN 201911258944A CN 111027623 A CN111027623 A CN 111027623A
- Authority
- CN
- China
- Prior art keywords
- intelligent terminal
- level
- security level
- data
- terminal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
- G06F21/577—Assessing vulnerabilities and evaluating computer system security
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/2113—Multi-level security, e.g. mandatory access control
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及通信安全技术领域,公开了一种数据增强的智能终端安全等级分类方法及***。所述方法包括:获取智能终端的测试数据集;对所述测试数据集注入对应的标签得到输出样本集;构造新的输入信道信息样本,进行平均数据增强得到输入样本集,进行平均样本构造后的标签矩阵得到新的输出样本集,从而得到新的数据集;将新的数据集作为训练集,对安全等级分类器进行训练;利用安全等级分类器对智能终端进行安全等级分类。本发明利用终端安全测评样本的相关性构造新的伪测评样本,引入随机权重的概念来增加样本构造的随机性,以增强样本集的鲁棒性。该方法可适用于多种基于AI的终端安全等级分类器数据的增强。
Description
技术领域
本发明涉及通信安全技术领域,具体而言,涉及一种数据增强的智能终端安全等级分类方法以及一种数据增强的智能终端安全等级分类***。
背景技术
随着网络的普及和4G/5G无线网络的发展,智能终端(以下简称终端)的应用深入我们日常的生活,广泛应用于工业、交通、医疗、城市等。相对于PC机,终端的体积受限,能量和计算能力受限,而终端又广泛分布于各种应用场景中,易于接近,更容易受到攻击。随着人们对智能终端的依赖程度加深,终端的安全问题日益凸显。尤其是终端功能越来越多,终端与互联网的结合越来越紧密,例如移动网购平台、手机银行、聊天软件等与我们财产隐私关系密切的第三方软件越来越多,使得使用者把财产信息、个人隐私、商业机密文件等存储在终端中。近来针对移动智能终端的各种攻击层出不穷,对终端的攻击成为攻击网络的一种切入点,终端的安全隐患成为网络安全的重要问题。因此,非常有必要对智能终端的安全进行测评。
在移动智能终端安全测评中,根据各移动智能终端的各安全单项测试的结果进行科学量化,根据一定的评测依据,进行终端安全等级的划分,可以实现不同应用场景、不同用户对移动智能终端不同安全需求的重要依据,实现终端不同应用的不同安全级别需求的安全使用。移动智能终端安全测评成为保证终端安全使用的最有效手段之一,在移动智能终端安全测评中根据各项的测试结果科学进行终端安全等级的定级,是不同团体、不同个人对移动智能终端安全需求的重要判据,准确的评价可以实现不同安全级别需求的安全使用。
目前,关于终端安全等级的量化划分以及终端各个安全单项测试的方法都有一定的成果,然后通过综合得到终端的安全性能的一些量化数据,采用先进的分类方法进行终端的安全分级,尤其是基于人工智能(AI)技术,通过学习算法,对终端的安全性能进行客观分类。但是基于人工智能(AI)技术的分类方法,需要大量的数据对模型进行训练,测试数据的时间长,存在数据不足导致的分类精度不够准确的问题。
发明内容
本发明的目的是提供一种智能终端安全等级分类的数据增强方法及***,以解决上述的基于人工智能技术的分类方法,测试数据的时间长,数据不足导致分类精度不够准确的问题。
为了实现上述目的,本发明第一方面提供一种数据增强的智能终端安全等级分类方法,所述方法包括:
S1)获取智能终端的测试数据集;
S2)对所述测试数据集注入对应的标签,得到输出样本集;
S3)根据所述输出样本集构造新的输入信道信息样本;
S4)将所述新的输入信道信息样本进行平均数据增强,得到输入样本集;
S5)将所述输入样本集进行平均样本构造后的标签矩阵,得到新的输出样本集;
S6)根据所述输入样本集和所述新的输出样本集得到新的数据集;
S7)将所述新的数据集作为训练集,对安全等级分类器进行训练;
S8)基于人工智能模型利用所述安全等级分类器对智能终端进行安全等级分类。
进一步地,步骤S1)获取智能终端的测试数据集,包括:
S12)将每次测试结果乘以单例的权重函数H(n)得到智能终端的总分Y,其中权重函数H(n)为一个均匀概率密度函数,表示为H=[h1,h2,…,hS]T,即同时,将智能终端安全等级y划分为W级,设定W-1个门限值为正数η1,η2,…,ηW-1,当满足0<Y≤η1,则定义终端安全级别为1级,当满足η1<Y≤η2,则定义安全等级为2级,依此类推,当满足ηW-2<Y≤ηW-1,则定义终端安全等级为K-1级,当满足Y>ηW-1,则定义安全等级为W级;
S13)通过对智能终端的计算总分Mi和安全等级y的测试,得到第k台智能终端的S次测试数据集Dk:
Dk:Dk={Xk,Yk},
其中T={(M1,y1),(M2,y2),…,(MN,yN)},yi∈{1,2,3,4},i=1,2,…,N。
进一步地,步骤S2)中所述输出样本集为:
其中yk∈{1,2,…,W}。
进一步地,步骤S3)中所述新的输入信道信息样本为:
其中α0是一个正整数,表示每次参数评价样本构建的样本数。
进一步地,步骤S4)中所述输入样本集为:
其中,Nk表示进行平均数据增强后的信道信息向量的个数;
步骤S5)中所述新的输出样本集为:
步骤S6)中所述新的数据集为:
进一步地,步骤S8)基于人工智能模型利用所述安全等级分类器对智能终端进行安全等级分类,包括:根据安全等级的级数W,采用W-1层支持向量机模型,计算智能终端安全等级。
进一步地,所述计算智能终端安全等级,包括以下步骤:
S81)初始化,令初始变量m=1;
S83)构造并求解约束最优化问题,公式如下:
S84)计算超平面的法向量值:
式中,w表示高维空间中分类超平面的法向量值;
式中,b表示高维空间中分类超平面的截距值;
S85)计算得到超平面:
通过分类决策函数:
识别安全级别为m级的终端:
当f(1)(Mi)=1时,终端安全级别为m级;
当f(1)(Mi)=-1时,终端安全级别为m+1~W级;
S86)判断m的值是否等于W-1:
若是,则完成所有安全等级分级;
若不是,则将m进行+1操作,并转至步骤S82)。
本发明第二方面提供一种数据增强的智能终端安全等级分类***,所述***包括:
测试模块,用于对智能终端进行测试,得到测试数据集;
数据增强模块,用于对所述测试数据集注入对应的标签,得到输出样本集;根据所述输出样本集构造新的输入信道信息样本;将所述新的输入信道信息样本进行平均数据增强,得到输入样本集;将所述输入样本集进行平均样本构造后的标签矩阵,得到新的输出样本集;根据所述输入样本集和所述新的输出样本集得到新的数据集;
模型训练模块,用于将所述新的数据集作为训练集,对安全等级分类器进行训练;
分类模块,用于基于人工智能模型利用所述安全等级分类器对智能终端进行安全等级分类。
进一步地,所述对智能终端进行测试,得到测试数据集,包括:
对所述智能终端进行多次测试,得到测试结果,所述测试结果由至少一个测试单项的得分组成;
将所述测试结果乘以单例的权重函数得到所述智能终端的计算总分,并定义所述智能终端的安全等级;
根据所述智能终端的计算总分和安全等级得到所述智能终端的测试数据集。
进一步地,所述基于人工智能模型利用所述安全等级分类器对智能终端进行安全等级分类,包括:根据安全等级的级数W,采用W-1层支持向量机模型,计算智能终端安全等级。
本发明上述技术方案通过获取智能终端的测试数据集,利用终端安全测评样本的相关性构造新的伪测评样本,引入随机权重的概念来增加样本构造的随机性,以增强样本集的鲁棒性。本发明技术方案的数据集合增强方法可适用于多种基于AI的终端安全等级分类器数据的增强。本发明提供的安全等级分类的数据集合增强方法,可适用于多种智能终端设备,可移植性强。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是本发明一种实施方式提供的数据增强的智能终端安全等级分类方法的流程图;
图2是本发明一种实施方式提供的数据增强的智能终端安全等级分类***的框图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
图1是本发明一种实施方式提供的数据增强的智能终端安全等级分类方法的流程图。如图1所示,本发明实施方式提供的一种数据增强的智能终端安全等级分类方法,包括以下步骤:
S1)获取智能终端的测试数据集。
该步骤包括以下子步骤:
S11)对第k台智能终端测试S次,得到测试结果每次测试结果均由n个测试单例的得分组成,即由向量表示,其中mj为第j个测试单例的得分,得分越高表示安全性能越好。例如,所述测试单例包括短信功能、通话功能、第三方软件、内核漏洞、审计功能、存储和删除文件警告。
S12)将每次测试结果乘以单例的权重函数H(n)得到智能终端的总分Y,其中权重函数H(n)为一个均匀概率密度函数,表示为H=[h1,h2,…,hS]T,即同时,将智能终端安全等级y划分为W级,设定W-1个门限值为正数η1,η2,…,ηW-1,当满足0<Y≤η1,则定义终端安全级别为1级,当满足η1<Y≤η2,则定义安全等级为2级,依此类推,当满足ηW-2<Y≤ηW-1,则定义终端安全等级为K-1级,当满足Y>ηW-1,则定义安全等级为W级,安全等级越高表示终端越安全。
S13)通过对智能终端的计算总分Mi和安全等级y的测试,得到第k台智能终端的S次测试数据集Dk:
Dk:Dk={Xk,Yk},
其中T={(M1,y1),(M2,y2),…,(MN,yN)},yi∈{1,2,3,4},i=1,2,…,N。
S2)对所述测试数据集注入对应的标签,得到输出样本集。
所述输出样本集为:
其中yk∈{1,2,…,W}。
S3)根据所述输出样本集构造新的输入信道信息样本。
所述新的输入信道信息样本为:
其中α0是一个正整数,表示每次参数评价样本构建的样本数。
S4)将所述新的输入信道信息样本进行平均数据增强,得到输入样本集。
所述输入样本集为:
其中,Nk表示进行平均数据增强后的信道信息向量的个数。
S5)将所述输入样本集进行平均样本构造后的标签矩阵,得到新的输出样本集。
所述新的输出样本集为:
S6)根据所述输入样本集和所述新的输出样本集得到新的数据集。
S7)将所述新的数据集作为训练集,对安全等级分类器进行训练。
S8)基于人工智能模型利用所述安全等级分类器对智能终端进行安全等级分类。
根据安全等级的级数W,采用W-1层支持向量机模型,计算智能终端安全等级,包括以下子步骤:
S81)初始化,令初始变量m=1。
S83)构造并求解约束最优化问题,公式如下:
S84)计算超平面的法向量值:
式中,w表示高维空间中分类超平面的法向量值;
式中,b表示高维空间中分类超平面的截距值。
S85)计算得到超平面:
通过分类决策函数:
识别安全级别为m级的终端:
当f(1)(Mi)=1时,终端安全级别为m级;
当f(1)(Mi)=-1时,终端安全级别为m+1~W级。
S86)判断m的值是否等于W-1:
若是,则完成所有安全等级分级;
若不是,则将m进行+1操作,并转至步骤S82)。
例如,安全等级的级数为4级,在步骤S12)中需设定3个门限值η1,η2,η3,在步骤S8)中采用3层支持向量机模型。
图2是本发明一种实施方式提供的数据增强的智能终端安全等级分类***的框图。如图2所示,本发明实施方式提供的一种数据增强的智能终端安全等级分类***,包括测试模块、数据增强模块、模型训练模块和分类模块。
所述测试模块用于对智能终端进行测试,得到测试数据集。具体地,包括:对所述智能终端进行多次测试,得到测试结果,所述测试结果由至少一个测试单项的得分组成;将所述测试结果乘以单例的权重函数得到所述智能终端的计算总分,并定义所述智能终端的安全等级;根据所述智能终端的计算总分和安全等级得到所述智能终端的测试数据集。
所述数据增强模块用于对所述测试数据集注入对应的标签,得到输出样本集;根据所述输出样本集构造新的输入信道信息样本;将所述新的输入信道信息样本进行平均数据增强,得到输入样本集;将所述输入样本集进行平均样本构造后的标签矩阵,得到新的输出样本集;根据所述输入样本集和所述新的输出样本集得到新的数据集。
所述模型训练模块用于将所述新的数据集作为训练集,对安全等级分类器进行训练。
所述分类模块用于基于人工智能模型利用所述安全等级分类器对智能终端进行安全等级分类。例如:根据安全等级的级数W,采用W-1层支持向量机模型,计算智能终端安全等级。
本发明实施方式还提供一种机器可读存储介质,该机器可读存储介质上存储有计算机程序指令,该计算机程序指令被处理器执行时实现上述的数据增强的智能终端安全等级分类方法。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,其同样应当视为本发明实施方式所公开的内容。
Claims (10)
1.一种数据增强的智能终端安全等级分类方法,其特征在于,所述方法包括:
S1)获取智能终端的测试数据集;
S2)对所述测试数据集注入对应的标签,得到输出样本集;
S3)根据所述输出样本集构造新的输入信道信息样本;
S4)将所述新的输入信道信息样本进行平均数据增强,得到输入样本集;
S5)将所述输入样本集进行平均样本构造后的标签矩阵,得到新的输出样本集;
S6)根据所述输入样本集和所述新的输出样本集得到新的数据集;
S7)将所述新的数据集作为训练集,对安全等级分类器进行训练;
S8)基于人工智能模型利用所述安全等级分类器对智能终端进行安全等级分类。
2.根据权利要求1所述的数据增强的智能终端安全等级分类方法,其特征在于,步骤S1)获取智能终端的测试数据集,包括:
S12)将每次测试结果乘以单例的权重函数H(n)得到智能终端的总分Y,其中权重函数H(n)为一个均匀概率密度函数,表示为H=[h1,h2,…,hS]T,即同时,将智能终端安全等级y划分为W级,设定W-1个门限值为正数η1,η2,…,ηW-1,当满足0<Y≤η1,则定义终端安全级别为1级,当满足η1<Y≤η2,则定义安全等级为2级,依此类推,当满足ηW-2<Y≤ηW-1,则定义终端安全等级为K-1级,当满足Y>ηW-1,则定义安全等级为W级;
S13)通过对智能终端的计算总分Mi和安全等级y的测试,得到第k台智能终端的S次测试数据集Dk:
Dk:Dk={Xk,Yk},
其中T={(M1,y1),(M2,y2),…,(MN,yN)},yi∈{1,2,3,4},i=1,2,…,N。
6.根据权利要求5所述的数据增强的智能终端安全等级分类方法,其特征在于,步骤S8)基于人工智能模型利用所述安全等级分类器对智能终端进行安全等级分类,包括:
根据安全等级的级数W,采用W-1层支持向量机模型,计算智能终端安全等级。
7.根据权利要求6所述的数据增强的智能终端安全等级分类方法,其特征在于,所述计算智能终端安全等级,包括以下步骤:
S81)初始化,令初始变量m=1;
S83)构造并求解约束最优化问题,公式如下:
S84)计算超平面的法向量值:
式中,w表示高维空间中分类超平面的法向量值;
式中,b表示高维空间中分类超平面的截距值;
S85)计算得到超平面:
通过分类决策函数:
识别安全级别为m级的终端:
当f(1)(Mi)=1时,终端安全级别为m级;
当f(1)(Mi)=-1时,终端安全级别为m+1~W级;
S86)判断m的值是否等于W-1:
若是,则完成所有安全等级分级;
若不是,则将m进行+1操作,并转至步骤S82)。
8.一种数据增强的智能终端安全等级分类***,其特征在于,所述***包括:
测试模块,用于对智能终端进行测试,得到测试数据集;
数据增强模块,用于对所述测试数据集注入对应的标签,得到输出样本集;根据所述输出样本集构造新的输入信道信息样本;将所述新的输入信道信息样本进行平均数据增强,得到输入样本集;将所述输入样本集进行平均样本构造后的标签矩阵,得到新的输出样本集;根据所述输入样本集和所述新的输出样本集得到新的数据集;
模型训练模块,用于将所述新的数据集作为训练集,对安全等级分类器进行训练;
分类模块,用于基于人工智能模型利用所述安全等级分类器对智能终端进行安全等级分类。
9.根据权利要求8所述的数据增强的智能终端安全等级分类***,其特征在于,所述对智能终端进行测试,得到测试数据集,包括:
对所述智能终端进行多次测试,得到测试结果,所述测试结果由至少一个测试单项的得分组成;
将所述测试结果乘以单例的权重函数得到所述智能终端的计算总分,并定义所述智能终端的安全等级;
根据所述智能终端的计算总分和安全等级得到所述智能终端的测试数据集。
10.根据权利要求8所述的数据增强的智能终端安全等级分类***,其特征在于,所述基于人工智能模型利用所述安全等级分类器对智能终端进行安全等级分类,包括:
根据安全等级的级数W,采用W-1层支持向量机模型,计算智能终端安全等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911258944.8A CN111027623A (zh) | 2019-12-10 | 2019-12-10 | 数据增强的智能终端安全等级分类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911258944.8A CN111027623A (zh) | 2019-12-10 | 2019-12-10 | 数据增强的智能终端安全等级分类方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027623A true CN111027623A (zh) | 2020-04-17 |
Family
ID=70209004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911258944.8A Pending CN111027623A (zh) | 2019-12-10 | 2019-12-10 | 数据增强的智能终端安全等级分类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027623A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650828A (zh) * | 2017-01-03 | 2017-05-10 | 电子科技大学 | 基于支持向量机的智能终端安全等级分类方法 |
CN109033288A (zh) * | 2018-07-13 | 2018-12-18 | 电子科技大学 | 一种基于bp神经网络的智能终端安全等级分类方法 |
WO2019010950A1 (zh) * | 2017-07-13 | 2019-01-17 | 北京大学深圳研究生院 | 用于图像或视频中行人重识别的深度判别网络模型方法 |
CN109274484A (zh) * | 2017-07-17 | 2019-01-25 | 科大国盾量子技术股份有限公司 | 一种对数据进行保密增强的方法及量子密钥分发终端 |
CN109313687A (zh) * | 2016-01-24 | 2019-02-05 | 赛义德·卡姆兰·哈桑 | 基于人工智能的计算机安全 |
CN109344848A (zh) * | 2018-07-13 | 2019-02-15 | 电子科技大学 | 基于Adaboost的移动智能终端安全等级分类方法 |
CN110069969A (zh) * | 2018-07-03 | 2019-07-30 | 电子科技大学 | 一种基于伪随机整合的认证指纹识别方法 |
-
2019
- 2019-12-10 CN CN201911258944.8A patent/CN111027623A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109313687A (zh) * | 2016-01-24 | 2019-02-05 | 赛义德·卡姆兰·哈桑 | 基于人工智能的计算机安全 |
CN106650828A (zh) * | 2017-01-03 | 2017-05-10 | 电子科技大学 | 基于支持向量机的智能终端安全等级分类方法 |
WO2019010950A1 (zh) * | 2017-07-13 | 2019-01-17 | 北京大学深圳研究生院 | 用于图像或视频中行人重识别的深度判别网络模型方法 |
CN109274484A (zh) * | 2017-07-17 | 2019-01-25 | 科大国盾量子技术股份有限公司 | 一种对数据进行保密增强的方法及量子密钥分发终端 |
CN110069969A (zh) * | 2018-07-03 | 2019-07-30 | 电子科技大学 | 一种基于伪随机整合的认证指纹识别方法 |
CN109033288A (zh) * | 2018-07-13 | 2018-12-18 | 电子科技大学 | 一种基于bp神经网络的智能终端安全等级分类方法 |
CN109344848A (zh) * | 2018-07-13 | 2019-02-15 | 电子科技大学 | 基于Adaboost的移动智能终端安全等级分类方法 |
Non-Patent Citations (2)
Title |
---|
BAIFENG NING 等: "A Physical Layer Authentication Method Based on Exponential Average Data Enhancement", 《2019 INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING, AUTOMATION AND SYSTEMS》 * |
RUN-FA LIAO 等: "Security enhancement for mobile edge computing through physical layer authentication", 《IEEE ACCESS》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Homayoun et al. | DRTHIS: Deep ransomware threat hunting and intelligence system at the fog layer | |
Ganju et al. | Property inference attacks on fully connected neural networks using permutation invariant representations | |
US7756535B1 (en) | Lightweight content filtering system for mobile phones | |
CN103336766B (zh) | 短文本垃圾识别以及建模方法和装置 | |
US7689531B1 (en) | Automatic charset detection using support vector machines with charset grouping | |
US7711673B1 (en) | Automatic charset detection using SIM algorithm with charset grouping | |
US9043247B1 (en) | Systems and methods for classifying documents for data loss prevention | |
Ahmed et al. | Discovering diverse, high quality design ideas from a large corpus | |
US20110213736A1 (en) | Method and arrangement for automatic charset detection | |
CN110929525A (zh) | 一种网贷风险行为分析检测方法、装置、设备和存储介质 | |
Bakhshinejad et al. | Parallel‐CNN network for malware detection | |
CN114547315A (zh) | 一种案件分类预测方法、装置、计算机设备及存储介质 | |
CN103488707B (zh) | 一种基于贪心策略和启发式算法搜索候选类别的方法 | |
AlGarni et al. | An efficient convolutional neural network with transfer learning for malware classification | |
Li et al. | Feature selection‐based android malware adversarial sample generation and detection method | |
Thao et al. | Self-enhancing gps-based authentication using corresponding address | |
CN112215629B (zh) | 基于构造对抗样本的多目标广告生成***及其方法 | |
Naiem et al. | Enhancing the efficiency of gaussian naïve bayes machine learning classifier in the detection of ddos in cloud computing | |
CN111783088B (zh) | 一种恶意代码家族聚类方法、装置和计算机设备 | |
Pei et al. | Combining multi-features with a neural joint model for Android malware detection | |
CN111027065B (zh) | 一种勒索病毒识别方法、装置、电子设备及存储介质 | |
Linh et al. | Real-time phishing detection using deep learning methods by extensions | |
Wu et al. | DAPter: Preventing user data abuse in deep learning inference services | |
CN111027623A (zh) | 数据增强的智能终端安全等级分类方法及*** | |
CN114065767B (zh) | 一种威胁情报的分类及演化关系分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200417 |