CN113516180B - 一种针对Z-Wave智能设备识别的方法 - Google Patents
一种针对Z-Wave智能设备识别的方法 Download PDFInfo
- Publication number
- CN113516180B CN113516180B CN202110714161.7A CN202110714161A CN113516180B CN 113516180 B CN113516180 B CN 113516180B CN 202110714161 A CN202110714161 A CN 202110714161A CN 113516180 B CN113516180 B CN 113516180B
- Authority
- CN
- China
- Prior art keywords
- equipment
- sample
- value
- wave
- layer
- 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
Links
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
- G06N3/045—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明属于计算机科学领域,尤其涉及一种针对Z‑Wave智能设备识别的方法,包括构建Z‑Wave网络环境,采集Z‑Wave智能设备无线通信数据,并根据样本特征值构建特征矩阵;使用字典特征提取和PCA降维对样本特征矩阵进行处理,得到基于数值的特征矩阵;输入特征矩阵和设备标签,经过BP神经网络进行训练,得到对应参数学习率、连接权、阈值,并获取样本的实际输出值;BP神经网络的输出层后连接有相似层,并在相似层计算测试样本实际输出值与设备标签的相似度;根据已知设备的测试样本和未知设备的测试样本相似度,确定界值,并根据界值判断待识别的设备为已知设备还是未知设备;本发明能够识别设备是否为已知设备,帮助Z‑Wave智能设备的生产者更有效的实现入侵检测,能够帮助使用者规避被恶意设备接入攻击的危险。
Description
技术领域
本发明属于计算机科学领域,尤其涉及一种针对Z-Wave智能设备识别的方法。
背景技术
Z-Z-Wave智能设备出现在工作生活的各个方面,存储着当前环境中大量的数据信息。这些信息很容易被入侵者通过协议中的漏洞所利用,对Z-Wave网络系统造成严重的打击,甚至还会导致人身财产安全。
通过研究面向Z-Wave设备识别技术,便于在Z-Wave设备接入时进行身份检测,并且在设备接入Z-Wave网络系统后进行跟踪观察,直到Z-Wave设备成为一个可信的设备,从而达到Z-Wave系统高度安全。
已有研究表明利用Z-Wave漏洞,攻击者可以将恶意控制器注入Z-Wave网络来创建持久性攻击通道。
目前国内主流的Z-Wave设备指纹识别技术是提取Z-Wave网络流量特征,再结合传统的机器学习算法进行识别。使用最多的传统机器学习算法有KNN,决策树,随机森林等算法。
例如杨威超等人提出的使用传统的机器学习算法(随机森林),对于相似的设备分类不理想,而且文献中也提到会有识别重叠的问题。
发明内容
为了解决上诉问题,本文提供了一种针对Z-Wave智能设备识别方法,具体包括以下步骤:
构建Z-Wave网络环境,采集Z-Wave智能设备无线通信数据;
至少选取帧控制、帧长度、帧间隔、有效荷载作为样本特征值,并根据样本特征值构建特征矩阵;
使用字典特征提取和PCA降维对样本特征矩阵进行处理,得到基于数值的特征矩阵;
输入特征矩阵和设备标签,经过BP神经网络进行训练,得到对应参数学习率、连接权、阈值,并获取样本的实际输出值;
BP神经网络的输出层后连接有相似层,并在相似层计算测试样本实际输出值与设备标签的相似度;
根据已知设备的测试样本和未知设备的测试样本相似度,确定界值,并根据界值判断待识别的设备为已知设备还是未知设备;
其中,已知设备至少包括Z-Wave智能网关、智能插座、报警器、人体红外传感器;若识别的设备为未知设备,则按照识别时间将未知设备编辑为未知设备1、未知设备2、…、未知设备n。
进一步的,构建特征矩阵的过程包括:
从采集的Z-Wave数据包中选取帧控制、帧长度、有效荷载3个字段作为特征值;
从本地设备的心跳数据流中得到帧间隔;
对帧控制、帧长度、有效荷载以及帧间隔进行预处理;
将每一个数据包作为矩阵的列向量,每一行为数据包中的特征的特征值,至少包括帧控制、帧长度、有效荷载以及帧间隔,构建特征矩阵。
进一步的,使用心跳数据包数据流当次到达时间减去上一次的到达时间作为帧间隔。
进一步的,BP神经网络进行训练时,参数学习率、连接权、阈值的更新过程包括以下步骤:
Δυih=ηehxi
Δωhj=ηgjbh
Δθj=-ηgj
Δγh=-ηeh
其中,Δυih为输入层第i个神经元与隐层第h和神经元之间的连接权重,Δωhj为隐层第h个神经元与输出层之间的连接权重,Δθj为输出层第j个神经元的阈值,Δγh为隐层第h个神经的阈值;η为学习率,eh为隐层输出值对权值的梯度,xi为第i个特征值,gj为输出层输出值对权值的梯度,bh为隐层输出值。
进一步的,隐层输出值对权值的梯度eh表示为:
其中,whj为隐层第h个神经元到第j个输出的权重;l为输出层神经元个数。
进一步的,样本的实际输出值表示为:
其中,y为实际输出值,f为激活函数,ωi为第i个神经元连接的权重,xi为第i个特征值;n为输入层神经元个数,θ为阈值。
进一步的,计算测试样本实际输出值与设备标签的相似度包括:计算样本实际输出值与各个设备标签的误差,并将样本实际输出值与误差值最小的设备标签的比值作为该样本的相似度。
进一步的,当样本与设备标签的似度大于界值D时,则认为样本为该设备标签对应的智能设备,界值更新表示为:
D=D+ΔD;
其中,ΔD为每次进行训练后界值的变化量。
本发明不仅可以识别已知设备,还可以识别未知的设备,可以帮助Z-Wave智能设备的生产者更有效的实现入侵检测,能够帮助使用者规避被恶意设备接入攻击的危险。可以有效地帮助Z-Wave智能设备的生产者以及使用者了解Z-Wave智能设备的安全性以及安全漏洞的情况,即当接入未知设备时进行安全预警。
附图说明
图1为本发明的针对Z-Wave智能设备识别方法的总体流程图;
图2为本发明所诉特征值预处理流程图;
图3为本发明所述参数训练流程图;
图4为本发明针对Z-Wave智能设备识别方法模型图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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。
本发明提出一种针对Z-Wave智能设备识别的方法,具体包括以下步骤:
构建Z-Wave网络环境,采集Z-Wave智能设备无线通信数据;
至少选取帧控制、帧长度、帧间隔、有效荷载作为样本特征值,并根据样本特征值构建特征矩阵;
使用字典特征提取和PCA降维对样本特征矩阵进行处理,得到基于数值的特征矩阵;
输入特征矩阵和设备标签,经过BP神经网络进行训练,得到对应参数学习率、连接权、阈值,并获取样本的实际输出值;
BP神经网络的输出层后连接有相似层,并在相似层计算测试样本实际输出值与设备标签的相似度;
根据已知设备的测试样本和未知设备的测试样本相似度,确定界值,并根据界值判断待识别的设备为已知设备还是未知设备;
其中,已知设备至少包括Z-Wave智能网关、智能插座、报警器、人体红外传感器;若识别的设备为未知设备,则按照识别时间将未知设备编辑为未知设备1、未知设备2、…、未知设备n。
实施例
本实施例一种针对Z-Wave智能设备识别方法,图1为本发明优选的一种实施例针对Z-Wave智能设备识别方法总体流程图,如图1所示,所述识别方法的步骤包括:
步骤1)、构建Z-Wave网络环境,采集Z-Wave智能设备无线通信数据。
由于目前还没有公开的Z-Wave智能设备数据集,因此本发明构建Z-Wave网络,实时采集数据集。其中,Z-Wave网络为本地网关访问:
用户只能通过操作本地网关管理其Z-Wave网络中的节点设备,所有设备控制均在家庭内部执行;
即采用UZB静态控制器,结合Z-Wave PC Controller对Z-Wave智能终端设备进行接入控制。
步骤2)、选取帧控制、帧长度、帧间隔、有效荷载这些数据字段作为特征值;使用字典特征提取对特征数据进行预处理,得到特征矩阵。
本发明使用的深度学习模型,要对输入的数据集进行数值计算,因此本发明要对数据集进行预处理,如图2所示,在所述步骤2)中选取帧控制、帧长度、帧间隔、有效荷载这些数据字段作为特征值;使用字典特征提取对特征数据进行预处理,得到特征矩阵过程包括:
步骤2-1、从原始数据包中选取帧控制、帧长度、有效荷载3个字段作为特征值;从本设备的心跳数据流中得到帧间隔;
步骤2-2、对特征值经过字典特征提取,经过one-hot编码。独热编码即noe-hot编码,又称一位有效编码,其方法是使用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候,其中只有一位有效。对于每一个特征,如果它有m个可能值,那么经过独热编码后,就变成了m个二元特征,并且,这些特征互斥,每次只有一个激活。因此,数据会变成稀疏的。这样做的好处主要有:
(一)解决了分类器不好处理属性数据的问题。
(二)在一定程度上也起到了扩充特征的作用。
步骤2-3、对编码后的数据集,采用PCA的降维方式进行降维,得到数字的特征矩阵。对于m条n维数据,PCA降维步骤:
(1)将原始数据按列组成n行m列矩阵X;
(2)将X的每一行进行零均值化,即减去这一行的均值;
(3)求出协方差矩阵,计算公式为:
其中XT为矩阵X的转置矩阵。
(4)将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵P。
(5)计算得到降到k维的数据Y,计算公式为:
Y=PX。
步骤3)、输入特征矩阵和设备标签,经过BP神经网络进行训练,得到对应参数学习率、连接权、阈值。根据这些参数得到要识别特征值的实际输出值。
其中设备标签为离散的标签值。由于后面还要通过标签值和实际输出值计算相似距离,为了降低偶然性,尽量使标签值之间线性无关,即本发明采用离散的标签值。
目前国内主流的Z-Wave设备指纹识别技术是提取Z-Wave网络流量特征,再结合传统的机器学习算法进行识别。使用最多的传统机器学习算法有KNN,决策树,随机森林等算法。但是这类机器学习算法存在很大的缺陷,其一,没有能力去识别一个未知的设备,对于未知的设备,这类算法一定会给出一个系统认为正确的结果,这样对我们避免恶意的未知设备接入网络非常不利的。其二,需要大量的数据集去提高识别准确率。其三,对于相似设备还会产生识别重叠问题。所以本发明采用深度学习的方法,如图3所示,模型参数训练过程如下:
步骤3-1、给定预处理过的数据集D:
D={(x1,y1),(x2,y2),...,(xm,ym)},xi∈Rd,y∈Rl
即输入示例由d个属性描述,输出l维实值向量。
步骤3-2、在(0,1)范围随机初始化网络中所有连接权和阈值。
其中,vih为输入层第i个神经元与隐层第h个神经元之间的连接权,xi为第i个维的特征值,whj为隐层h个神经元与输出层第j个神经元的连接权,bh为隐层第h个神经元的输出,f为Sigmoid激活函数。
则网络在(xk,yk)上的均方差为:
给定学习率η,学习率η∈(0,1)控制着算法每一次迭代中的更新步长,若太大则容易震荡,太小则收敛速度过慢。有:
根据链式法则,有
最后得到隐层到输出层的连接权变化公式为:
Δwhj=ηgjbh;
类似可以得到
Δυih=ηehxi;
Δθj=-ηgj;
Δγh=-ηeh;
其中,Δυih为输入层第i个神经元与隐层第h和神经元之间的连接权,Δwhj为隐层第h个神经元与输出层之间的连接权,Δθj为输出层第j个神经元的阈值,Δγh为隐层第h个神经的阈值。
Δυih和Δγh中eh的计算公式为:
步骤3-4、如果实际输出值和标签值高度拟合,则停止训练,取出连接权和阈值;如果没有达到高度拟合,则继续步骤3-3。
步骤4)、在相似层计算样本实际输出值与设备标签的相似度。
如图4所示为本发明所针对Z-Wave智能设备识别的网络模型图,相比于BP神经网络模型,新增了相似层,该层的含义是计算样本实际输出值和设备标签的相似度,所述步骤包括:
步骤4-1、将测试样本分类,为第一次分类;
分类方法包括:计算测试样本实际输出值和设备标签的误差,计算公式为:
Δyi=fmin(|y-y1|,|y-y2|,...,|y-yi|);
其中Δyi为测试样本实际输出值和第i个设备标签的最小误差,fmin为最小值判断函数,|y-yi|为测试样本实际输出值y和第i个标签yi差的绝对值。
步骤4-2、计算测试样本实际输出值和最小误差设备标签的相似度,为第二次分类;
分类方法包括:计算样本实际输出值与最小误差设备标签的比值,相似度计算公式为:
di=y/yi
其中,di为样本实际输出值与第i个标签的相似度,y/yi为实际输出值与第i个标签的比值。
步骤5)、通过相似度判断本次样本输入是已知设备,还是未知设备。已知设备的含义为设备样本特征经过模型训练,未知设备的含义是设备样本特征没有经过模型训练。当已知设备样本和未知设备样本相似时,可以分别计算相似程度,给定界值D,通过界值D来区分已知设备和未知设备。界值D更新公式为:
D=D+ΔD;
其中界值D的初始为0.95,ΔD为每次训练之后的变化值该值为0.02,考虑到模型学习效率,D和ΔD可以根据实际情况进行设置。界值D更新根据每次更新后进行实验的准确率进行调整,默认每次ΔD为正值,当当前模型准确率小于上一次模型准确率时,将当前ΔD设置为负值。
判断条件为:
di如果大于D,则认为该样本与yi及其相似,即可识别为yi所对应的智能设备;如果di小于D,则认为该样本与yi不相似,且与其他的已知设备也不相似,因为di为最大相似度,即为未知设备i。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种针对Z-Wave智能设备识别的方法,其特征在于,具体包括以下步骤:
构建Z-Wave网络环境,采集Z-Wave智能设备无线通信数据;
至少选取帧控制、帧长度、帧间隔、有效荷载作为样本特征值,并根据样本特征值构建特征矩阵,具体包括:
从采集的Z-Wave数据包中选取帧控制、帧长度、有效荷载3个字段作为特征值;
从本地设备的心跳数据流中得到帧间隔,即使用心跳数据包数据流当次到达时间减去上一次的到达时间作为帧间隔;
对帧控制、帧长度、有效荷载以及帧间隔进行预处理;
将每一个数据包作为矩阵的列向量,每一行为数据包中的特征的特征值,至少包括帧控制、帧长度、有效荷载以及帧间隔,构建特征矩阵;
使用字典特征提取和PCA降维对样本特征矩阵进行处理,得到基于数值的特征矩阵;
输入特征矩阵和设备标签,经过BP神经网络进行训练,得到对应参数学习率、连接权、阈值,并获取样本的实际输出值;
BP神经网络的输出层后连接有相似层,并在相似层计算测试样本实际输出值与设备标签的相似度,即计算样本实际输出值与各个设备标签的误差,并将样本实际输出值与误差值最小的设备标签的比值作为该样本的相似度;
根据已知设备的测试样本和未知设备的测试样本相似度,确定界值,并根据界值判断待识别的设备为已知设备还是未知设备;
其中,已知设备至少包括Z-Wave智能网关、智能插座、报警器、人体红外传感器;若识别的设备为未知设备,则按照识别时间将未知设备编辑为未知设备1、未知设备2、…、未知设备n。
2.根据权利要求1所述的一种针对Z-Wave智能设备识别的方法,其特征在于,BP神经网络进行训练时,参数学习率、连接权、阈值的更新过程包括以下步骤:
Δυih=ηehxi
Δωhj=ηgjbh
Δθj=-ηgj
Δγh=-ηeh
其中,Δυih为输入层第i个神经元与隐层第h和神经元之间的连接权重,Δωhj为隐层第h个神经元与输出层之间的连接权重,Δθj为输出层第j个神经元的阈值,Δγh为隐层第h个神经的阈值;η为学习率,eh为隐层输出值对权值的梯度,xi为第i个特征值,gj为输出层输出值对权值的梯度,bh为隐层输出值。
5.根据权利要求1所述的一种针对Z-Wave智能设备识别的方法,其特征在于,当样本与设备标签的似度大于界值D时,则认为样本为该设备标签对应的智能设备,每对BP神经网络进行一次训练,则对界值进行一次更新,更新过程表示为:
D=D+ΔD;
其中,ΔD为每次进行训练后界值的变化量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714161.7A CN113516180B (zh) | 2021-06-25 | 2021-06-25 | 一种针对Z-Wave智能设备识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714161.7A CN113516180B (zh) | 2021-06-25 | 2021-06-25 | 一种针对Z-Wave智能设备识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516180A CN113516180A (zh) | 2021-10-19 |
CN113516180B true CN113516180B (zh) | 2022-07-12 |
Family
ID=78065768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110714161.7A Active CN113516180B (zh) | 2021-06-25 | 2021-06-25 | 一种针对Z-Wave智能设备识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516180B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182427A (zh) * | 2018-01-30 | 2018-06-19 | 电子科技大学 | 一种基于深度学习模型和迁移学习的人脸识别方法 |
CN109858509A (zh) * | 2018-11-05 | 2019-06-07 | 杭州电子科技大学 | 基于多层随机神经网络单分类器异常检测方法 |
CN109979436A (zh) * | 2019-04-12 | 2019-07-05 | 南京工程学院 | 一种基于频谱自适应法的bp神经网络语音识别系统及方法 |
CN110365647A (zh) * | 2019-06-13 | 2019-10-22 | 广东工业大学 | 一种基于pca和bp神经网络的虚假数据注入攻击检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348428B (zh) * | 2017-11-01 | 2023-03-24 | 腾讯科技(深圳)有限公司 | 眼底图像分类方法、装置及计算机可读存储介质 |
-
2021
- 2021-06-25 CN CN202110714161.7A patent/CN113516180B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182427A (zh) * | 2018-01-30 | 2018-06-19 | 电子科技大学 | 一种基于深度学习模型和迁移学习的人脸识别方法 |
CN109858509A (zh) * | 2018-11-05 | 2019-06-07 | 杭州电子科技大学 | 基于多层随机神经网络单分类器异常检测方法 |
CN109979436A (zh) * | 2019-04-12 | 2019-07-05 | 南京工程学院 | 一种基于频谱自适应法的bp神经网络语音识别系统及方法 |
CN110365647A (zh) * | 2019-06-13 | 2019-10-22 | 广东工业大学 | 一种基于pca和bp神经网络的虚假数据注入攻击检测方法 |
Non-Patent Citations (2)
Title |
---|
Digital instruments recognition based on PCA-BP neural network;Jun Zhang;《IEEE》;20180208;全文 * |
改进的BP神经网络在数字图像识别中的应用;刘长良等;《仪器仪表与分析监测》;20110228(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113516180A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109698836B (zh) | 一种基于深度学习的无线局域网入侵检测方法和系统 | |
CN108632279B (zh) | 一种基于网络流量的多层异常检测方法 | |
CN108093406B (zh) | 一种基于集成学习的无线传感网入侵检测方法 | |
WO2019144521A1 (zh) | 信息物理交通系统中基于深度学习的恶意攻击检测方法 | |
CN110287983B (zh) | 基于最大相关熵深度神经网络单分类器异常检测方法 | |
CN109962909B (zh) | 一种基于机器学习的网络入侵异常检测方法 | |
CN109902740B (zh) | 一种基于多算法融合并行的再学习工业控制入侵检测方法 | |
Wang et al. | Feature selection and multi-kernel learning for adaptive graph regularized nonnegative matrix factorization | |
CN111641598A (zh) | 一种基于宽度学习的入侵检测方法 | |
Hongwei et al. | Research on intrusion detection based on KPCA-BP neural network | |
CN111431849B (zh) | 一种网络入侵检测方法及装置 | |
Chen et al. | Network anomaly detection based on deep support vector data description | |
CN110581840B (zh) | 基于双层异质集成学习器的入侵检测方法 | |
CN114615010B (zh) | 一种基于深度学习的边缘服务器端入侵防御系统设计方法 | |
Yin et al. | Intrusion detection for capsule networks based on dual routing mechanism | |
Deng et al. | Network intrusion detection based on sparse autoencoder and IGA-BP network | |
CN112187820B (zh) | 基于机器学习的配电终端dtu入侵检测方法和系统 | |
CN113516180B (zh) | 一种针对Z-Wave智能设备识别的方法 | |
CN115865459B (zh) | 一种基于二次特征提取的网络流量异常检测方法及系统 | |
CN115277888B (zh) | 一种移动应用加密协议报文类型解析方法及系统 | |
Lin et al. | Combining biometric fractal pattern and particle swarm optimization-based classifier for fingerprint recognition | |
CN114124437B (zh) | 基于原型卷积网络的加密流量识别方法 | |
Li et al. | Deep convolutional neural network for real and fake face discrimination | |
Assiroj et al. | Measuring memetic algorithm performance on image fingerprints dataset | |
CN113887642A (zh) | 一种基于开放世界的网络流量分类方法及系统 |
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 |