CN115051908B - 一种具有双敏感性的数据传输故障检测方法 - Google Patents
一种具有双敏感性的数据传输故障检测方法 Download PDFInfo
- Publication number
- CN115051908B CN115051908B CN202210680708.0A CN202210680708A CN115051908B CN 115051908 B CN115051908 B CN 115051908B CN 202210680708 A CN202210680708 A CN 202210680708A CN 115051908 B CN115051908 B CN 115051908B
- Authority
- CN
- China
- Prior art keywords
- data transmission
- fault detection
- data
- gain
- transmission process
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 81
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 230000035945 sensitivity Effects 0.000 title claims abstract description 44
- 230000007246 mechanism Effects 0.000 claims abstract description 32
- 230000003044 adaptive effect Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000013461 design Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000001960 triggered effect Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims 3
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- H04L41/145—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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
-
- 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
- H04L41/28—Restricting access to network management systems or functions, e.g. using authorisation function to access network configuration
-
- 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
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Environmental & Geological Engineering (AREA)
- Maintenance And Management Of Digital Transmission (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种具有双敏感性的数据传输故障检测方法。本发明包括1、建立数据传输过程的状态空间模型;2、建立数据传输过程的自适应事件触发条件;3、建立混杂自适应事件触发异步滤波器模型;4、构造数据传输过程的故障检测模型;5、引入增益隐私安全敏感性机制和增益故障检测敏感性机制;6、引入阈值报警故障检测机制;7、设计数据传输过程的自适应事件触发故障检测滤波器。本发明提高数据传输的效率和质量,同时也提高数据的隐私安全性。本发明充分考虑了数据包的非负性、随机性等特点以及数据隐私安全性问题,设计了具有故障检测敏感性和数据隐私安全敏感性的异步滤波器,大大降低了设计成本、提高了数据传输过程中的资源利用率。
Description
技术领域
本发明属于工程技术领域,涉及一种具有双敏感性的数据传输故障检测方法。
背景技术
数据通信是通信技术和计算机技术相结合而产生的一种新的通信方式。当前阶段,数据通信技术在很多领域都得到了广泛的应用,为信息化社会的发展做出了巨大的贡献。数据通信的发展十分迅猛,原因在于广大用户对数据业务的需求量不断增加,且人们对数据业务形式的丰富程度要求也越来越高,基本的信息读取已经无法满足人们的需求。数据通信主要是通过数据的运输来实现的,即将原有的数据通过传输通道发送出去。但是需要注意的是,在数据传输的过程中,必须加强对差错率的控制,这就需要建立覆盖整个数据通信系统的数据控制规程,如此才能保障数据传输的质量。另一方面,在大数据时代背景下,由于应用环境的多样性、复杂性和特殊性,数据的安全面临多种多样的威胁与挑战:不仅依然需要面临数据窃取、篡改与伪造等传统威胁,同时也需要面对近年来出现日益增多的数据滥用、个人信息与隐私泄露、“大数据杀熟”等新的安全问题。近年来,隐私问题成为普遍关注的热点问题。对隐私问题的重视促进了隐私保护技术的研究。就隐私保护技术而言,隐私保护程度和数据可用性是最重要的衡量指标。为了平衡隐私保护程度和数据可用性,需要引入形式化定义对隐私进行量化,顺应这一发展趋势,有研究者提出了差分隐私技术。作为一种隐私保护模型,其严格定义了隐私保护的强度,即任意一条记录的添加或删除,都不会影响最终的查询结果。同时,该模型定义了极为严格的攻击模型,其不关心攻击者具有多少背景知识。相比于k-匿名、1-多样性和t-紧密性等需要特殊攻击假设和背景知识的方法,差分隐私因其独特的优势,成为当前学术界的研究热点。
数据传输具有传输数据量大、传输速度和质量要求高、容错率要求高等特点。但在实际数据传输系统中,由于执行器故障、传感器故障、通信设备故障、恶意攻击等因素的影响,传输的效率和质量很难达到要求。因此,提出一个可行的同时考虑故障检测敏感性和数据隐私安全敏感性的故障检测机制,对于提高数据传输的效率和质量、保证数据隐私安全具有重要的意义。
由于数据传输过程中,数据包的数量具有随机性和非负性的特点,将其建模为正马尔科夫跳变系统模型更加符合实际。对于数据传输过程中存在的扰动(执行器故障、传感器故障、通信设备故障、恶意攻击等)问题,人们已经进行了大量相关的研究并且提出了诸多检测方法,如基于故障参考模型、几何分析、神经网络等方法讨论故障检测中的检测与隔离问题。需要注意的是,这些方法的结论大都没有考虑故障检测的敏感性问题,导致检测的效率不高,对数据传输的质量造成一定的影响。此外,数据传输过程中难免会遭受恶意攻击,造成用户隐私的泄露,降低数据传输的安全性,而前述几种故障检测方法均未考虑数据安全问题。因此,基于故障敏感性机制和差分隐私机制设计故障检测滤波器显得尤为重要。同时,由于数据传输系统和故障检测器之间的模态异步会导致一定的数据安全问题,于是,提出一种可在异步故障检测器下实现的检测机制可进一步提高数据隐私安全性。最后,为了提高系统的资源利用率,提出了自适应事件触发机制。在自适应事件触发控制律下,事件触发的阈值会随着误差的大小而变化,从而有效避免了时间触发和静态事件触发所导致的采样频繁问题,进一步提高了系统的资源利用率。同时,建立混杂触发机制,控制自适应事件触发和时间触发两种机制的随机切换,以保证系统的安全稳定运行。
综上,本发明将采用正马尔可夫跳变系统对数据传输过程建立数学模型,提出具有故障检测敏感性和数据隐私安全敏感性的异步故障检测方法。同时,基于混杂自适应事件触发策略,设计故障检测滤波器,以提高数据传输系统的传输效率和质量以及数据隐私安全性。
发明内容
本发明针对数据传输过程,建立了具有故障检测敏感性和数据隐私安全敏感性的正马尔科夫跳变系统模型,并提出了混杂自适应事件触发条件下的异步故障检测方法。
本发明方法的具体步骤包括如下:
步骤1、建立数据传输过程的状态空间模型;
步骤2、建立数据传输过程的自适应事件触发条件;
步骤3、建立混杂自适应事件触发异步滤波器模型;
步骤4、构造数据传输过程的故障检测模型;
步骤6、引入阈值报警故障检测机制;
步骤7、设计数据传输过程的自适应事件触发故障检测滤波器。
进一步的,步骤2所述的建立数据传输过程的自适应事件触发条件,其构造形式如下:
||ey(k)‖1>β(k)||y(k)‖1,
自适应事件触发阈值β(k)的控制律如下:
其中β1,β2,χ都是给定的常数,且满足0<β1<1,1<β2<1,χ>0,分别表示自适应系数β(k)增加、减少系数和控制自适应律增减的阈值;是已知的常数;ey(k)是测量数据包数量误差,/>其中/>表示自然数,它表示时刻kl数据包输出数量,y(k)为时刻k数据包输出数量。
进一步的,步骤3所述的建立混杂自适应事件触发异步滤波器模型,其结构形式如下:
其中,xd(k)表示故障滤波器的状态信号,r(k)表示残差信号,ρk表示满足Pr(ρk=b|φk=i)=λib,ρk∈S2={1,2,...,M},M∈N+,0≤λib≤1,的隐马尔可夫过程,是待设计的滤波器矩阵;令ρk=b,b∈S2,则滤波器矩阵可被记作Adb,Bdb,Cdb,Ddb;/>为故障检测滤波器的有效输入,可在时间触发和事件触发的传感器输出中自由切换;切换效果由随机变量α(k)刻画,并且α(k)满足伯努利分布,相应的分布概率为/>
进一步的,步骤4所述的构造数据传输过程的故障检测模型:
进一步的,步骤6所述的引入阈值报警故障检测机制:
其中,T表示可自由滑动变化的监测时间窗口,当l<0时,r(l)=0,J(t)表示故障评估函数,Jth(t)表示相应的故障报警指标函数,当J(t)>Jth(t)时,相应的故障检测系统发出故障报警。
进一步的,步骤7所述的设计数据传输过程的自适应事件触发故障检测滤波器:
7.1设计的自适应事件触发故障检测滤波器系统矩阵如下:
7.3根据步骤2、步骤7.1和步骤7.2的前三个条件,得到保证故障检测系统为正的条件:
其中,
7.4考虑步骤5.1和步骤5.2的约束性能,根据步骤2、步骤7.1得到保证故障检测系统随机稳定的条件:
其中,
进而得到:
进而,可以得到:
本发明有益效果如下:
本发明基于正马尔科夫跳变系统模型、混杂自适应事件触发策略以及滤波方法,针对数据传输过程中的数据包进行数据采集,提出了一种具有故障检测敏感性和数据隐私安全敏感性的异步滤波器设计方法,从而能够有效提高数据传输的效率和质量,同时保证了数据隐私安全。本发明所建立的模型充分考虑了实际系统的正性、随机性、数据安全性等特点,具有更高的应用价值。
附图说明
图1为本发明某众包数据传输示意图;
图2为数据传输过程故障检测结构图。
具体实施方式
下面结合附图对本发明做进一步说明。
如图1所示,以数据传输过程为研究对象,以数据标注众包平台接收到的客户采集的数据包数量为控制输入,以数据标注众包平台发送至服务器端的数据包数量为输出,建立了该数据传输过程的动态模型。图2是数据传输过程故障检测结构图。
步骤1、结合数据传输动态过程数据包数量数据,建立状态空间模型。
1.1对数据传输过程的输入输出数据量进行采集以描述实际的系统:
考虑某众包数据传输过程如图1所示(见说明书附图),分散在各个地区的客户将采集到的数据发送至数据标注众包平台,数据标注众包平台将处理后的数据发送给相应的服务器端,由此构成一个数据传输的完整过程。在数据传输过程中,可能会出现传感器故障、通信设备故障、执行器故障等现象,导致数据传输效率和质量降低。因此,根据采集到的数据包的数量数据进行故障检测滤波具有重大意义。此外,由于众包数据采集模式采集到的数据量大、客户隐私安全性低,容易遭受恶意攻击,导致客户隐私数据泄露。因此,引入数据隐私安全保护机制对于数据传输过程中数据隐私安全十分重要。考虑到实际数据传输过程中数据包的数量具有非负性以及随机性,将实际数据传输过程建模为正马尔科夫跳变模型。为了进一步提高数据隐私安全性,建立了隐马尔科夫跳变模型,保证滤波器的切换和故障检测系统的切换是异步的。数据传输过程中数据包的数量是随机的,为了提高系统资源利用率,自适应事件触发策略被提出。图2(见说明书附图)是数据传输过程故障检测结构图。
1.2采集数据传输过程中数据包数量数据,建立数据传输过程的状态空间模型,形式如下:
其中,x(k)=[x1(k),x2(k),...,xn(k)]T∈Rn为时刻k客户发送至数据标注众包平台的数据包的数量,xj(k)为时刻k运输到第j个客户发送的数据包的数量,其中1≤j≤n,n代表客户的数量。y(k)∈Rp为时刻k发送到服务器的数据包的数量,p代表y(k)的维数,是不可测的造成数据传输异常的外部扰动因素,例如恶意攻击、网络延迟等,m是外部扰动因素的种类数量。/>是系统的传感器和执行器等设备在运行过程中可能出现的故障信号,q表示被故障信号的种类数量。当系统发生故障时,数据包不能够正常被传输,从而导致数据输出效率和质量的降低。φk是马尔科夫链,满足转移概率为Pr(φk+1=j|φk=i)=πij,转移率πij≥0表示跳变信号从模态i到模态j,φk属于有限集S1={1,2,...,N},N∈N+。这里的A(φt),B(φt),C(φt),D(φt),E(φt),F(φt)为系统矩阵,可由实际过程中收集的数据整理得到。为方便起见,令φt=i,i∈S1,则系统矩阵可被记作Ai,Bi,Ci,Di,Ei,Fi。假定矩阵满足/>Rn,/>Rn×n,N+分别表示n维向量空间、n维非负向量空间、n×n维欧氏矩阵空间和正整数集。
步骤2、建立数据传输过程的自适应事件触发条件,其构造形式如下:
||ey(k)‖1>β(k)||y(k)‖1,
自适应事件触发阈值β(k)的控制律如下:
其中β1,β2,χ都是给定的常数,且满足0<β1<1,1<β2<1,χ>0,分别表示自适应系数β(k)增加、减少系数和控制自适应律增减的阈值;是已知的常数;ey(k)是测量数据包数量误差,/>其中/>表示自然数,它表示时刻kl数据包输出数量,y(k)为时刻k数据包输出数量。
步骤3、建立混杂自适应事件触发异步滤波器模型,其结构形式如下:
其中,xd(k)表示故障滤波器的状态信号,r(k)表示残差信号,ρk表示满足Pr(ρk=b|φk=i)=λib,ρk∈S2={1,2,...,M},M∈N+,0≤λib≤1,的隐马尔可夫过程,是待设计的滤波器矩阵;令ρk=b,b∈S2,则滤波器矩阵可被记作Adb,Bdb,Cdb,Ddb;/>为故障检测滤波器的有效输入,可在时间触发和事件触发的传感器输出中自由切换;切换效果由随机变量α(k)刻画,并且α(k)满足伯努利分布,相应的分布概率为/>
步骤4、构造数据传输过程的故障检测模型:
步骤6、引入阈值报警故障检测机制:
其中,T表示可自由滑动变化的监测时间窗口,当l<0时,r(l)=0,J(t)表示故障评估函数,Jth(t)表示相应的故障报警指标函数,当J(t)>Jth(t)时,相应的故障检测系统发出故障报警。
步骤7、设计数据传输过程的自适应事件触发故障检测滤波器:
7.1设计的自适应事件触发故障检测滤波器系统矩阵如下:
7.3根据步骤2、步骤7.1和步骤7.2的前三个条件,得到保证故障检测系统为正的条件:
其中,
7.4考虑步骤5.1和步骤5.2的约束性能,根据步骤2、步骤7.1得到保证故障检测系统随机稳定的条件:
其中,
进而得到:
进而,可以得到:
Claims (4)
1.一种具有双敏感性的数据传输故障检测方法,其特征在于如下步骤:
步骤1、建立数据传输过程的状态空间模型;
步骤2、建立数据传输过程的自适应事件触发条件;
步骤3、建立混杂自适应事件触发异步滤波器模型;
步骤4、构造数据传输过程的故障检测模型;
步骤5、引入l1增益隐私安全敏感性机制和l-增益故障检测敏感性机制;
步骤6、引入阈值报警故障检测机制;
步骤7、设计数据传输过程的自适应事件触发故障检测滤波器;
步骤1所述的建立数据传输过程的状态空间模型,具体实现如下:
采集数据传输过程中数据包数量数据,建立数据传输过程的状态空间模型,形式如下:
其中,x(k)=[x1(k),x2(k),...,xn(k)]T∈Rn为时刻k客户发送至数据标注众包平台的数据包的数量,xj(k)为时刻k运输到第j个客户发送的数据包的数量,其中1≤j≤n,n代表客户的数量;y(k)∈Rp为时刻k发送到服务器的数据包的数量,p代表y(k)的维数,是不可测的造成数据传输异常的外部扰动因素,m是外部扰动因素的种类数量;/>是系统的传感器和执行器等设备在运行过程中可能出现的故障信号,q表示被故障信号的种类数量;φk是马尔科夫链,满足转移概率为Pr(φk+1=j|φk=i)=πij,转移率πij≥0表示跳变信号从模态i到模态j,φk属于有限集S1={1,2,...,N},N∈N+;其中A(φt),B(φt),C(φt),D(φt),E(φt),F(φt)为系统矩阵,由实际过程中收集的数据整理得到;为方便起见,令φt=i,i∈S1,则系统矩阵被记作Ai,Bi,Ci,Di,Ei,Fi;假定矩阵满足 分别表示n维向量空间、n维非负向量空间、n×n维欧氏矩阵空间和正整数集;
步骤3所述的建立混杂自适应事件触发异步滤波器模型,其结构形式如下:
其中,xd(k)表示故障滤波器的状态信号,r(k)表示残差信号,ρk表示满足的隐马尔可夫过程,是待设计的滤波器矩阵;令ρk=b,b∈S2,则滤波器矩阵可被记作Adb,Bdb,Cdb,Ddb;/>为故障检测滤波器的有效输入,可在时间触发和事件触发的传感器输出中自由切换;切换效果由随机变量α(k)刻画,并且α(k)满足伯努利分布,相应的分布概率为/>
步骤4所述的构造数据传输过程的故障检测模型:
步骤5所述的引入l1增益隐私安全敏感性机制和l-增益故障检测敏感性机制:
5.1引入l1增益隐私安全敏感性机制:
其中,γ表示l1增益;当系统满足此式时,说明系统具有l1增益稳定性;即,系统具有l1隐私安全敏感性;
5.2引入l_增益故障检测敏感性机制:
其中,ε表示l_增益;当系统输出满足此式时,说明系统具有l_增益稳定性;即,系统具有l-故障检测敏感性。
4.根据权利要求3所述的一种具有双敏感性的数据传输故障检测方法,其特征在于步骤7所述的设计数据传输过程的自适应事件触发故障检测滤波器:
7.1设计的自适应事件触发故障检测滤波器系统矩阵如下:
7.3根据步骤2、步骤7.1和步骤7.2的前三个条件,得到保证故障检测系统为正的条件:
其中,
7.4考虑步骤5.1和步骤5.2的约束性能,根据步骤2、步骤7.1得到保证故障检测系统随机稳定的条件:
其中,
进而得到:
根据步骤5说明数据传输过程在设计的自适应事件触发滤波器下是l1随机稳定的;
进而,可以得到:
根据步骤7.6说明数据传输过程在设计的自适应事件触发滤波器下是具有l-增益ε。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210680708.0A CN115051908B (zh) | 2022-06-15 | 2022-06-15 | 一种具有双敏感性的数据传输故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210680708.0A CN115051908B (zh) | 2022-06-15 | 2022-06-15 | 一种具有双敏感性的数据传输故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115051908A CN115051908A (zh) | 2022-09-13 |
CN115051908B true CN115051908B (zh) | 2023-07-07 |
Family
ID=83161214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210680708.0A Active CN115051908B (zh) | 2022-06-15 | 2022-06-15 | 一种具有双敏感性的数据传输故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115051908B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110703742A (zh) * | 2019-11-08 | 2020-01-17 | 哈尔滨工业大学 | 基于事件驱动与输出量化的水面无人艇系统的故障检测方法 |
CN113985197A (zh) * | 2021-10-18 | 2022-01-28 | 杭州电子科技大学 | 一种水务系统设备故障的事件触发异步检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11303432B2 (en) * | 2020-05-01 | 2022-04-12 | Microsoft Technology Licensing, Llc | Label-based double key encryption |
-
2022
- 2022-06-15 CN CN202210680708.0A patent/CN115051908B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110703742A (zh) * | 2019-11-08 | 2020-01-17 | 哈尔滨工业大学 | 基于事件驱动与输出量化的水面无人艇系统的故障检测方法 |
CN113985197A (zh) * | 2021-10-18 | 2022-01-28 | 杭州电子科技大学 | 一种水务系统设备故障的事件触发异步检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115051908A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Balamurugan et al. | Network optimization using defender system in cloud computing security based intrusion detection system withgame theory deep neural network (IDSGT-DNN) | |
Li | Network security evaluation and optimal active defense based on attack and defense game model | |
Li et al. | GLIDE: A Game Theory and Data‐Driven Mimicking Linkage Intrusion Detection for Edge Computing Networks | |
Chen et al. | Federated learning attacks and defenses: A survey | |
Mohammad et al. | Machine learning with big data analytics for cloud security | |
Chow et al. | A practical system for privacy-preserving collaborative filtering | |
CN114662157B (zh) | 社交文本数据流的块压缩感知不可区分性保护方法及装置 | |
Dostálek | Multi-factor authentication modeling | |
Elfeshawy et al. | Divided two-part adaptive intrusion detection system | |
Cheng et al. | Predicting the APT for Cyber Situation Comprehension in 5G‐Enabled IoT Scenarios Based on Differentially Private Federated Learning | |
Zhang | Impact of defending strategy decision on DDoS attack | |
CN115051908B (zh) | 一种具有双敏感性的数据传输故障检测方法 | |
CN114117337A (zh) | 一种面向工业控制终端设备的单向安全检测与多因子加权评估系统 | |
CN116805082B (zh) | 一种保护客户端隐私数据的拆分学习方法 | |
Han et al. | Study of data center communication network topologies using complex network propagation model | |
Chiba et al. | Smart approach to build a deep neural network based ids for cloud environment using an optimized genetic algorithm | |
CN116015677A (zh) | 基于按键动力学特征的网络安全防护方法及装置 | |
Ismail et al. | Towards a lightweight security framework using blockchain and machine learning | |
Chen | Security precautionary technology for enterprise information resource database based on genetic algorithm in age of big data | |
Li et al. | Analysis of duplicate packing in fruitchain | |
Chen et al. | AI-driven cyber security analytics and privacy protection | |
Lu et al. | A method of security evaluation based on fuzzy mathematics | |
Zhang | Research on Network Security Intrusion Identification and Defense Against Malicious Network Damage in a Cloud Environment [J] | |
Viswanathan et al. | Application attack detection system (AADS): An anomaly based behavior analysis approach | |
Chen et al. | QP-LDP for better global model performance in federated learning |
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 |