CN116614422A - 一种北斗授时协议安全分析方法 - Google Patents

一种北斗授时协议安全分析方法 Download PDF

Info

Publication number
CN116614422A
CN116614422A CN202310868110.9A CN202310868110A CN116614422A CN 116614422 A CN116614422 A CN 116614422A CN 202310868110 A CN202310868110 A CN 202310868110A CN 116614422 A CN116614422 A CN 116614422A
Authority
CN
China
Prior art keywords
time service
test
service protocol
semantic feature
beidou time
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
CN202310868110.9A
Other languages
English (en)
Other versions
CN116614422B (zh
Inventor
朱征
王孜
杜立晨
蔡昊
周伟
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.)
Zhongneng Guoyan Beijing Information And Communication Technology Co ltd
Original Assignee
Zhongneng Guoyan Beijing Information And Communication Technology Co ltd
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 Zhongneng Guoyan Beijing Information And Communication Technology Co ltd filed Critical Zhongneng Guoyan Beijing Information And Communication Technology Co ltd
Priority to CN202310868110.9A priority Critical patent/CN116614422B/zh
Publication of CN116614422A publication Critical patent/CN116614422A/zh
Application granted granted Critical
Publication of CN116614422B publication Critical patent/CN116614422B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/18—Protocol analysers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Communication Control (AREA)

Abstract

本发明涉及协议安全分析的技术领域，公开了一种北斗授时协议安全分析方法，所述方法包括：利用北斗授时协议语义挖掘模型得到北斗授时协议的语义特征规范；将北斗授时协议测试数据集合随机拆分为多个测试子集合；对测试子集合中的语义特征规范进行安全性测试，对存在安全性隐患的语义特征规范按照支持度指导语义特征规范生成测试数据，利用所生成测试数据对语义特征规范安全性测试模型进行优化训练。本发明通过提取北斗授时协议的语义特征规范，利用存在安全性隐患的语义特征规范指导生成若干测试数据，避免所生成测试数据的随机性，并在模型优化训练过程中引入变异操作扩大了待优化参数的更新搜索范围，避免待优化参数陷入局部最优解。

Description

一种北斗授时协议安全分析方法
技术领域
本发明涉及协议安全分析的技术领域，尤其涉及一种北斗授时协议安全分析方法。
背景技术
北斗授时协议是面向国内设备统一授时的无线通信协议，随着该协议的广泛使用,其安全问题也引起了广泛的关注。由于北斗设备内部授时协议的数据单元规范不公开，严重限制了安全性分析的途径。现有基于模糊测试的协议测试样本生成策略基于变异，依赖于对指定北斗设备开发文档的人工分析，通过对特殊字段进行随机变异的方法生成测试样本并以此进行协议安全性分析。然而，对于使用北斗授时协议的绝大多数设备，其数据单元未公开，测试人员无法获取协议规范进行分析，这种测试样本生成方法存在着局限性，缺乏对协议关联字段的针对性。在测试时，随机变异策略生成的测试样本不能代表协议格式，产生过多无效包，从而使得被测设备接收率低，难以实施有效的安全性分析。针对上述问题，需要一种面向北斗授时协议的安全分析方法，提高北斗授时协议的安全分析效率和可靠性。
发明内容
有鉴于此，本发明提供一种北斗授时协议安全分析方法，目的在于：1）利用多次迭代卷积计算将北斗授时协议转换为特征表示结果，并基于北斗授时协议所表示的若干协议内容部分对特征表示结果进行划分，结合不同划分结果之间的语义关联，对每部分特征表示进行赋权处理，实现协议关联字段的针对性特征规范提取，得到北斗授时协议的语义特征规范，将构造的数据测试集合随机拆分为多个测试子集合，并计算每个测试子集合的多样化度，其中多样化度越高，则表示测试子集合的多样性越大，具有存在隐患的语义特征规范的概率越大，因此优先进行安全性测试，进而记录存在安全性隐患的语义特征规范，利用存在安全性隐患的语义特征规范指导生成若干测试数据，避免所生成测试数据的随机性，利用所生成存在安全性隐患的测试数据对语义特征规范安全性测试模型进行优化训练，提高语义特征规范安全性测试模型的训练效果；2）基于训练目标函数的梯度确定迭代步长，并对待优化参数进行迭代更新，在迭代更新的过程中，在待优化参数迭代结果的基础上，通过变异操作生成新的优化参数，若变异结果优于迭代结果则进行替换，扩大了待优化参数的更新搜索范围，避免待优化参数陷入局部最优解，进而提高语义特征规范安全性测试模型的测试准确性。
实现上述目的，本发明提供的一种北斗授时协议安全分析方法，包括以下步骤：
S1：获取北斗授时协议数据流，构建北斗授时协议语义挖掘模型，所述北斗授时协议语义挖掘模型以北斗授时协议数据流为输入，以语义特征规范为输出，利用北斗授时协议语义挖掘模型得到北斗授时协议的语义特征规范；
S2：将北斗授时协议的语义特征规范作为测试数据，构造北斗授时协议测试数据集合，将构造的数据测试集合随机拆分为多个测试子集合，并计算每个测试子集合的多样化度；
S3：构建语义特征规范安全性测试模型，按照测试子集合多样化度由大到小的次序对测试子集合中的语义特征规范进行安全性测试，记录存在安全性隐患的语义特征规范；
S4：对记录得到的语义特征规范进行测试数据支持度统计，并按照支持度计算样本生成比例指导语义特征规范生成指定数量的测试数据，利用所生成存在安全性隐患的测试数据对语义特征规范安全性测试模型进行优化训练。
作为本发明的进一步改进方法：
可选地，所述S1步骤中获取北斗授时协议数据流，包括：
获取北斗授时协议数据流，其中北斗授时协议数据流为北斗卫星向授时用户机所发送电文信息数据流中的北斗授时协议规范数据流，电文信息数据流包括标准北斗时间、卫星位置信息、调制后的时标信息、延迟信息以及北斗授时协议，北斗授时协议中包括闰秒提示、版本号、北斗授时工作模式、轮询时间、时钟精度、***时钟的层数、参考时钟源的标识、***时钟相较于参考时钟的最大误差、电子信息数据流离开发送端的时间以及验证编码信息；
所获取北斗授时协议数据流的表示形式为：
；
其中：
表示所获取第n组电文信息数据中的北斗授时协议，N表示所获取电文信息数据的总数。
可选地，所述S1步骤中利用北斗授时协议语义挖掘模型得到北斗授时协议的语义特征规范，包括：
构建北斗授时协议语义挖掘模型，所述北斗授时协议语义挖掘模型以北斗授时协议数据流为输入，以语义特征规范为输出；北斗授时协议语义挖掘模型包括输入层、卷积计算层、注意力层以及输出层，输入层用于接收北斗授时协议，卷积计算层用于计算得到北斗授时协议的特征表示结果，注意力层用于得到特征表示结果的权重，输出层用于输出北斗授时协议的语义特征规范；
利用北斗授时协议语义挖掘模型得到北斗授时协议的语义特征规范，其中北斗授时协议的语义特征规范提取流程为：
S11：输入层接收北斗授时协议；
S12：设定当前迭代卷积计算次数为d，d的初始值为1，最大迭代卷积计算次数为D，则北斗授时协议在第d次卷积计算的特征表示结果为/>；
S13：卷积计算层计算得到第d次卷积计算的特征表示结果：
；
；
；
；
其中：
表示卷积计算层中四层卷积层的权重参数，/>表示卷积计算层中四层卷积层的偏置参数，/>表示第d-1次卷积计算得到的特征表示结果中需要记录的信息，/>表示第d-1次卷积计算得到的特征表示结果中需要过滤删除的信息，表示需要向第d次卷积计算过程传递的信息，包括/>以及/>，表示对第d-1次卷积计算得到的特征表示结果/>进行卷积计算，/>表示在迭代过程中传递信息，使得需要记录的有效信息得以保留，并过滤删除无效信息；
表示激活函数，/>；在本发明实施例中，/>表示ReLU激活函数，/>表示Softmax激活函数；
S14：若，则将/>划分为10部分特征表示结果，其中每部分对应北斗授时协议中协议内容，其中10部分在北斗授时协议中的对应协议内容依次为闰秒提示、版本号、北斗授时工作模式、轮询时间、时钟精度、***时钟的层数、参考时钟源的标识、***时钟相较于参考时钟的最大误差、电子信息数据流离开发送端的时间以及验证编码信息；
注意力层对进行注意力权重计算，其中注意力权重计算公式为：
；
；
其中：
T表示转置；
表示北斗授时协议/>中第/>部分协议内容在北斗授时协议数据流中出现的次数；
表示北斗授时协议/>中第/>部分协议内容的权重；
表示以自然常数为底的指数函数；
表示北斗授时协议/>中第/>部分协议内容的注意力权重；
表示/>中10部分特征表示结果的注意力权重矩阵；
若，则令/>，返回步骤S13；
S15：输出层输出北斗授时协议的语义特征规范：
；
其中：
表示/>中第/>部分的特征表示结果，即北斗授时协议/>中第/>部分协议内容的特征表示结果。
可选地，所述S2步骤中构造北斗授时协议测试数据集合，将构造的数据测试集合随机拆分为多个测试子集合，包括：
将北斗授时协议的语义特征规范作为测试数据，构造北斗授时协议测试数据集合Data：
；
其中：
表示北斗授时协议/>的语义特征规范；
将构造的数据测试集合随机拆分为K个测试子集合，其中所拆分得到的每个测试子集合中的测试数据数目为，则第k个测试子集合/>为：
；
其中：
表示第k个测试子集合/>中的第j个测试数据。
可选地，所述S2步骤中计算每个测试子集合的多样化度，包括：
计算所拆分每个测试子集合的多样化度，其中第k个测试子集合的多样化度计算公式为：
；
；
其中：
表示第k个测试子集合/>的多样化度；
表示语义特征规范/>在北斗授时协议测试数据集合/>中出现的次数，则/>表示语义特征规范/>在北斗授时协议测试数据集合中的频率。
可选地，所述S3步骤中按照测试子集合多样化度由大到小的次序，利用语义特征规范安全性测试模型依次对测试子集合中的语义特征规范进行安全性测试，包括：
按照测试子集合多样化度由大到小的次序，利用语义特征规范安全性测试模型依次对测试子集合中的语义特征规范进行安全性测试，并记录存在安全性隐患的语义特征规范；
所述语义特征规范安全性测试模型包括输入层、特征计算层以及输出层，输入层用于接收语义特征规范；特征计算层包括3个卷积层以及3个池化层，每个卷积层后跟池化层，每个池化层接收前一个卷积层的输出，并将池化结果作为下一个卷积层的输入，其中第一个卷积层的输入为语义特征规范；输出层包括两个连续的全连接层，其中第一个全连接层选取ReLU激活函数，最后一个全连接层选取softmax激活函数，输出安全性测试结果，其中0表示语义特征规范所对应的北斗授时协议不存在安全性隐患，1表示语义特征规范所对应的北斗授时协议存在安全性隐患。在本发明实施例中，本发明仅对多样化度高于预设置阈值的测试子集合进行安全性测试。
可选地，所述S4步骤中对存在安全隐患的语义特征规范进行测试数据支持度统计，并按照支持度计算样本生成比例指导语义特征规范生成指定数量的测试数据，包括：
对存在安全隐患的语义特征规范进行测试数据支持度统计，其中测试数据支持度统计公式为：
；
其中：
表示第b个存在安全隐患的语义特征规范，/>表示/>的支持度，/>表示存在安全隐患的语义特征规范总数，/>表示L1范数；
按照支持度计算样本生成比例指导语义特征规范生成指定数量的测试数据，所生成测试数据与基准语义特征规范的余弦相似度高于预设置的相似度阈值，基准语义特征规范即存在安全隐患的语义特征规范，并指导基准语义特征规范生成指定数量的测试数据，则基于语义特征规范所生成的测试数据数目为：/>，其中：
；
其中：
C表示所设置生成测试数据的总数；
表示语义特征规范安全性测试模型训练数据集中存在安全隐患的测试数据总数；
语义特征规范安全性测试模型训练数据集中的测试数据总数。
可选地，所述S4步骤中利用所生成存在安全性隐患的测试数据对语义特征规范安全性测试模型进行优化训练，包括：
将所生成存在安全性隐患的测试数据加入到语义特征规范安全性测试模型的训练数据集，得到更新后的训练数据集data：
；
其中：
表示训练数据集data中的第c组测试数据；
，表示测试数据/>的安全性测试结果，其中由存在安全隐患的语义特征规范指导生成的测试数据的安全性测试结果为1；
构建语义特征规范安全性测试模型的训练目标函数：
；
其中：
表示待训练优化参数，即语义特征规范安全性测试模型中特征计算层的参数；
表示将测试数据/>输入到基于/>的语义特征规范安全性测试模型中，模型输出的安全性测试结果；
基于训练目标函数的模型参数优化训练流程为：
S41：设置待优化参数的当前迭代次数为u，期望最大迭代次数为U，u的初始值为0，并初始化，/>表示当前初始待优化参数，/>表示当前语义特征规范安全性测试模型的待优化参数，/>表示第u次迭代后的待优化参数；
S42：若，则输出/>作为优化训练得到的参数，并基于/>构建语义特征规范安全性测试模型，否则转向步骤S43，其中/>为预设置的梯度阈值；
S43：计算得到迭代步长：
；
；
其中：
表示步长参数；
表示单位矩阵；
基于步长参数更新待优化参数：
；
S44：生成0-1之间的随机数rand，若所生成随机数满足下式，则对进行变异处理，其中所生成随机数的待满足不等式为：
；
其中：
为所设置的最大变异率，/>为所设置的最小变异率；
其中变异处理公式为：
；
其中：
分别表示任意第/>次迭代得到的待优化参数以及任意第/>次迭代得到的待优化参数，/>；在本发明实施例中，本发明在待优化参数迭代结果的基础上，通过变异操作生成新的优化参数，若变异结果优于迭代结果则进行替换，扩大了待优化参数的更新搜索范围，避免待优化参数陷入局部最优解；
为/>的变异结果；
若，则将/>替换为变异结果/>，令u=u+1，返回步骤S42；
若所生成随机数不满足所述不等式，则令u=u+1，返回步骤S42。
为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；及处理器，执行所述存储器中存储的指令以实现上述所述的北斗授时协议安全分析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的北斗授时协议安全分析方法。
相对于现有技术，本发明提出一种北斗授时协议安全分析方法，该技术具有以下优势：
首先，本方案提出一种语义特征规范提取方法，利用北斗授时协议语义挖掘模型得到北斗授时协议的语义特征规范，其中北斗授时协议的语义特征规范提取流程为：输入层接收北斗授时协议/>；设定当前迭代卷积计算次数为d，d的初始值为1，最大迭代卷积计算次数为D，则北斗授时协议/>在第d次卷积计算的特征表示结果为/>；卷积计算层计算得到第d次卷积计算的特征表示结果：
；
；
；
；
其中：表示卷积计算层中四层卷积层的权重参数，/>表示卷积计算层中四层卷积层的偏置参数；/>表示激活函数，/>；若/>，则将/>划分为10部分特征表示结果，其中每部分对应北斗授时协议中协议内容，其中10部分在北斗授时协议中的对应协议内容依次为闰秒提示、版本号、北斗授时工作模式、轮询时间、时钟精度、***时钟的层数、参考时钟源的标识、***时钟相较于参考时钟的最大误差、电子信息数据流离开发送端的时间以及验证编码信息；注意力层对/>进行注意力权重计算，其中注意力权重计算公式为：
；
；
其中：T表示转置；表示北斗授时协议/>中第/>部分协议内容在北斗授时协议数据流中出现的次数；/>表示北斗授时协议/>中第/>部分协议内容的权重；
表示以自然常数为底的指数函数；/>表示北斗授时协议/>中第/>部分协议内容的注意力权重；/>表示/>中10部分特征表示结果的注意力权重矩阵；若/>，则令/>；输出层输出北斗授时协议/>的语义特征规范：
；
其中：表示/>中第/>部分的特征表示结果，即北斗授时协议/>中第/>部分协议内容的特征表示结果。本方案利用多次迭代卷积计算将北斗授时协议转换为特征表示结果，并基于北斗授时协议所表示的若干协议内容部分对特征表示结果进行划分，结合不同划分结果之间的语义关联，对每部分特征表示进行赋权处理，实现协议关联字段的针对性特征规范提取，得到北斗授时协议的语义特征规范，将构造的数据测试集合随机拆分为多个测试子集合，并计算每个测试子集合的多样化度，其中多样化度越高，则表示测试子集合的多样性越大，具有存在隐患的语义特征规范的概率越大，因此优先进行安全性测试，进而记录存在安全性隐患的语义特征规范，利用存在安全性隐患的语义特征规范指导生成若干测试数据，避免所生成测试数据的随机性，利用所生成存在安全性隐患的测试数据对语义特征规范安全性测试模型进行优化训练，提高语义特征规范安全性测试模型的训练效果。
同时，本方案提出一种结合参数变异的模型参数迭代优化方法，基于训练目标函数的模型参数优化训练流程为：设置待优化参数的当前迭代次数为u，期望最大迭代次数为U，u的初始值为0，并初始化，/>表示当前初始待优化参数，/>表示当前语义特征规范安全性测试模型的待优化参数，/>表示第u次迭代后的待优化参数；若，则输出/>作为优化训练得到的参数，并基于/>构建语义特征规范安全性测试模型，否则转向步骤S43，其中/>为预设置的梯度阈值；计算得到迭代步长/>：
；
；
其中：表示步长参数；/>表示单位矩阵；基于步长参数更新待优化参数：
；
生成0-1之间的随机数rand，若所生成随机数满足下式，则对进行变异处理，其中所生成随机数的待满足不等式为：
；
其中：为所设置的最大变异率，/>为所设置的最小变异率；其中变异处理公式为：
；
其中：分别表示任意第/>次迭代得到的待优化参数以及任意第/>次迭代得到的待优化参数，/>；/>为/>的变异结果；若，则将/>替换为变异结果/>，令u=u+1，返回迭代步骤；若所生成随机数不满足所述不等式，则令u=u+1，返回迭代步骤。本方案基于训练目标函数的梯度确定迭代步长，并对待优化参数进行迭代更新，在迭代更新的过程中，在待优化参数迭代结果的基础上，通过变异操作生成新的优化参数，若变异结果优于迭代结果则进行替换，扩大了待优化参数的更新搜索范围，避免待优化参数陷入局部最优解，进而提高语义特征规范安全性测试模型的测试准确性。
附图说明
图1为本发明一实施例提供的一种北斗授时协议安全分析方法的流程示意图；
图2为本发明一实施例提供的实现北斗授时协议安全分析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种北斗授时协议安全分析方法。所述北斗授时协议安全分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述北斗授时协议安全分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1
S1：获取北斗授时协议数据流，构建北斗授时协议语义挖掘模型，所述北斗授时协议语义挖掘模型以北斗授时协议数据流为输入，以语义特征规范为输出，利用北斗授时协议语义挖掘模型得到北斗授时协议的语义特征规范。
所述S1步骤中获取北斗授时协议数据流，包括：
获取北斗授时协议数据流，其中北斗授时协议数据流为北斗卫星向授时用户机所发送电文信息数据流中的北斗授时协议规范数据流，电文信息数据流包括标准北斗时间、卫星位置信息、调制后的时标信息、延迟信息以及北斗授时协议，北斗授时协议中包括闰秒提示、版本号、北斗授时工作模式、轮询时间、时钟精度、***时钟的层数、参考时钟源的标识、***时钟相较于参考时钟的最大误差、电子信息数据流离开发送端的时间以及验证编码信息；
所获取北斗授时协议数据流的表示形式为：
；
其中：
表示所获取第n组电文信息数据中的北斗授时协议，N表示所获取电文信息数据的总数。
所述S1步骤中利用北斗授时协议语义挖掘模型得到北斗授时协议的语义特征规范，包括：
构建北斗授时协议语义挖掘模型，所述北斗授时协议语义挖掘模型以北斗授时协议数据流为输入，以语义特征规范为输出；北斗授时协议语义挖掘模型包括输入层、卷积计算层、注意力层以及输出层，输入层用于接收北斗授时协议，卷积计算层用于计算得到北斗授时协议的特征表示结果，注意力层用于得到特征表示结果的权重，输出层用于输出北斗授时协议的语义特征规范；
利用北斗授时协议语义挖掘模型得到北斗授时协议的语义特征规范，其中北斗授时协议的语义特征规范提取流程为：
S11：输入层接收北斗授时协议；
S12：设定当前迭代卷积计算次数为d，d的初始值为1，最大迭代卷积计算次数为D，则北斗授时协议在第d次卷积计算的特征表示结果为/>；
S13：卷积计算层计算得到第d次卷积计算的特征表示结果：
；
；
；
；
其中：
表示卷积计算层中四层卷积层的权重参数，/>表示卷积计算层中四层卷积层的偏置参数；
表示激活函数，/>；在本发明实施例中，/>表示ReLU激活函数，/>表示Softmax激活函数；
S14：若，则将/>划分为10部分特征表示结果，其中每部分对应北斗授时协议中协议内容，其中10部分在北斗授时协议中的对应协议内容依次为闰秒提示、版本号、北斗授时工作模式、轮询时间、时钟精度、***时钟的层数、参考时钟源的标识、***时钟相较于参考时钟的最大误差、电子信息数据流离开发送端的时间以及验证编码信息；
注意力层对进行注意力权重计算，其中注意力权重计算公式为：
；
；
其中：
T表示转置；
表示北斗授时协议/>中第/>部分协议内容在北斗授时协议数据流中出现的次数；
表示北斗授时协议/>中第/>部分协议内容的权重；
表示以自然常数为底的指数函数；
表示北斗授时协议/>中第/>部分协议内容的注意力权重；
表示/>中10部分特征表示结果的注意力权重矩阵；
若，则令/>，返回步骤S13；
S15：输出层输出北斗授时协议的语义特征规范：
；
其中：
表示/>中第/>部分的特征表示结果，即北斗授时协议/>中第/>部分协议内容的特征表示结果。
S2：将北斗授时协议的语义特征规范作为测试数据，构造北斗授时协议测试数据集合，将构造的数据测试集合随机拆分为多个测试子集合，并计算每个测试子集合的多样化度。
所述S2步骤中构造北斗授时协议测试数据集合，将构造的数据测试集合随机拆分为多个测试子集合，包括：
将北斗授时协议的语义特征规范作为测试数据，构造北斗授时协议测试数据集合Data：
；
其中：
表示北斗授时协议/>的语义特征规范；
将构造的数据测试集合随机拆分为K个测试子集合，其中所拆分得到的每个测试子集合中的测试数据数目为，则第k个测试子集合/>为：
；
其中：
表示第k个测试子集合/>中的第j个测试数据。
所述S2步骤中计算每个测试子集合的多样化度，包括：
计算所拆分每个测试子集合的多样化度，其中第k个测试子集合的多样化度计算公式为：
；
；
其中：
表示第k个测试子集合/>的多样化度；
表示语义特征规范/>在北斗授时协议测试数据集合/>中出现的次数，则/>表示语义特征规范/>在北斗授时协议测试数据集合中的频率。
S3：构建语义特征规范安全性测试模型，按照测试子集合多样化度由大到小的次序对测试子集合中的语义特征规范进行安全性测试，记录存在安全性隐患的语义特征规范。
所述S3步骤中按照测试子集合多样化度由大到小的次序，利用语义特征规范安全性测试模型依次对测试子集合中的语义特征规范进行安全性测试，包括：
按照测试子集合多样化度由大到小的次序，利用语义特征规范安全性测试模型依次对测试子集合中的语义特征规范进行安全性测试，并记录存在安全性隐患的语义特征规范；
所述语义特征规范安全性测试模型包括输入层、特征计算层以及输出层，输入层用于接收语义特征规范；特征计算层包括3个卷积层以及3个池化层，每个卷积层后跟池化层，每个池化层接收前一个卷积层的输出，并将池化结果作为下一个卷积层的输入，其中第一个卷积层的输入为语义特征规范；输出层包括两个连续的全连接层，其中第一个全连接层选取ReLU激活函数，最后一个全连接层选取softmax激活函数，输出安全性测试结果，其中0表示语义特征规范所对应的北斗授时协议不存在安全性隐患，1表示语义特征规范所对应的北斗授时协议存在安全性隐患。
S4：对记录得到的语义特征规范进行测试数据支持度统计，并按照支持度计算样本生成比例指导语义特征规范生成指定数量的测试数据，利用所生成存在安全性隐患的测试数据对语义特征规范安全性测试模型进行优化训练。
所述S4步骤中对存在安全隐患的语义特征规范进行测试数据支持度统计，并按照支持度计算样本生成比例指导语义特征规范生成指定数量的测试数据，包括：
对存在安全隐患的语义特征规范进行测试数据支持度统计，其中测试数据支持度统计公式为：
；
其中：
表示第b个存在安全隐患的语义特征规范，/>表示/>的支持度，/>表示存在安全隐患的语义特征规范总数，/>表示L1范数；
按照支持度计算样本生成比例指导语义特征规范生成指定数量的测试数据，所生成测试数据与基准语义特征规范的余弦相似度高于预设置的相似度阈值，基准语义特征规范即存在安全隐患的语义特征规范，并指导基准语义特征规范生成指定数量的测试数据，则基于语义特征规范所生成的测试数据数目为：/>，其中：
；
其中：
C表示所设置生成测试数据的总数；
表示语义特征规范安全性测试模型训练数据集中存在安全隐患的测试数据总数；
语义特征规范安全性测试模型训练数据集中的测试数据总数。
所述S4步骤中利用所生成存在安全性隐患的测试数据对语义特征规范安全性测试模型进行优化训练，包括：
将所生成存在安全性隐患的测试数据加入到语义特征规范安全性测试模型的训练数据集，得到更新后的训练数据集data：
；
其中：
表示训练数据集data中的第c组测试数据；
，表示测试数据/>的安全性测试结果，其中由存在安全隐患的语义特征规范指导生成的测试数据的安全性测试结果为1；
构建语义特征规范安全性测试模型的训练目标函数：
；
其中：
表示待训练优化参数，即语义特征规范安全性测试模型中特征计算层的参数；
表示将测试数据/>输入到基于/>的语义特征规范安全性测试模型中，模型输出的安全性测试结果；
基于训练目标函数的模型参数优化训练流程为：
S41：设置待优化参数的当前迭代次数为u，期望最大迭代次数为U，u的初始值为0，并初始化，/>表示当前初始待优化参数，/>表示当前语义特征规范安全性测试模型的待优化参数，/>表示第u次迭代后的待优化参数；
S42：若，则输出/>作为优化训练得到的参数，并基于构建语义特征规范安全性测试模型，否则转向步骤S43，其中/>为预设置的梯度阈值；
S43：计算得到迭代步长：
；
；
其中：
表示步长参数；
表示单位矩阵；
基于步长参数更新待优化参数：
；
S44：生成0-1之间的随机数rand，若所生成随机数满足下式，则对进行变异处理，其中所生成随机数的待满足不等式为：
；
其中：
为所设置的最大变异率，/>为所设置的最小变异率；
其中变异处理公式为：
；
其中：
分别表示任意第/>次迭代得到的待优化参数以及任意第次迭代得到的待优化参数，/>；
为/>的变异结果；
若，则将/>替换为变异结果/>，令u=u+1，返回步骤S42；
若所生成随机数不满足所述不等式，则令u=u+1，返回步骤S42。
实施例2
如图2所示，是本发明一实施例提供的实现北斗授时协议安全分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现北斗授时协议安全分析的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取北斗授时协议数据流，利用北斗授时协议语义挖掘模型得到北斗授时协议的语义特征规范；
将北斗授时协议的语义特征规范作为测试数据，构造北斗授时协议测试数据集合，将构造的数据测试集合随机拆分为多个测试子集合，并计算每个测试子集合的多样化度；
构建语义特征规范安全性测试模型，按照测试子集合多样化度由大到小的次序对测试子集合中的语义特征规范进行安全性测试，记录存在安全性隐患的语义特征规范；
对记录得到的语义特征规范进行测试数据支持度统计，并按照支持度计算样本生成比例指导语义特征规范生成指定数量的测试数据，利用所生成存在安全性隐患的测试数据对语义特征规范安全性测试模型进行优化训练。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，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作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种北斗授时协议安全分析方法，其特征在于，所述方法包括：
S1：获取北斗授时协议数据流，构建北斗授时协议语义挖掘模型，所述北斗授时协议语义挖掘模型以北斗授时协议数据流为输入，以语义特征规范为输出，利用北斗授时协议语义挖掘模型得到北斗授时协议的语义特征规范；
S2：将北斗授时协议的语义特征规范作为测试数据，构造北斗授时协议测试数据集合，将构造的数据测试集合随机拆分为多个测试子集合，并计算每个测试子集合的多样化度；
S3：构建语义特征规范安全性测试模型，按照测试子集合多样化度由大到小的次序对测试子集合中的语义特征规范进行安全性测试，记录存在安全性隐患的语义特征规范；
S4：对记录得到的语义特征规范进行测试数据支持度统计，并按照支持度计算样本生成比例指导语义特征规范生成指定数量的测试数据，利用所生成存在安全性隐患的测试数据对语义特征规范安全性测试模型进行优化训练。
2.如权利要求1所述的一种北斗授时协议安全分析方法，其特征在于，所述S1步骤中获取北斗授时协议数据流，包括：
获取北斗授时协议数据流，其中北斗授时协议数据流为北斗卫星向授时用户机所发送电文信息数据流中的北斗授时协议规范数据流，电文信息数据流包括标准北斗时间、卫星位置信息、调制后的时标信息、延迟信息以及北斗授时协议，北斗授时协议中包括闰秒提示、版本号、北斗授时工作模式、轮询时间、时钟精度、***时钟的层数、参考时钟源的标识、***时钟相较于参考时钟的最大误差、电子信息数据流离开发送端的时间以及验证编码信息；
所获取北斗授时协议数据流的表示形式为：
；
其中：
表示所获取第n组电文信息数据中的北斗授时协议，N表示所获取电文信息数据的总数。
3.如权利要求2所述的一种北斗授时协议安全分析方法，其特征在于，所述S1步骤中利用北斗授时协议语义挖掘模型得到北斗授时协议的语义特征规范，包括：
构建北斗授时协议语义挖掘模型，所述北斗授时协议语义挖掘模型以北斗授时协议数据流为输入，以语义特征规范为输出；北斗授时协议语义挖掘模型包括输入层、卷积计算层、注意力层以及输出层，输入层用于接收北斗授时协议，卷积计算层用于计算得到北斗授时协议的特征表示结果，注意力层用于得到特征表示结果的权重，输出层用于输出北斗授时协议的语义特征规范；
利用北斗授时协议语义挖掘模型得到北斗授时协议的语义特征规范，其中北斗授时协议的语义特征规范提取流程为：
S11：输入层接收北斗授时协议；
S12：设定当前迭代卷积计算次数为d，d的初始值为1，最大迭代卷积计算次数为D，则北斗授时协议在第d次卷积计算的特征表示结果为/>；
S13：卷积计算层计算得到第d次卷积计算的特征表示结果：
；
；
；
；
其中：
表示卷积计算层中四层卷积层的权重参数，/>表示卷积计算层中四层卷积层的偏置参数，/>表示第d-1次卷积计算得到的特征表示结果中需要记录的信息，/>表示第d-1次卷积计算得到的特征表示结果中需要过滤删除的信息，表示需要向第d次卷积计算过程传递的信息，包括/>以及/>，表示对第d-1次卷积计算得到的特征表示结果/>进行卷积计算，/>表示在迭代过程中传递信息，使得需要记录的有效信息得以保留，并过滤删除无效信息；
表示激活函数，/>；
S14：若，则将/>划分为10部分特征表示结果，其中每部分对应北斗授时协议中协议内容，其中10部分在北斗授时协议中的对应协议内容依次为闰秒提示、版本号、北斗授时工作模式、轮询时间、时钟精度、***时钟的层数、参考时钟源的标识、***时钟相较于参考时钟的最大误差、电子信息数据流离开发送端的时间以及验证编码信息；
注意力层对进行注意力权重计算，其中注意力权重计算公式为：
；
；
其中：
T表示转置；
表示北斗授时协议/>中第/>部分协议内容在北斗授时协议数据流中出现的次数；
表示北斗授时协议/>中第/>部分协议内容的权重；
表示以自然常数为底的指数函数；
表示北斗授时协议/>中第/>部分协议内容的注意力权重；
表示/>中10部分特征表示结果的注意力权重矩阵；
若，则令/>，返回步骤S13；
S15：输出层输出北斗授时协议的语义特征规范：
；
其中：
表示/>中第/>部分的特征表示结果，即北斗授时协议/>中第/>部分协议内容的特征表示结果。
4.如权利要求1所述的一种北斗授时协议安全分析方法，其特征在于，所述S2步骤中构造北斗授时协议测试数据集合，将构造的数据测试集合随机拆分为多个测试子集合，包括：
将北斗授时协议的语义特征规范作为测试数据，构造北斗授时协议测试数据集合Data：
；
其中：
表示北斗授时协议/>的语义特征规范；
将构造的数据测试集合随机拆分为K个测试子集合，其中所拆分得到的每个测试子集合中的测试数据数目为，则第k个测试子集合/>为：
；
其中：
表示第k个测试子集合/>中的第j个测试数据。
5.如权利要求4所述的一种北斗授时协议安全分析方法，其特征在于，所述S2步骤中计算每个测试子集合的多样化度，包括：
计算所拆分每个测试子集合的多样化度，其中第k个测试子集合的多样化度计算公式为：
；
；
其中：
表示第k个测试子集合/>的多样化度；
表示语义特征规范/>在北斗授时协议测试数据集合/>中出现的次数，则表示语义特征规范/>在北斗授时协议测试数据集合中的频率。
6.如权利要求5所述的一种北斗授时协议安全分析方法，其特征在于，所述S3步骤中按照测试子集合多样化度由大到小的次序，利用语义特征规范安全性测试模型依次对测试子集合中的语义特征规范进行安全性测试，包括：
按照测试子集合多样化度由大到小的次序，利用语义特征规范安全性测试模型依次对测试子集合中的语义特征规范进行安全性测试，并记录存在安全性隐患的语义特征规范；
所述语义特征规范安全性测试模型包括输入层、特征计算层以及输出层，输入层用于接收语义特征规范；特征计算层包括3个卷积层以及3个池化层，每个卷积层后跟池化层，每个池化层接收前一个卷积层的输出，并将池化结果作为下一个卷积层的输入，其中第一个卷积层的输入为语义特征规范；输出层包括两个连续的全连接层，其中第一个全连接层选取ReLU激活函数，最后一个全连接层选取softmax激活函数，输出安全性测试结果，其中0表示语义特征规范所对应的北斗授时协议不存在安全性隐患，1表示语义特征规范所对应的北斗授时协议存在安全性隐患。
7.如权利要求1所述的一种北斗授时协议安全分析方法，其特征在于，所述S4步骤中对存在安全隐患的语义特征规范进行测试数据支持度统计，并按照支持度计算样本生成比例指导语义特征规范生成指定数量的测试数据，包括：
对存在安全隐患的语义特征规范进行测试数据支持度统计，其中测试数据支持度统计公式为：
；
其中：
表示第b个存在安全隐患的语义特征规范，/>表示/>的支持度，/>表示存在安全隐患的语义特征规范总数，/>表示L1范数，/>表示语义特征规范/>在北斗授时协议测试数据集合中的频率；
按照支持度计算样本生成比例指导语义特征规范生成指定数量的测试数据，所生成测试数据与基准语义特征规范的余弦相似度高于预设置的相似度阈值，基准语义特征规范即存在安全隐患的语义特征规范，并指导基准语义特征规范生成指定数量的测试数据，则基于语义特征规范所生成的测试数据数目为：/>，其中：
；
其中：
C表示所设置生成测试数据的总数；
表示语义特征规范安全性测试模型训练数据集中存在安全隐患的测试数据总数；
语义特征规范安全性测试模型训练数据集中的测试数据总数。
8.如权利要求7所述的一种北斗授时协议安全分析方法，其特征在于，所述S4步骤中利用所生成存在安全性隐患的测试数据对语义特征规范安全性测试模型进行优化训练，包括：
将所生成存在安全性隐患的测试数据加入到语义特征规范安全性测试模型的训练数据集，得到更新后的训练数据集data：
；
其中：
表示训练数据集data中的第c组测试数据；
，表示测试数据/>的安全性测试结果，其中由存在安全隐患的语义特征规范指导生成的测试数据的安全性测试结果为1；
构建语义特征规范安全性测试模型的训练目标函数：
；
其中：
表示待训练优化参数，即语义特征规范安全性测试模型中特征计算层的参数；
表示将测试数据/>输入到基于/>的语义特征规范安全性测试模型中，模型输出的安全性测试结果；
基于训练目标函数的模型参数优化训练流程为：
S41：设置待优化参数的当前迭代次数为u，期望最大迭代次数为U，u的初始值为0，并初始化，/>表示当前初始待优化参数，/>表示当前语义特征规范安全性测试模型的待优化参数，/>表示第u次迭代后的待优化参数；
S42：若，则输出/>作为优化训练得到的参数，并基于/>构建语义特征规范安全性测试模型，否则转向步骤S43，其中/>为预设置的梯度阈值；
S43：计算得到迭代步长：
；
；
其中：
表示步长参数；
表示单位矩阵；
基于步长参数更新待优化参数：
；
S44：生成0-1之间的随机数rand，若所生成随机数满足下式，则对进行变异处理，其中所生成随机数的待满足不等式为：
；
其中：
为所设置的最大变异率，/>为所设置的最小变异率；
其中变异处理公式为：
；
其中：
分别表示任意第/>次迭代得到的待优化参数以及任意第/>次迭代得到的待优化参数，/>；
为/>的变异结果；
若，则将/>替换为变异结果/>，令u=u+1，返回步骤S42；
若所生成随机数不满足所述不等式，则令u=u+1，返回步骤S42。
CN202310868110.9A 2023-07-17 2023-07-17 一种北斗授时协议安全分析方法 Active CN116614422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310868110.9A CN116614422B (zh) 2023-07-17 2023-07-17 一种北斗授时协议安全分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310868110.9A CN116614422B (zh) 2023-07-17 2023-07-17 一种北斗授时协议安全分析方法

Publications (2)

Publication Number Publication Date
CN116614422A true CN116614422A (zh) 2023-08-18
CN116614422B CN116614422B (zh) 2023-09-29

Family

ID=87680314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310868110.9A Active CN116614422B (zh) 2023-07-17 2023-07-17 一种北斗授时协议安全分析方法

Country Status (1)

Country Link
CN (1) CN116614422B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109085615A (zh) * 2018-08-01 2018-12-25 桂林电子科技大学 一种bpc北斗多模授时方法及***
CN114660346A (zh) * 2022-03-18 2022-06-24 武汉大学 基于北斗授时和晶振时钟的分流向量测量设备及方法
CN115080203A (zh) * 2022-05-13 2022-09-20 广东工业大学 一种基于任务关联性的北斗测试任务调度方法和***
US20220350049A1 (en) * 2021-04-26 2022-11-03 Institute Of Geology And Geophysics, Chinese Academy Of Sciences Magnetotelluric inversion method based on fully convolutional neural network
CN115913427A (zh) * 2022-11-04 2023-04-04 深圳市乐凡信息科技有限公司 北斗模块的测试方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109085615A (zh) * 2018-08-01 2018-12-25 桂林电子科技大学 一种bpc北斗多模授时方法及***
US20220350049A1 (en) * 2021-04-26 2022-11-03 Institute Of Geology And Geophysics, Chinese Academy Of Sciences Magnetotelluric inversion method based on fully convolutional neural network
CN114660346A (zh) * 2022-03-18 2022-06-24 武汉大学 基于北斗授时和晶振时钟的分流向量测量设备及方法
CN115080203A (zh) * 2022-05-13 2022-09-20 广东工业大学 一种基于任务关联性的北斗测试任务调度方法和***
CN115913427A (zh) * 2022-11-04 2023-04-04 深圳市乐凡信息科技有限公司 北斗模块的测试方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘浩;万豪;申国锋;: "北斗高精度授时终端测试技术研究", 中国检验检测, no. 05 *

Also Published As

Publication number Publication date
CN116614422B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN108768654B (zh) 基于声纹识别的身份验证方法、服务器及存储介质
CN111652279B (zh) 基于时序数据的行为评价方法、装置及可读存储介质
CN112883190A (zh) 文本分类方法、装置、电子设备及存储介质
CN112181835B (zh) 自动化测试方法、装置、计算机设备及存储介质
CN110555451A (zh) 信息识别方法和装置
CN111694844B (zh) 基于配置算法的企业运行数据分析方法、装置及电子设备
CN112559923A (zh) 网址资源推荐方法、装置、电子设备及计算机存储介质
CN116934098A (zh) 一种技术性贸易措施风险量化评估方法
CN115729815A (zh) 基于加权随机的模糊测试方法、装置、设备及存储介质
CN112541688B (zh) 业务数据校验方法、装置、电子设备及计算机存储介质
CN113590756A (zh) 信息序列生成方法、装置、终端设备和计算机可读介质
CN116614422B (zh) 一种北斗授时协议安全分析方法
CN116578696A (zh) 文本摘要生成方法、装置、设备及存储介质
CN113656586B (zh) 情感分类方法、装置、电子设备及可读存储介质
CN111859985B (zh) Ai客服模型测试方法、装置、电子设备及存储介质
WO2019056502A1 (zh) 综艺比赛结果预测方法、装置及存储介质
CN113515591A (zh) 文本不良信息识别方法、装置、电子设备及存储介质
CN111738005A (zh) 命名实体对齐方法、装置、电子设备及可读存储介质
CN113139129B (zh) 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质
CN113592606B (zh) 基于多重决策的产品推荐方法、装置、设备及存储介质
CN116578690B (zh) 一种基于人工智能的保险客服服务方法与***
CN113051475B (zh) 内容推荐方法、装置、电子设备及可读存储介质
CN113672483B (zh) 一种设备日志存储方法、装置、电子设备及介质
CN114757541B (zh) 基于培训行为数据的绩效分析方法、装置、设备及介质
CN111414452B (zh) 搜索词匹配方法、装置、电子设备及可读存储介质

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