CN106209457B - 应对智能家居环境中旁路攻击的隐私保护方法及系统 - Google Patents

应对智能家居环境中旁路攻击的隐私保护方法及系统 Download PDF

Info

Publication number
CN106209457B
CN106209457B CN201610556753.XA CN201610556753A CN106209457B CN 106209457 B CN106209457 B CN 106209457B CN 201610556753 A CN201610556753 A CN 201610556753A CN 106209457 B CN106209457 B CN 106209457B
Authority
CN
China
Prior art keywords
sensor
module
parameter
noise data
smart home
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.)
Active
Application number
CN201610556753.XA
Other languages
English (en)
Other versions
CN106209457A (zh
Inventor
朱娜斐
肖起
何泾沙
常成月
张亚君
方静
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.)
Beijing Yongbo Technology Co ltd
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201610556753.XA priority Critical patent/CN106209457B/zh
Publication of CN106209457A publication Critical patent/CN106209457A/zh
Application granted granted Critical
Publication of CN106209457B publication Critical patent/CN106209457B/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
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/2823—Reporting information sensed by appliance or service execution status of appliance services in a home automation network
    • H04L12/2825—Reporting to a device located outside the home and the home network
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/002—Countermeasures against attacks on cryptographic mechanisms

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • Computer Security & Cryptography (AREA)
  • Algebra (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明公开了应对智能家居环境中旁路攻击的隐私保护方法及系统，对智能家居环境中传感器类型和传感器发送时间进行排序、聚类，得到DFR参数；通过DFR参数对噪音数据进行标签，调用半监督学习算法得到学习参数，将学习参数分发给所有传感器节点；传感器节点将学习参数代入预测函数中构建预测模型，将当前网络状态信息输入到预测模型中，判断是否发送噪音数据。本发明基于智能数据分析和半监督学习，能够根据智能家居环境中的人们的行为习惯和传感器网络状态自适应的添加噪声数据，使得全局攻击者即便能够监听所有无线射频信号，也无法分析出用户的真实行为，或者分析出错误的行为，从而达到保护用户隐私的目的。

Description

应对智能家居环境中旁路攻击的隐私保护方法及系统
技术领域
本发明涉及隐私保护技术领域，尤其涉及应对智能家居环境中旁路攻击的隐私保护方法及系统。
背景技术
随着无线通信、传感器等技术的不断进步,推动了具有跨时代意义的物联网的产生与发展。物联网综合了众多研究学科,已成为目前IT领域的热点之一。智能家居作为物联网的主要分支，近年来得到了广泛的关注和快速的发展。智能家居中的无线传感器可以感知，智能家居的出现给人们的生活带来巨大便利的同时,也对智能家居环境中用户的隐私带来了巨大挑战。传统的加密方法可以保证数据在传输过程中的安全性，但是旁路攻击可以在不解析传输密文的前提下，通过分析传输的无线射频信号和时间序列，恶意获取用户的日常行为(Activity of Daily Living)，通常旁路攻击的识别率能够达到85％-95％的准确度，这将给用户的隐私造成严重的威胁，如果不能很好的解决智能家居环境中隐私保护问题，智能家居的发展将受到严重的阻碍。
目前智能家居环境中的隐私保护受到国内外学术界的广泛关注，并针对旁路攻击提出了大量的隐私保护方案，从降低延迟和提高隐私保护效果方面展开了激烈的讨论。应对旁路攻击，最简单有效的方法就是向传输序列中添加噪音数据，即使攻击者具有全局监听能力，能够监听整个无线传感器网络，也无法从传输序列和射频信号中获取用户的行为，或者获取到错误的行为，从而达到保护用户真实行为的效果。然而，受限于无线传感器网络中的传感器节点的能源，计算能力，传输带宽。如何能在添加最少的噪音的情况下，达到能耗和延迟的平衡，实现更好的隐私保护效果，是目前加噪音算法研究的热点问题。典型的加噪音算法有固定频率模型，间隔指数分布模型，基于语义理解的模型：
固定频率模型：传感器节点按照固定的频率向汇聚节点发送感知信息，无论是否有事件触发都会发送数据包，如果在发送的间隙传感器被触发，需要等待至下次传输时才能发送探测到的事件。如果在发送的间隙没有事件被触发，等到下次传输时，发送一个虚假的数据包。显然这个模型对隐私保护能起到很好的效果。该模型最为突出的问题是平均延迟是传输间隔的一半。传输间隔的选择对整个传感器网络会受到很大的影响，当传输间隔较小时，平均延迟会降低，但是整个网络的负载会增加，丢包率和碰撞率就会增大，整个传感器网络的寿命也会随之缩短。为了延长无线传感器网络的寿命，增大传输间隔，延迟也会随之增大。
间隔指数分布模型：为了降低延迟，提出了间隔指数分布模型，该模型通过控制传输的时间间隔，使得传输序列中的传输间隔服从指数分布，即便攻击者监听到所有的传输信号，也无法通过分析传输序列的时间间隔去除噪音数据。该模型在实际应用的过程中，比较适合事件稀疏型的传感器网络，如果在一个时间区间内，事件被频繁的触发，该模型的延迟同样会维持在一个很高的水平。攻击者还可以通过分析不同时间内的平均发送间隔大小，来确定用户的作息习惯，比如用户在家并有活动的时候，无线传感器网络的发送序列是频繁的，射频信号的平均传输间隔将会降低，当用户外出工作或者在睡觉的时候，无线传感器的发送序列会变得稀疏，射频信号的平均传输间隔将会增加，这也将会造成用户作息习惯的泄露。
基于语义理解的模型：该模型通过预测用户的行为，然后向正在发生的行为序列中添加模拟干扰行为，从而干扰攻击者对用户行为的预测。该模型能够大大降低噪音数据的数量，只采用小的传感器触发的行为的集合，就能保护用户将要发生的行为。该模型的隐私保护效果完全取决于行为预测的精度，如果行为预测失败，那么添加的噪音数据将不足以干扰用户的真实行为，用户的行为将会泄露，从而降低了隐私保护的效果。
发明内容
针对上述问题中存在的不足之处，本发明提供应对智能家居环境中旁路攻击的隐私保护方法及系统。
为实现上述目的，本发明提供一种应对智能家居环境中旁路攻击的隐私保护方法，包括：
步骤1、传感器节点获取智能家居的采样数据、噪音数据和当前网络状态信息，所述采样数据包括传感器类型和传感器发送时间；
步骤2、对传感器类型和传感器发送时间进行排序，对每个类型的传感器在单位时间内的发送频率进行聚类，计算每个聚类类别的平均发送频率，得到DFR参数；
步骤3、通过DFR参数对噪音数据进行标签，调用基于逻辑回归的半监督学习算法对标签后的噪音数据进行学习得到学习参数，将所述学习参数分发给所有传感器节点；所述半监督学习算法包括预测函数，整体开销函数和梯度下降算法；
步骤4、传感器节点将学习参数代入所述预测函数中构建预测模型，将步骤1所述的当前网络状态信息输入到所述预测模型中，判断是否发送所述噪音数据。
作为本发明的进一步改进，所述步骤2包括：
步骤2-1、接收传感器节点发送的传感器类型和传感器发送时间，构建采样数据集；
步骤2-2、对传感器类型和传感器发送时间进行排序，得到不同类型传感器的发送序列；
步骤2-3、对每个类型传感器的发送序列统计单位时间内的发送频率，得到频率与时间的二元组F：
F＝{(t1,f1),(t2,f2),(t3,f3)…,(tn,fn)}；
式中：t1，t2，t3，···tn分别为单位时间，f1，f2，f3，···fn分别为单位时间内的发送频率；F是单位时间与单位时间内发送频率组成的二元组集合；
步骤2-4、对每个类型传感器的二元组F进行标准化处理，映射到[0,1]区间，得到二元组F所对应的F′：
F′＝{(t1,f′1),(t2,f′2),…,(tn,f′n)}；
式中：t1，t2，t3，···tn分别为单位时间，f1′，f2′，f3′，···fn′分别为单位时间内f1，f2，f3，···fn标准化处理后的发送频率；
步骤2-5、采用K-means聚类算法对每个类型传感器的F′进行聚类，得到多个聚类类别；
步骤2-6、分别计算每个聚类类别的平均发送频率，并取聚类结果的最大和最小时间作为起止时间，得到每个类型传感器的所有聚类类别的DFR参数。
作为本发明的进一步改进，在步骤2-4中，所述标准化处理的公式为：
作为本发明的进一步改进，所述步骤3中调用基于逻辑回归的半监督学习算法对标签后的噪音数据进行学习得到学习参数的方法为：
步骤3-1、基于逻辑回归构建学习参数的预测函数：
式中：θ为由学习参数组成的矩阵，hθ(x)为预测函数，x为训练样本的状态信息，T是矩阵的转置运算；
步骤3-2、根据平方差法构建出整体开销函数：
式中：J(θ)为开销函数，m为训练样本的个数，i为第i个训练样本，x为训练样本的状态信息，y为预测函数的预测结果，x(i)为第i个训练样本的状态信息，y(i)为第i个训练样本的预测结果；
步骤3-3、采用梯度下降算法寻找使得全局开销最小的参数，所述梯度下降算法的计算公式为：
式中：θi：为对学习参数矩阵θ中各个元素进行梯度下降算法，θi代表学习参数矩阵中的元素，α为梯度下降算法中步进的幅度；
步骤3-4、全局开销最小的参数即为所得的学习参数。
作为本发明的进一步改进，所述步骤4包括：
步骤4-1、将学习参数代入到预测函数中，构建预测模型；
步骤4-2、将步骤1中所述的当前网络状态信息输入到所述预测模型中，得到[0,1]的输出结果；当前网络状态信息是指当前时间窗口的网络状态信息；
步骤4-3、当输出结果大于等于0.5时，传感器节点发送噪音数据；当输出结果小于0.5时，传感器节点不发送噪音数据；完成一个检测周期，并等待下一个时间窗口。
作为本发明的进一步改进，所述步骤4-3中：
当连续n个检测周期不发送噪音数据后，扩大时间窗口，继续检测。
本发明还提供一种应对智能家居环境中旁路攻击的隐私保护系统，其特征在于，包括：多个传感器节点、汇聚节点和云平台；
所述传感器节点，用于获取智能家居的采样数据、噪音数据和当前网络状态信息，所述采样数据包括传感器类型和传感器发送时间；
所述云平台与所有传感器节点相连，用于对传感器类型和传感器发送时间进行排序，对每个类型的传感器在单位时间内的发送频率进行聚类，计算每个聚类类别的平均发送频率，得到DFR参数；
所述汇聚节点分别与所有传感器节点和云平台相连，用于通过DFR参数对噪音数据进行标签，调用基于逻辑回归的半监督学习算法对标签后的噪音数据进行学习得到学习参数，将所述学习参数分发给所有传感器节点；所述半监督学习算法包括预测函数，整体开销函数和梯度下降算法；
所述传感器节点将学习参数代入预测函数中构建预测模型，将所述当前网络状态信息输入到所述预测模型中，判断是否发送所述噪音数据。
作为本发明的进一步改进，所述云平台包括接收模块、排序模块、统计模块、标准化处理模块、聚类模块和计算模块；
所述接收模块，用于接收传感器节点发送的传感器类型和传感器发送时间，构建采样数据集；
所述排序模块与所述接收模块相连，用于对传感器类型和传感器发送时间进行排序，得到不同类型传感器的发送序列；
所述统计模块与所述排序模块相连，用于对每个类型传感器的发送序列统计单位时间内的发送频率，得到频率与时间的二元组F，F＝{(t1,f1),(t2,f2),(t3,f3)…,(tn,fn)}；
式中：t1，t2，t3，···tn分别为单位时间，f1，f2，f3，···fn分别为单位时间内的发送频率；F是单位时间与单位时间内发送频率组成的二元组集合；
所述标准化处理模块与所述统计模块相连，用于对每个类型传感器的二元组F进行标准化处理，映射到[0,1]区间，得到二元组F所对应的F′，F′＝{(t1,′1),(t2,f′2),…,(tn,f′n)}；所述标准化处理为：
式中：t1，t2，t3，···tn分别为单位时间，f1′，f2′，f3′，···fn′分别为单位时间内f1，f2，f3，···fn标准化处理后的发送频率；
所述聚类模块与所述标准化处理模块相连，采用K-means聚类算法对每个类型传感器的F′进行聚类，得到多个聚类类别；
所述计算模块与所述聚类模块相连，用于分别计算每个聚类类别的平均发送频率，并取聚类结果的最大和最小时间作为起止时间，得到每个类型传感器的所有聚类类别的DFR参数。
作为本发明的进一步改进，所述汇聚节点包括标签模块、学习模块和分发模块；
所述标签模块，用于获取云平台的DFR参数和传感器节点的噪音数据，通过DFR参数对噪音数据进行标签；
所述学习模块与所述标签模块相连，用于调用基于逻辑回归的半监督学习算法对标签后的噪音数据进行学习得到学习参数；其中：
基于逻辑回归构建学习参数的预测函数：
式中：θ为由学习参数组成的矩阵，hθ(x)为预测函数，x为训练样本的状态信息，T是矩阵的转置运算；
根据平方差法构建出整体开销函数：
式中：J(θ)为开销函数，m为训练样本的个数，i为第i个训练样本，x为训练样本的状态信息，y为预测函数的预测结果，x(i)为第i个训练样本的状态信息，y(i)为第i个训练样本的预测结果；
采用梯度下降算法寻找使得全局开销最小的参数，所述梯度下降算法为：
式中：θi：为对学习参数矩阵θ中各个元素进行梯度下降算法，θi代表学习参数矩阵中的元素，α为梯度下降算法中步进的幅度；
全局开销最小的参数即为所得的学习参数；
所述分发模块与所述学习模块相连，用于将学习参数分发给所有传感器节点。
作为本发明的进一步改进，所述传感器节点包括采集模块、预测模块和判断模块；
所述采集模块，用于获取智能家居的采样数据、噪音数据和当前网络状态信息；
所述预测模块与所述采集模块相连，用于将汇聚节点的学习参数代入到预测函数中，构建预测模型；并将当前网络状态信息输入到所述预测模型中，得到[0,1]的输出结果；当前网络状态信息是指当前时间窗口的网络状态信息；
所述判断模块与所述预测模块相连，当输出结果大于等于0.5时，传感器节点发送噪音数据；当输出结果小于0.5时，传感器节点不发送噪音数据；完成一个检测周期，并等待下一个时间窗口；当连续n个检测周期不发送噪音数据后，扩大时间窗口，继续检测。
与现有技术相比，本发明的有益效果为：
本发明公开的应对智能家居环境中旁路攻击的隐私保护方法及系统，采用基于逻辑回归的半监督学习算法，并将逻辑回归运用于预测函数中；在提高分类效率的同时，减少了调用预测函数的能量消耗，使得传感器节点能够在极少能耗的前提下调用预测函数；
本发明将传感器节点网络的当前网络状态信息考虑到整体的加噪过程中，使得整个感器节点网络能够根据不同节点的网络状态信息添加噪音，这使得整体的能耗变得均衡，避免了因为近汇聚节点频繁转发导致能耗过高，寿命降低的局限；
本发明采用K匿名的思想，采集数据样本，构建采样数据集，分析样本数据的作息习惯，使得被保护用户的作息习惯与采样数据集的作息习惯相同，对于攻击者来说，作息习惯是K不可分的，从而达到作息习惯的保护。
附图说明
图1为本发明一种实施例公开的应对智能家居环境中旁路攻击的隐私保护方法的流程图；
图2为本发明一种实施例公开的应对智能家居环境中旁路攻击的隐私保护系统的框架图。
图中：
1、传感器节点；1-1、采集模块；1-2、预测模块；1-3、判断模块；
2、汇聚节点；2-1、标签模块；2-2、学习模块；2-3、分发模块；
3、云平台；3-1、接收模块；3-2、排序模块；3-3、统计模块；3-4、标准化处理模块；3-5、聚类模块；3-6、计算模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明通过分析现有模型存在的问题，要想设计一个符合智能家居应用场景的应对旁路攻击的隐私保护模型，必须考虑以下几个问题：
延迟问题对智能家居中的应用将会造成巨大的影响。比如，相关智能医疗的应用可以通过传感器信息获取家中成员的身体特征信息，如果出现意外跌倒或者突发疾病等特殊情况可以发送紧急的预警信息。在采集信息的过程中延迟过大，将会错失抢救时机，导致不可挽回的损失。
时间间隔(相邻两次发送事件的时间间隔)的不可区分性，当具有全局监听能力的攻击者在获取传感器节点的发送序列后，无法从序列中分析出虚假数据。固定频率模型和指数分布模型的思想是让发送序列服从特定的概率分布模型，使得攻击者无法降噪。这种思路虽能达到良好的隐私保护效果，但是会导致延迟的增加。所以从间隔的不可区分性出发，如果能使得时间间隔的不可区分未必使得时间间隔服从同样的分布。只要能够保证攻击者不能分辨出噪音数据就达到了加噪的目的。
能耗问题，无线传感网络的能源受限，噪音的添加势必会造成无线传感器网络的寿命下降。应该在保证隐私保护效果的前提下，尽可能的延长无线传感器网络的寿命。所以在设计模型的时候要考虑到智能家居的实际使用情况，当没有日常行为产生的时候就可以降低加噪或者不加噪。将噪音数据添加到短时间内被日常行为触发的传感器上。能够增加噪音数据的利用率，降低噪音数据的数量，延长无线传感器网络的寿命。
综上，当前的主流模型没有很好的同时解决以上三个问题，但是一个好的隐私保护模型要同时考虑延迟，间隔不可区分性和传感器网络寿命问题。在本发明公开的应对智能家居环境中旁路攻击的隐私保护方法及系统中将同时考虑以上三个因素，使得模型能够在低延迟的前提下，减少噪音数据的添加量和噪音的有效率，同时还能达到良好的隐私保护效果。
智能家居中无线传感器网络结构介绍：
与其他无线传感器网络不通，智能家居中的无线传感器网络是一种异构网络，该网络中的传感器的类型大多互不相同。可将其分为两类节点：汇聚(Sink)节点和传感器节点，其中，汇聚节点只有一个，是整个无线传感网的核心，所有数据都汇集到该节点，该节点有足够的存储空间，足够的运算能力和充足的能源。传感器节点是具有感知功能的传感器节点，具有有限的通讯带宽，有限的计算能力和存储空间。传感器节点与汇聚节点之间通过多跳的方式进行通讯。
下面结合附图对本发明做进一步的详细描述：
实施例1：如图1所示，本发明提供一种应对智能家居环境中旁路攻击的隐私保护方法，①、对数据进行分析：分析采集样本数据，分析结果将用于指导汇聚节点标签噪音数据；②、半监督学习：汇聚节点对传感器节点发送来的噪音数据进行标签，然后调用学习算法进行学习生成新的学习参数；③、传感器节点用户将学习参数代入预测模型中，并根据当前网络状态判断是否发送噪音数据。其具体实施过程包括：
步骤1、考虑到不同地区的人们的生活习惯会有所不同，智能家居供应商根据不同地理位置的用户抽取样本数据，其中样本数据是指真实智能家居场景所产生的数据；传感器节点获取智能家居的采样数据、噪音数据和当前网络状态信息，采样数据包括传感器编号，传感器类型，数据发送时间和具体的感知内容；本发明只对传感器发送时间和传感器类型进行处理和分析。
步骤2、对传感器类型和传感器发送时间进行排序，对每个类型的传感器在单位时间内的发送频率进行聚类，计算每个聚类类别的平均发送频率，得到DFR参数；其具体包括：
步骤2-1、接收传感器节点发送的传感器类型和传感器发送时间，构建采样数据集；
步骤2-2、对传感器类型和传感器发送时间进行排序，得到不同类型传感器的发送序列；
步骤2-3、对每个类型传感器的发送序列统计单位时间内(以分钟为单位时间)的发送频率，得到频率与时间的二元组F：
F＝{(t1,f1),(t2,f2),(t3,f3)…,(tn,fn)}；
式中：t1，t2，t3，···tn分别为单位时间，f1，f2，f3，···fn分别为单位时间内的发送频率；
步骤2-4、对每个类型传感器的二元组F进行标准化处理，映射到[0,1]区间，通过标准化处理避免后期数据的波动性大的问题；得到二元组F所对应的F′：
F′＝{(t1,f′1),(t2,f′2),…,(tn,f′n)}；
式中：t1，t2，t3，···tn分别为单位时间，f1′，f2′，f3′，···fn′分别为单位时间内f1，f2，f3，···fn标准化处理后的发送频率；
其中：标准化处理的公式为：
步骤2-5、采用K-means聚类算法对每个类型传感器的F′进行聚类，将连续时间段内发送频率相当的聚为一类，得到多个聚类类别；
步骤2-6、对多个聚类类别，分别计算每个聚类类别的平均发送频率，并取聚类结果的最大和最小时间作为起止时间，得到每个类型传感器的所有聚类类别的DFR参数；最终的DFR参数是一个集合，以不同的传感器类型区分。例如{[0,5,0.12],[5,9,0.73],[9,17,0.21],[17,24,0.75]}表示24小时内的发送密度分布情况，对于每一个元素，前两位表示起止时间，最后一位表示该时间区间内的平均发送频率。
步骤3、通过DFR参数对噪音数据进行标签，调用基于逻辑回归的半监督学习算法对标签后的噪音数据进行学习得到学习参数，将学习参数分发给所有传感器节点；半监督学习算法包括预测函数，整体开销函数和梯度下降算法；其具体包括：
步骤3-1、汇聚节点采集传感器节点发送的噪音数据，并接收步骤2中的DFR参数；
步骤3-2、根据DFR参数对噪音数据进行标签；
步骤3-3、基于逻辑回归构建学习参数的预测函数：
式中：θ为由学习参数组成的矩阵，hθ(x)为预测函数，x为训练样本的状态信息，T是矩阵的转置运算；
步骤3-4、根据平方差法构建出整体开销函数：
式中：J(θ)为开销函数，m为训练样本的个数，i为第i个训练样本，x为训练样本的状态信息，y为预测函数的预测结果，x(i)为第i个训练样本的状态信息，y(i)为第i个训练样本的预测结果；
步骤3-5、采用梯度下降算法寻找使得全局开销最小的参数，梯度下降算法的计算公式为：
式中：θi：为对学习参数矩阵θ中各个元素进行梯度下降算法，θi代表学习参数矩阵中的元素，α为梯度下降算法中步进的幅度；
步骤3-6、全局开销最小的参数即为所得的学习参数；
步骤3-7、将学习参数分发给传感器节点。
步骤4、传感器节点将学习参数代入预测函数中构建预测模型，将步骤1的当前网络状态信息输入到预测模型中，判断是否发送噪音数据；其具体包括：
步骤4-1、将学习参数代入到预测函数中，构建预测模型；其中：预测函数为：
步骤4-2、将步骤1中的当前网络状态信息输入到预测模型中，得到[0,1]的输出结果；当前网络状态信息是指当前时间窗口的网络状态信息；
步骤4-3、当输出结果大于等于0.5时，等待随机时间间隔，传感器节点发送噪音数据，完成一个检测周期，并等待下一个时间窗口；
当输出结果小于0.5时，传感器节点不发送噪音数据，等待下一个时间窗口；当连续n个检测周期不发送噪音数据后，扩大时间窗口，等待下一个时间窗口。其中，n以及时间窗口的扩大倍数可以根据实际工作需求进行人为的设定；本申请中n取5，时间窗口扩大两倍。
通过上述方法传感器节点可以自适应当前网络状态发送噪音数据，使得所有的传感器节点根据自身的网络负载和转发量添加噪音数据。使得整体的消耗能够达到均衡的状态，不会因为负载不均导致临近汇聚节点的传感器节点的能源耗尽而无法提供服务。
实施例2：如图2所示，本发明提供一种应对智能家居环境中旁路攻击的隐私保护系统，包括：多个传感器节点1、汇聚节点2和云平台3；
传感器节点1包括采集模块1-1、预测模块1-2和判断模块1-3；采集模块1-1用于获取智能家居的采样数据、噪音数据和当前网络状态信息，供后续操作使用；采样数据包括传感器类型和传感器发送时间；
云平台3与所有传感器节点1相连，用于对传感器类型和传感器发送时间进行排序，对每个类型的传感器在单位时间内的发送频率进行聚类，计算每个聚类类别的平均发送频率，得到DFR参数；其中：
云平台3包括接收模块3-1、排序模块3-2、统计模块3-3、标准化处理模块3-4、聚类模块3-5和计算模块3-6；
接收模块3-1与传感器节点1的采集模块1-1相连，用于接收传感器节点1的采集模块1-1发送的传感器类型和传感器发送时间，并构建采样数据集；
排序模块3-2与接收模块3-1相连，用于对传感器类型和传感器发送时间进行排序，得到不同类型传感器的发送序列；
统计模块3-3与排序模块3-2相连，用于对每个类型传感器的发送序列统计单位时间内(以分钟为单位时间)的发送频率，得到频率与时间的二元组F，F＝{(t1,f1),(t2,f2),(t1,f3)…,(tn,fn)}；
式中：t1，t2，t3，···tn分别为单位时间，f1，f2，f3，···fn分别为单位时间内的发送频率；F是单位时间与单位时间内发送频率组成的二元组集合；
标准化处理模块3-4与统计模块3-3相连，用于对每个类型传感器的二元组F进行标准化处理，通过标准化处理避免后期数据的波动性大的问题；映射到[0,1]区间，得到二元组F所对应的F′：
F′＝{(t1,f′1),(t2,f′2),…,(tn,f′n)}；
式中：t1，t2，t3，···tn分别为单位时间，f1′，f2′，f3′，···fn′分别为单位时间内f1，f2，f3，···fn标准化处理后的发送频率；
其中：标准化处理的公式为：
聚类模块3-5与标准化处理模块3-4相连，采用K-means聚类算法对每个类型传感器的F′进行聚类，，将连续时间段内发送频率相当的聚为一类，得到多个聚类类别；
计算模块3-6与聚类模块3-5相连，用于分别计算每个聚类类别的平均发送频率，并取聚类结果的最大和最小时间作为起止时间，得到每个类型传感器的所有聚类类别的DFR参数；最终的DFR参数是一个集合，以不同的传感器类型区分。例如{[0,5,0.12],[5,9,0.73],[9,17,0.21],[17,24,0.75]}表示24小时内的发送密度分布情况，对于每一个元素，前两位表示起止时间，最后一位表示该时间区间内的平均发送频率。
汇聚节点2分别与所有传感器节点1和云平台3相连，用于通过DFR参数对噪音数据进行标签，调用基于逻辑回归的半监督学习算法对标签后的噪音数据进行学习得到学习参数，将学习参数分发给所有传感器节点；半监督学习算法包括预测函数，整体开销函数和梯度下降算法；其中：
汇聚节点2包括标签模块2-1、学习模块2-2和分发模块2-3；
标签模块2-1与云平台3的计算模块3-6和传感器节点1的采集模块1-1分别相连，用于获取云平台3的DFR参数和传感器节点1的噪音数据，通过DFR参数对噪音数据进行标签；
学习模块2-2与标签模块2-1相连，用于调用基于逻辑回归的半监督学习算法对标签后的噪音数据进行学习得到学习参数；其中：
基于逻辑回归构建学习参数的预测函数：
式中：θ为由学习参数组成的矩阵，hθ(x)为预测函数，x为训练样本的状态信息，T是矩阵的转置运算；
根据平方差法构建出整体开销函数：
式中：J(θ)为开销函数，m为训练样本的个数，i为第i个训练样本，x为训练样本的状态信息，y为预测函数的预测结果，x(i)为第i个训练样本的状态信息，y(i)为第i个训练样本的预测结果；
采用梯度下降算法寻找使得全局开销最小的参数，梯度下降算法为：
式中：θi：为对学习参数矩阵θ中各个元素进行梯度下降算法，θi代表学习参数矩阵中的元素，α为梯度下降算法中步进的幅度；
全局开销最小的参数即为所得的学习参数。
分发模块2-3与学习模块2-2相连，用于将学习参数分发给所有传感器节点1。
传感器节点将学习参数代入预测函数中构建预测模型，将当前网络状态信息输入到预测模型中，判断是否发送噪音数据；其中：
传感器节点1的预测模块1-2分别与分发模块2-3和采集模块1-1相连，用于将汇聚节点2的学习参数代入到预测函数中，构建预测模型；并将当前网络状态信息输入到预测模型中，得到[0,1]的输出结果；当前网络状态信息是指当前时间窗口的网络状态信息；
判断模块1-3与预测模块1-2相连，当输出结果大于等于0.5时，等待随机时间间隔，传感器节点发送噪音数据，完成一个检测周期，等待下一个时间窗口；当输出结果小于0.5时，传感器节点不发送噪音数据，等待下一个时间窗口；当连续n个检测周期不发送噪音数据后(n可根据实际操作具体取值)，扩大时间窗口(可扩大两倍)，等待下一个时间窗口。
本发明公开的应对智能家居环境中旁路攻击的隐私保护方法及系统，采用基于逻辑回归的半监督学习算法，并将逻辑回归运用于预测函数中；在提高分类效率的同时，减少了调用预测函数的能量消耗，使得传感器节点能够在极少能耗的前提下调用预测函数；本发明将传感器节点网络的当前网络状态信息考虑到整体的加噪过程中，使得整个感器节点网络能够根据不同节点的网络状态信息添加噪音，这使得整体的能耗变得均衡，避免了因为近汇聚节点频繁转发导致能耗过高，寿命降低的局限；本发明采用K匿名的思想，采集数据样本，构建采样数据集，分析样本数据的作息习惯，使得被保护用户的作息习惯与采样数据集的作息习惯相同，对于攻击者来说，作息习惯是K不可分的，从而达到作息习惯的保护。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种应对智能家居环境中旁路攻击的隐私保护方法，其特征在于，包括：
步骤1、传感器节点获取智能家居的采样数据、噪音数据和当前网络状态信息，所述采样数据包括传感器类型和传感器发送时间；
步骤2、对传感器类型和传感器发送时间进行排序，对每个类型的传感器在单位时间内的发送频率进行聚类，计算每个聚类类别的平均发送频率，得到DFR参数；
步骤3、通过DFR参数对噪音数据进行标签，调用基于逻辑回归的半监督学习算法对标签后的噪音数据进行学习得到学习参数，将所述学习参数分发给所有传感器节点；所述半监督学习算法包括预测函数，整体开销函数和梯度下降算法；
步骤4、传感器节点将学习参数代入所述预测函数中构建预测模型，将步骤1所述的当前网络状态信息输入到所述预测模型中，判断是否发送所述噪音数据。
2.如权利要求1所述的应对智能家居环境中旁路攻击的隐私保护方法，其特征在于，所述步骤2包括：
步骤2-1、接收传感器节点发送的传感器类型和传感器发送时间，构建采样数据集；
步骤2-2、对传感器类型和传感器发送时间进行排序，得到不同类型传感器的发送序列；
步骤2-3、对每个类型传感器的发送序列统计单位时间内的发送频率，得到频率与时间的二元组F：
F＝{(t1,f1),(t2,f2),(t3,f3)…,(tn,fn)}；
式中：t1，t2，t3，…tn分别为单位时间，f1，f2，f3，…fn分别为单位时间内的发送频率；F是单位时间与单位时间内发送频率组成的二元组集合；
步骤2-4、对每个类型传感器的二元组F进行标准化处理，映射到[0,1]区间，得到二元组F所对应的F′：
F′＝{(t1,f′1),(t2,f′2),…,(tn,f′n)}；
式中：t1，t2，t3，…tn分别为单位时间，f1′，f2′，f3′，…fn′分别为单位时间内f1，f2，f3，…fn标准化处理后的发送频率；
步骤2-5、采用K-means聚类算法对每个类型传感器的F′进行聚类，得到多个聚类类别；
步骤2-6、分别计算每个聚类类别的平均发送频率，并取聚类结果的最大和最小时间作为起止时间，得到每个类型传感器的所有聚类类别的DFR参数。
3.如权利要求2所述的应对智能家居环境中旁路攻击的隐私保护方法，其特征在于，在步骤2-4中，所述标准化处理的公式为：
4.如权利要求1所述的应对智能家居环境中旁路攻击的隐私保护方法，其特征在于，所述步骤3中调用基于逻辑回归的半监督学习算法对标签后的噪音数据进行学习得到学习参数的方法为：
步骤3-1、基于逻辑回归构建学习参数的预测函数：
式中：θ为由学习参数组成的矩阵，hθ(x)为预测函数，x为训练样本的状态信息，T是矩阵的转置运算；
步骤3-2、根据平方差法构建出整体开销函数：
式中：J(θ)为开销函数，m为训练样本的个数，i为第i个训练样本，x为训练样本的状态信息，y为预测函数的预测结果，x(i)为第i个训练样本的状态信息，y(i)为第i个训练样本的预测结果；
步骤3-3、采用梯度下降算法寻找使得全局开销最小的参数，所述梯度下降算法的计算公式为：
式中：θi∶为对学习参数矩阵θ中各个元素进行梯度下降算法，θi代表学习参数矩阵中的元素，α为梯度下降算法中步进的幅度；
步骤3-4、全局开销最小的参数即为所得的学习参数。
5.如权利要求1所述的应对智能家居环境中旁路攻击的隐私保护方法，其特征在于，所述步骤4包括：
步骤4-1、将学习参数代入到预测函数中，构建预测模型；
步骤4-2、将步骤1中所述的当前网络状态信息输入到所述预测模型中，得到[0,1]的输出结果；当前网络状态信息是指当前时间窗口的网络状态信息；
步骤4-3、当输出结果大于等于0.5时，传感器节点发送噪音数据；当输出结果小于0.5时，传感器节点不发送噪音数据，完成一个检测周期，并等待下一个时间窗口。
6.如权利要求5所述的应对智能家居环境中旁路攻击的隐私保护方法，其特征在于，所述步骤4-3中：
当连续n个检测周期不发送噪音数据后，扩大时间窗口，继续检测。
7.一种实现权利要求1-6中任一项所述的应对智能家居环境中旁路攻击的隐私保护方法的保护系统，其特征在于，包括：多个传感器节点、汇聚节点和云平台；
所述传感器节点，用于获取智能家居的采样数据、噪音数据和当前网络状态信息，所述采样数据包括传感器类型和传感器发送时间；
所述云平台与所有传感器节点相连，用于对传感器类型和传感器发送时间进行排序，对每个类型的传感器在单位时间内的发送频率进行聚类，计算每个聚类类别的平均发送频率，得到DFR参数；
所述汇聚节点分别与所有传感器节点和云平台相连，用于通过DFR参数对噪音数据进行标签，调用基于逻辑回归的半监督学习算法对标签后的噪音数据进行学习得到学习参数，将所述学习参数分发给所有传感器节点；所述半监督学习算法包括预测函数，整体开销函数和梯度下降算法；
所述传感器节点将学习参数代入预测函数中构建预测模型，将所述当前网络状态信息输入到所述预测模型中，判断是否发送所述噪音数据。
8.如权利要求7所述的应对智能家居环境中旁路攻击的隐私保护系统，其特征在于，所述云平台包括接收模块、排序模块、统计模块、标准化处理模块、聚类模块和计算模块；
所述接收模块，用于接收传感器节点发送的传感器类型和传感器发送时间，构建采样数据集；
所述排序模块与所述接收模块相连，用于对传感器类型和传感器发送时间进行排序，得到不同类型传感器的发送序列；
所述统计模块与所述排序模块相连，用于对每个类型传感器的发送序列统计单位时间内的发送频率，得到频率与时间的二元组F，F＝{(t1,f1),(t2,f2),(t3,f3)…,(tn,fn)}；
式中：t1，t2，t3，…tn分别为单位时间，f1，f2，f3，…fn分别为单位时间内的发送频率；F是单位时间与单位时间内发送频率组成的二元组集合；
所述标准化处理模块与所述统计模块相连，用于对每个类型传感器的二元组F进行标准化处理，映射到[0,1]区间，得到二元组F所对应的F′，F′＝{(t1,f′1),(t2,f′2),…,(tn,f′n)}；所述标准化处理为：
式中：t1，t2，t3，…tn分别为单位时间，f1′，f2′，f3′，…fn′分别为单位时间内f1，f2，f3，…fn标准化处理后的发送频率；
所述聚类模块与所述标准化处理模块相连，采用K-means聚类算法对每个类型传感器的F′进行聚类，得到多个聚类类别；
所述计算模块与所述聚类模块相连，用于分别计算每个聚类类别的平均发送频率，并取聚类结果的最大和最小时间作为起止时间，得到每个类型传感器的所有聚类类别的DFR参数。
9.如权利要求7所述的应对智能家居环境中旁路攻击的隐私保护系统，其特征在于，所述汇聚节点包括标签模块、学习模块和分发模块；
所述标签模块，用于获取云平台的DFR参数和传感器节点的噪音数据，通过DFR参数对噪音数据进行标签；
所述学习模块与所述标签模块相连，用于调用基于逻辑回归的半监督学习算法对标签后的噪音数据进行学习得到学习参数；其中：
基于逻辑回归构建学习参数的预测函数：
式中：θ为由学习参数组成的矩阵，hθ(x)为预测函数，x为训练样本的状态信息，T是矩阵的转置运算；
根据平方差法构建出整体开销函数：
式中：J(θ)为开销函数，m为训练样本的个数，i为第i个训练样本，x为训练样本的状态信息，y为预测函数的预测结果，x(i)为第i个训练样本的状态信息，y(i)为第i个训练样本的预测结果；
采用梯度下降算法寻找使得全局开销最小的参数，所述梯度下降算法为：
式中：θi∶为对学习参数矩阵θ中各个元素进行梯度下降算法，θi代表学习参数矩阵中的元素，α为梯度下降算法中步进的幅度；
全局开销最小的参数即为所得的学习参数；
所述分发模块与所述学习模块相连，用于将学习参数分发给所有传感器节点。
10.如权利要求7所述的应对智能家居环境中旁路攻击的隐私保护系统，其特征在于，所述传感器节点包括采集模块、预测模块和判断模块；
所述采集模块，用于获取智能家居的采样数据、噪音数据和当前网络状态信息；
所述预测模块与所述采集模块相连，用于将汇聚节点的学习参数代入到预测函数中，构建预测模型；并将当前网络状态信息输入到所述预测模型中，得到[0,1]的输出结果；当前网络状态信息是指当前时间窗口的网络状态信息；
所述判断模块与所述预测模块相连，当输出结果大于等于0.5时，传感器节点发送噪音数据；当输出结果小于0.5时，传感器节点不发送噪音数据；完成一个检测周期，并等待下一个时间窗口；当连续n个检测周期不发送噪音数据后，扩大时间窗口，继续检测。
CN201610556753.XA 2016-07-14 2016-07-14 应对智能家居环境中旁路攻击的隐私保护方法及系统 Active CN106209457B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610556753.XA CN106209457B (zh) 2016-07-14 2016-07-14 应对智能家居环境中旁路攻击的隐私保护方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610556753.XA CN106209457B (zh) 2016-07-14 2016-07-14 应对智能家居环境中旁路攻击的隐私保护方法及系统

Publications (2)

Publication Number Publication Date
CN106209457A CN106209457A (zh) 2016-12-07
CN106209457B true CN106209457B (zh) 2019-03-12

Family

ID=57475664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610556753.XA Active CN106209457B (zh) 2016-07-14 2016-07-14 应对智能家居环境中旁路攻击的隐私保护方法及系统

Country Status (1)

Country Link
CN (1) CN106209457B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101997A (zh) * 2018-07-11 2018-12-28 浙江理工大学 一种采样受限主动学习的溯源方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11003995B2 (en) * 2017-05-19 2021-05-11 Huawei Technologies Co., Ltd. Semi-supervised regression with generative adversarial networks
CN107798249B (zh) * 2017-07-24 2020-02-21 平安科技（深圳）有限公司 行为模式数据的发布方法及终端设备
CN109284313B (zh) * 2018-08-10 2021-08-27 深圳前海微众银行股份有限公司 基于半监督学习的联邦建模方法、设备及可读存储介质
US11455573B2 (en) 2019-09-30 2022-09-27 International Business Machines Corporation Data protection distributed learning
CN110956208A (zh) * 2019-11-27 2020-04-03 山东建筑大学 基于逻辑回归算法的温室大棚光照检测方法与系统
CN111885009B (zh) * 2020-07-03 2021-12-17 南京大学 智能家居环境中通过误导嗅探工具保护隐私的系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102843385A (zh) * 2012-09-24 2012-12-26 东南大学 一种用于云计算环境中防范旁路攻击虚拟机的方法
CN103188075A (zh) * 2013-02-01 2013-07-03 广州大学 一种密钥和真随机数发生器及生成密钥和真随机数的方法
CN103324467A (zh) * 2013-05-28 2013-09-25 戴葵 一种基于随机指令延迟的抗旁路攻击处理器架构
CN104734845A (zh) * 2015-03-25 2015-06-24 上海交通大学 基于全加密算法伪操作的旁路攻击防护方法
EP2893431A1 (fr) * 2012-09-04 2015-07-15 Morpho Protection contre canaux auxiliaires

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2893431A1 (fr) * 2012-09-04 2015-07-15 Morpho Protection contre canaux auxiliaires
CN102843385A (zh) * 2012-09-24 2012-12-26 东南大学 一种用于云计算环境中防范旁路攻击虚拟机的方法
CN103188075A (zh) * 2013-02-01 2013-07-03 广州大学 一种密钥和真随机数发生器及生成密钥和真随机数的方法
CN103324467A (zh) * 2013-05-28 2013-09-25 戴葵 一种基于随机指令延迟的抗旁路攻击处理器架构
CN104734845A (zh) * 2015-03-25 2015-06-24 上海交通大学 基于全加密算法伪操作的旁路攻击防护方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101997A (zh) * 2018-07-11 2018-12-28 浙江理工大学 一种采样受限主动学习的溯源方法
CN109101997B (zh) * 2018-07-11 2020-07-28 浙江理工大学 一种采样受限主动学习的溯源方法

Also Published As

Publication number Publication date
CN106209457A (zh) 2016-12-07

Similar Documents

Publication Publication Date Title
CN106209457B (zh) 应对智能家居环境中旁路攻击的隐私保护方法及系统
CN104506385B (zh) 一种软件定义网络安全态势评估方法
CN102724678B (zh) 中心式认知无线网络中基于信誉值的资源分配方法
CN106101102A (zh) 一种基于pam聚类算法的网络异常流量检测方法
CN106485089B (zh) 谐波用户典型工况的区间参数获取方法
CN107733877B (zh) 一种物联网无线通讯架构的管理方法及系统
CN108650649B (zh) 适用于无线传感器网络的异常数据检测方法
CN103533571B (zh) 基于投票策略的容错事件检测方法
CN106921507A (zh) 在无线通信网络中对用户投诉进行预测的方法和装置
CN110162968A (zh) 一种基于机器学习的网络入侵检测系统
CN106231617A (zh) 基于模糊逻辑的无线传感器网络多传感器数据融合方法
CN110224852A (zh) 基于htm算法的网络安全监测方法及装置
CN107371175B (zh) 一种使用协作预测的自组织网络故障检测方法
CN104092503A (zh) 一种基于狼群优化的人工神经网络频谱感知方法
Kamalesh et al. Data aggregation in wireless sensor network using SVM-based failure detection and loss recovery
Na et al. Fake data injection attack detection in AMI system using a hybrid method
Guo et al. WSN cluster head selection algorithm based on neural network
CN106972979A (zh) 一种基于sdn的网络性能监测方法及装置
CN109639669A (zh) 基于转导支持向量机的蚁群聚类入侵检测方法
Jindong et al. Study and prediction of wireless link quality for adaptive channel hopping
Nishanthi et al. Intrusion detection in wireless sensor networks using watchdog based clonal selection algorithm
CN105050128B (zh) 利用信号强度的桥梁健康监测传感网的节点次序自动推导方法
Dhivya et al. Cluster based approximate data collection for wireless sensor networks
Bär et al. MTRAC-discovering M2M devices in cellular networks from coarse-grained measurements
CN105188080A (zh) 移动通信网络中基于直推式置信机和假设检验的小区中断检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhu Nafei

Inventor after: Xiao Qi

Inventor after: He Jingsha

Inventor after: Chang Chengyue

Inventor after: Zhang Yajun

Inventor after: Fang Jing

Inventor before: He Jingsha

Inventor before: Xiao Qi

Inventor before: Chang Chengyue

Inventor before: Zhang Yajun

Inventor before: Fang Jing

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240202

Address after: 101200 room 205-211526, No. 40, Fuqian West Street, Pinggu town, Pinggu District, Beijing (cluster registration)

Patentee after: BEIJING YONGBO TECHNOLOGY CO.,LTD.

Country or region after: China

Address before: 100124 No. 100 Chaoyang District Ping Tian Park, Beijing

Patentee before: Beijing University of Technology

Country or region before: China