CN115277039A - 针对多轮次数据投毒攻击的Optimized TruthFinder方法 - Google Patents

针对多轮次数据投毒攻击的Optimized TruthFinder方法 Download PDF

Info

Publication number
CN115277039A
CN115277039A CN202210271452.8A CN202210271452A CN115277039A CN 115277039 A CN115277039 A CN 115277039A CN 202210271452 A CN202210271452 A CN 202210271452A CN 115277039 A CN115277039 A CN 115277039A
Authority
CN
China
Prior art keywords
data
worker
truthfinder
weight
workers
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
CN202210271452.8A
Other languages
English (en)
Other versions
CN115277039B (zh
Inventor
李默涵
张宏妞
孙彦斌
田志宏
顾钊铨
韩伟红
唐可可
李树栋
仇晶
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.)
Guangzhou University
Original Assignee
Guangzhou University
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 Guangzhou University filed Critical Guangzhou University
Priority to CN202210271452.8A priority Critical patent/CN115277039B/zh
Publication of CN115277039A publication Critical patent/CN115277039A/zh
Application granted granted Critical
Publication of CN115277039B publication Critical patent/CN115277039B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1425—Traffic logging, e.g. anomaly detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic
    • H04L63/145—Countermeasures against malicious traffic the attack involving the propagation of malware through the network, e.g. viruses, trojans or worms

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Virology (AREA)
  • Computer And Data Communications (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及数据投毒技术领域，且公开了针对多轮次数据投毒攻击的Optimized TruthFinder方法，平台发布任务为24小时每个整点由N个工人对某个物体的M个属性进行观察，N个工人接受任务后，平台对N个工人的权重进行初始化，初始化方式为平均权重，每个工人的权重为
Figure DDA0003554801750000011
当工人观测结束后，将观测数据
Figure DDA0003554801750000012
提交到平台中去。该针对多轮次数据投毒攻击的Optimized TruthFinder方法，可以防御隐藏‑攻击策略的数据投毒攻击，缓解传统TruthFinder对于工人权重设置震荡过大的问题，本发明充分考虑了多轮次的数据投毒攻击场景，考虑了恶意工人可能会采取隐藏行为来获得高权重的情况，对传统TruthFinder的权重更新做了进一步限制，使得恶意工人很难在短时间获取高的权重。

Description

针对多轮次数据投毒攻击的Optimized TruthFinder方法
技术领域
本发明涉及数据投毒技术领域，具体为针对多轮次数据投毒攻击的 OptimizedTruthFinder方法。
背景技术
群智感知是指在物联网环境下，利用人们具备的嵌入传感设备的移动设 备，通过发布众包任务来收集生活中各种类型的数据的新型数据收集模式， 其本质是众包在物联网中的表示形式，群智感知系统通过分发给具备传感器 的普通用户一系列传感任务，来收集数据并进行数据分析工作，每个接受任 务的个体作为参与群智感知任务的普通工人参与数据聚合，由于工人的传感 设备质量以及工人动态移动等因素影响，工人提交的数据并不能保证全部准 确。群智感知活动中一个极其重要的步骤是使用真值发现算法来解决数据冲 突问题，通过数据聚合找到最贴近Ground Truth(地面真值)的真值，真值 发现的基本思想为：1、如果一个事实是由许多值得信赖的用户提供的，则它 大概率是真实的；2、如果一个事实与许多值得信赖的用户提供的事实相冲突， 则它是真实的概率就很小，基于这个原理，真值发现对每个工人的可信度进 行评估，可信度为工人在参与数据聚合中的权重，真值发现采用迭代的方法 不断更新工人的权重和真值，直到收敛或满足某个预设条件。
采用源过滤和源估计的方法提前过滤掉误差大的工人数据技术，并未详 细展开阈值如何设置，没有给出合理的解释，无法整明该技术的通用性，即 阙值和其他参数之间的关系，如何设定阈值才合理，其次，该技术假设工人 之间独立感知数据，然而在数据投毒攻击中，恶意工人的数据之间存在很强 的关联性，最后该技术基于单次的数据投毒攻击，并没考虑多轮次数据投毒 场景，另外传统的TruthFinder仅能抵御单次的数据投毒攻击，它更多的考 虑该工人在当前的工作表现，而在多轮次的数据投毒工作中，工人在前几轮的工作表现也相当重要，传统的TruithFinder在多轮次数据投毒场景中对于 工人的权重设置震荡过大。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了针对多轮次数据投毒攻击的 OptimizedTruthFinder方法，具备可以防御隐藏以及攻击策略的数据投毒攻 击，缓解传统TruthFinder对于工人权重设置震荡过大的问题。本发明充分 考虑了多轮次的数据投毒攻击场景，考虑了恶意工人可能会采取隐藏行为来 获得高权重的情况，对传统TruthFinder的权重更新做了进一步限制，使得 恶意工人很难在短时间获取高的权重等优点，解决了现有采用源过滤和源估 计的方法提前过滤掉误差大的工人数据技术，并未详细展开阈值如何设置， 没有给出合理的解释，无法整明该技术的通用性，即阙值和其他参数之间的 关系，如何设定阈值才合理，其次，该技术假设工人之间独立感知数据，然 而在数据投毒攻击中，恶意工人的数据之间存在很强的关联性，最后该技术 基于单次的数据投毒攻击，并没考虑多轮次数据投毒场景的问题。
(二)技术方案
为实现上述防御多轮次的数据投毒攻击，有效缓解传统TruthFinder对 于工人权重设置震荡过大的目的，本发明提供如下技术方案：针对多轮次数 据投毒攻击的Optimized TruthFinder方法，其特征在于，包括以下步骤：
S1、任务发布
平台发布任务为24小时每个整点由N个工人对某个物体的M个属性进行 观察，N个工人接受任务后，平台对N个工人的权重进行初始化，初始化方式 为平均权重，每个工人的权重为
Figure BDA0003554801730000021
S2、数据提交
当工人观测结束后，将观测数据
Figure BDA0003554801730000031
提交到平台中去，平台将工人数据
Figure BDA0003554801730000032
和工 人权重
Figure BDA0003554801730000033
提交给Optimized TruthFinder。
S3、计算真值
Optimized TruthFinder利用观测数据
Figure BDA0003554801730000034
和工人权重
Figure BDA0003554801730000035
来计算真值， OptimizedTruthFinder首先执行传统TruthFinder的两步迭代式：首先使用 加权平均来计算更新聚合值
Figure BDA0003554801730000036
Figure BDA0003554801730000037
随后使用第一步求得的聚 合值
Figure BDA0003554801730000038
来进一步更新每个工人的可信度，
Figure BDA0003554801730000039
Figure BDA00035548017300000310
表示工 人i对属性m提供的观察数据与聚合值
Figure BDA00035548017300000311
之间的距离，wi的计算方 式为：
Figure BDA00035548017300000312
S4、动作选择
恶意工人根据策略选择下一轮的动作，动作为攻击或者隐藏，本发明使 用的策略为隐藏一次攻击一次，攻击时，恶意工人的数据为：
Figure BDA00035548017300000313
μ＝0.25，隐藏时，数据为：
Figure BDA00035548017300000314
S5、新数据提交
到达下一个整点时，工人提交新的观测数据，普通工人提交正常数据， 恶意工人提交数据
Figure BDA00035548017300000315
平台收集完数据后连同保存的权重一同提交给TruthFinder。
S6、任务结束
当时间为24点时，任务结束，结束运行。
优选的，所述步骤S3中，当达到收敛条件后或者达到预设的最大允许迭 代次数，η＝20，可以得到收敛后的工人权重集合
Figure BDA0003554801730000041
和聚合值集合
Figure BDA0003554801730000042
紧接着计 算单个工人的观测值
Figure BDA0003554801730000043
距离聚合值
Figure BDA0003554801730000044
的偏移量Di：
Figure BDA0003554801730000045
进而可以计算得到工人的平均偏移量：
Figure BDA0003554801730000046
优选的，所述步骤S3中，当工人偏移量Di，m大于平均偏移量Dmean，m时，意味着该工人提交的数据相误差很大，需要降低该工人的权 重，反之则增加其权重，计算方式如下：
Figure BDA0003554801730000047
Figure BDA0003554801730000048
即为工人本次聚合的最终权重，根据
Figure BDA0003554801730000049
计算最终的真值：
Figure BDA00035548017300000410
计算完成后，Optimized TruthFinder公布真值
Figure BDA00035548017300000411
并将工人权重
Figure BDA00035548017300000412
保存在平台中。
优选的，所述步骤S1中，所述在任务开启时，平台平均初始化所有工人 的权重，每次任务开启需要接受任务的工人在24小时内，每个整点时提交对 所有属性的观察数据。
优选的，所述步骤S2中，平台收集完工人的观测数据后，将数据和工人 权重提交给Optimized TruthFinder，Optimized TruthFinder利用观测数据 和工人权重进行权重更新和真值的计算，计算完成后返回真值给所有工人， 并更新每个工人的权重作为下一时刻工人的初始权重。
优选的，所述步骤S4中，恶意工人设计恶意数据，首先根据攻击策略明 确本次需要采取攻击动作还是隐藏动作，攻击策略为隐藏一次攻击一次，因 此当整点为奇数时，提交正常数据，当整点为偶数时，选择攻击动作。
优选的，所述所述步骤S4中，本发明设置μ＝0.25，表示恶意数据偏离 GroundTruth的幅度为25％。
优选的，所述所述步骤S6中，当任务未完成时，平台继续收集所有工人 的观察值(正常工人和恶意工人)，并将观察值和平台中保存的每个工人的权 重一起提交给Optimized TruthFinder，Optimized TruthFinder开启新一轮 的真值计算和权重更新，若任务完成(即时间为24点)，则本轮任务结束。
(三)有益效果
与现有技术相比，本发明提供了针对多轮次数据投毒攻击的OptimizedTruthFinder方法，具备以下有益效果：
1、该针对多轮次数据投毒攻击的Optimized TruthFinder方法，可以防 御隐藏-攻击策略的数据投毒攻击，缓解传统TruthFinder对于工人权重设置 震荡过大的问题，本发明充分考虑了多轮次的数据投毒攻击场景，考虑了恶 意工人可能会采取隐藏行为来获得高权重的情况，对传统TruthFinder的权 重更新做了进一步限制，使得恶意工人很难在短时间获取高的权重。
2、该针对多轮次数据投毒攻击的Optimized TruthFinder方法，本发明 和源评估、源过滤的防御技术不冲突，两者可以叠加使用增强防御效果。本 发明在数据聚合阶段环节数据冲突问题，源评估、源过滤技术在数据聚合之 前剔除误差大的工人数据，二者可以叠加使用，相对于现有TruthFinder没 有考虑到多轮次的数据投毒攻击场景，认为所有数据的冲突是自然界不可避 免的扰动，没有限制恶意员工的问题，本发明考虑了恶意员工的存在，且考 虑了他们可能的隐藏行为来欺骗真值发现算法，在此原理上进行改进，效果更优。
附图说明
图1为本发明总体架构流程图；
图2为本发明Optimized TruthFinder计算流程图；
图3为本发明Optimized TruthFinder效果图。
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。
请参阅图1-3，本发明提供一种技术方案：针对多轮次数据投毒攻击的 OptimizedTruthFinder方法，包括以下步骤：
S1、任务发布
平台发布任务为24小时每个整点由N个工人对某个物体的M个属性进行 观察，N个工人接受任务后，平台对N个工人的权重进行初始化，初始化方式 为平均权重，每个工人的权重为
Figure BDA0003554801730000061
在任务开启时，平台平均初始化所有 工人的权重，每次任务开启需要接受任务的工人在24小时内，每个整点时提 交对所有属性的观察数据。
S2、数据提交
当工人观测结束后，将观测数据
Figure BDA0003554801730000062
提交到平台中去，平台将工人数据
Figure BDA0003554801730000063
和工 人权重
Figure BDA0003554801730000064
提交给Optimized TruthFinder，平台收集完工人的观测数据后，将 数据和工人权重提交给Optimized TruthFinder，Optimized TruthFinder利 用观测数据和工人权重进行权重更新和真值的计算，计算完成后返回真值给 所有工人，并更新每个工人的权重作为下一时刻工人的初始权重。
S3、计算真值
Optimized TruthFinder利用观测数据
Figure BDA0003554801730000071
和工人权重
Figure BDA0003554801730000072
来计算真值， OptimizedTruthFinder首先执行传统TruthFinder的两步迭代式：首先使用 加权平均来计算更新聚合值
Figure BDA0003554801730000073
Figure BDA0003554801730000074
随后使用第一步求得的聚 合值
Figure BDA0003554801730000075
来进一步更新每个工人的可信度，
Figure BDA0003554801730000076
Figure BDA0003554801730000077
表示工 人i对属性m提供的观察数据与聚合值
Figure BDA0003554801730000078
之间的距离，wi的计算方 式为：
Figure BDA0003554801730000079
当达到收敛条件后或者达到预设的最大允许 迭代次数，η＝20，可以得到收敛后的工人权重集合
Figure BDA00035548017300000710
和聚合值集合
Figure BDA00035548017300000711
紧接着 计算单个工人的观测值
Figure BDA00035548017300000712
距离聚合值
Figure BDA00035548017300000713
的偏移量Di：
Figure BDA00035548017300000714
进而可以计算得到工人的平均 偏移量：
Figure BDA00035548017300000715
当工人偏移量Di，m大于平均偏移量Dmean，m时，意味着该工人提交的数据相误差很大，需要降低该工人的权重，反之则 增加其权重，计算方式如下：
Figure BDA00035548017300000716
Figure BDA00035548017300000717
即为工人本次聚合的最终权重，根据
Figure BDA00035548017300000718
计算最终的真值：
Figure BDA0003554801730000081
计算完成后，Optimized TruthFinder公布真值
Figure BDA0003554801730000082
并将工人权重
Figure BDA0003554801730000083
保 存在平台中。
S4、动作选择
恶意工人根据策略选择下一轮的动作，动作为攻击或者隐藏，本发明使 用的策略为隐藏一次攻击一次，攻击时，恶意工人的数据为：
Figure BDA0003554801730000084
μ＝0.25，隐藏时，数据为：
Figure BDA0003554801730000085
恶意工人设计恶意数据，首先根据攻击策略明确本次需要 采取攻击动作还是隐藏动作，攻击策略为隐藏一次攻击一次，因此当整点为 奇数时，提交正常数据，当整点为偶数时，选择攻击动作，本发明设置μ＝0.25， 表示恶意数据偏离Ground Truth的幅度为25％。
S5、新数据提交
到达下一个整点时，工人提交新的观测数据，普通工人提交正常数据， 恶意工人提交数据
Figure BDA0003554801730000086
平台收集完数据后连同保存的权重一同提交给 TruthFinder。
S6、任务结束
当时间为24点时，任务结束，结束运行，当任务未完成时，平台继续收 集所有工人的观察值(正常工人和恶意工人)，并将观察值和平台中保存的 每个工人的权重一起提交给Optimized TruthFinder，Optimized TruthFinder 开启新一轮的真值计算和权重更新，若任务完成(即时间为24点)，则本轮 任务结束。
该针对多轮次数据投毒攻击的Optimized TruthFinder方法，可以防御 隐藏-攻击策略的数据投毒攻击，缓解传统TruthFinder对于工人权重设置震 荡过大的问题，本发明充分考虑了多轮次的数据投毒攻击场景，考虑了恶意 工人可能会采取隐藏行为来获得高权重的情况，对传统TruthFinder的权重 更新做了进一步限制，使得恶意工人很难在短时间获取高的权重，发明和源 评估、源过滤的防御技术不冲突，两者可以叠加使用增强防御效果，另外本 发明在数据聚合阶段环节数据冲突问题，源评估、源过滤技术在数据聚合之 前剔除误差大的工人数据，二者可以叠加使用，相对于现有TruthFinder没 有考虑到多轮次的数据投毒攻击场景，认为所有数据的冲突是自然界不可避 免的扰动，没有限制恶意员工的问题，本发明考虑了恶意员工的存在，且考 虑了他们可能的隐藏行为来欺骗真值发现算法，在此原理上进行改进，效果 更优。
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 (8)

1.针对多轮次数据投毒攻击的Optimized TruthFinder方法，其特征在于，包括以下步骤：
S1、任务发布
平台发布任务为24小时每个整点由N个工人对某个物体的M个属性进行观察，N个工人接受任务后，平台对N个工人的权重进行初始化，初始化方式为平均权重，每个工人的权重为
Figure FDA0003554801720000011
S2、数据提交
当工人观测结束后，将观测数据
Figure FDA0003554801720000012
提交到平台中去，平台将工人数据
Figure FDA0003554801720000013
和工人权重
Figure FDA0003554801720000014
提交给Optimized TruthFinder。
S3、计算真值
Optimized TruthFinder利用观测数据
Figure FDA0003554801720000015
和工人权重
Figure FDA0003554801720000016
来计算真值，OptimizedTruthFinder首先执行传统TruthFinder的两步迭代式：首先使用加权平均来计算更新聚合值
Figure FDA0003554801720000017
Figure FDA0003554801720000018
随后使用第一步求得的聚合值
Figure FDA0003554801720000019
来进一步更新每个工人的可信度，
Figure FDA00035548017200000110
Figure FDA00035548017200000111
表示工人i对属性m提供的观察数据与聚合值
Figure FDA00035548017200000112
之间的距离，wi的计算方式为：
Figure FDA00035548017200000113
S4、动作选择
恶意工人根据策略选择下一轮的动作，动作为攻击或者隐藏，本发明使用的策略为隐藏一次攻击一次，攻击时，恶意工人的数据为：
Figure FDA0003554801720000021
μ＝0.25，隐藏时，数据为：
Figure FDA0003554801720000022
S5、新数据提交
到达下一个整点时，工人提交新的观测数据，普通工人提交正常数据，恶意工人提交数据
Figure FDA0003554801720000023
平台收集完数据后连同保存的权重一同提交给TruthFinder。
S6、任务结束
当时间为24点时，任务结束，结束运行。
2.根据权利要求1所述的针对多轮次数据投毒攻击的Optimized TruthFinder方法，其特征在于，所述步骤S3中，当达到收敛条件后或者达到预设的最大允许迭代次数，η＝20，可以得到收敛后的工人权重集合
Figure FDA0003554801720000024
和聚合值集合
Figure FDA0003554801720000025
紧接着计算单个工人的观测值
Figure FDA0003554801720000026
距离聚合值
Figure FDA0003554801720000027
的偏移量Di：
Figure FDA0003554801720000028
进而可以计算得到工人的平均偏移量：
Figure FDA0003554801720000029
3.根据权利要求2所述的针对多轮次数据投毒攻击的Optimized TruthFinder方法，其特征在于，所述步骤S3中，当工人偏移量Di，m大于平均偏移量Dmean，m时，意味着该工人提交的数据相误差很大，需要降低该工人的权重，反之则增加其权重，计算方式如下：
Figure FDA00035548017200000210
Figure FDA0003554801720000031
即为工人本次聚合的最终权重，根据
Figure FDA0003554801720000032
计算最终的真值：
Figure FDA0003554801720000033
计算完成后，Optimized TruthFinder公布真值
Figure FDA0003554801720000034
并将工人权重
Figure FDA0003554801720000035
保存在平台中。
4.根据权利要求1所述的针对多轮次数据投毒攻击的Optimized TruthFinder方法，其特征在于，所述步骤S1中，在任务开启时，平台平均初始化所有工人的权重，每次任务开启需要接受任务的工人在24小时内，每个整点时提交对所有属性的观察数据。
5.根据权利要求1所述的针对多轮次数据投毒攻击的Optimized TruthFinder方法，其特征在于，所述步骤S2中，平台收集完工人的观测数据后，将数据和工人权重提交给Optimized TruthFinder，Optimized TruthFinder利用观测数据和工人权重进行权重更新和真值的计算，计算完成后返回真值给所有工人，并更新每个工人的权重作为下一时刻工人的初始权重。
6.根据权利要求1所述的针对多轮次数据投毒攻击的Optimized TruthFinder方法，其特征在于，所述步骤S4中，恶意工人设计恶意数据，首先根据攻击策略明确本次需要采取攻击动作还是隐藏动作，攻击策略为隐藏一次攻击一次，因此当整点为奇数时，提交正常数据，当整点为偶数时，选择攻击动作。
7.根据权利要求1所述的针对多轮次数据投毒攻击的Optimized TruthFinder方法，其特征在于，所述步骤S4中，本发明设置μ＝0.25，表示恶意数据偏离Ground Truth的幅度为25％。
8.根据权利要求1所述的针对多轮次数据投毒攻击的Optimized TruthFinder方法，其特征在于，所述步骤S6中，当任务未完成时，平台继续收集所有工人的观察值(正常工人和恶意工人)，并将观察值和平台中保存的每个工人的权重一起提交给OptimizedTruthFinder，Optimized TruthFinder开启新一轮的真值计算和权重更新，若任务完成(即时间为24点)，则本轮任务结束。
CN202210271452.8A 2022-03-18 2022-03-18 针对多轮次数据投毒攻击的Optimized TruthFinder防御方法 Active CN115277039B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210271452.8A CN115277039B (zh) 2022-03-18 2022-03-18 针对多轮次数据投毒攻击的Optimized TruthFinder防御方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210271452.8A CN115277039B (zh) 2022-03-18 2022-03-18 针对多轮次数据投毒攻击的Optimized TruthFinder防御方法

Publications (2)

Publication Number Publication Date
CN115277039A true CN115277039A (zh) 2022-11-01
CN115277039B CN115277039B (zh) 2023-12-12

Family

ID=83758548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210271452.8A Active CN115277039B (zh) 2022-03-18 2022-03-18 针对多轮次数据投毒攻击的Optimized TruthFinder防御方法

Country Status (1)

Country Link
CN (1) CN115277039B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106850583A (zh) * 2017-01-06 2017-06-13 南京邮电大学 一种基于效用的分布式协作频谱感知攻击防御方法
CN109714364A (zh) * 2019-02-20 2019-05-03 湖南大学 一种基于贝叶斯改进模型的网络安全防御方法
CN109784741A (zh) * 2019-01-23 2019-05-21 北京理工大学 一种基于信誉预测的移动群智感知系统奖励分发方法
CN113239351A (zh) * 2020-12-08 2021-08-10 武汉大学 一种面向物联网系统的新型数据污染攻击防御方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106850583A (zh) * 2017-01-06 2017-06-13 南京邮电大学 一种基于效用的分布式协作频谱感知攻击防御方法
CN109784741A (zh) * 2019-01-23 2019-05-21 北京理工大学 一种基于信誉预测的移动群智感知系统奖励分发方法
CN109714364A (zh) * 2019-02-20 2019-05-03 湖南大学 一种基于贝叶斯改进模型的网络安全防御方法
CN113239351A (zh) * 2020-12-08 2021-08-10 武汉大学 一种面向物联网系统的新型数据污染攻击防御方法

Also Published As

Publication number Publication date
CN115277039B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
CN107886184B (zh) 一种多型防空武器混编火力群目标分配优化方法
CN111563330B (zh) 一种基于零和博弈对策的信息物理系统安全优化分析方法
CN116308762B (zh) 一种基于人工智能的可信度评估及授信处理方法
CN114266361A (zh) 基于模型权重更迭的联邦学习搭便车防御方法和装置
CN115935442A (zh) 基于多智能体深度强化学习的区块链性能优化方法
CN115348064A (zh) 网络攻击下基于动态博弈的配电网防御策略设计方法
CN115277039A (zh) 针对多轮次数据投毒攻击的Optimized TruthFinder方法
WO2020073387A1 (zh) 基于级联卡尔曼滤波器减少噪声干扰的方法及系统
CN110442146B (zh) 无人机编队目标分配与空间占位联合决策方法及系统
CN112702208A (zh) 一种基于关系的异质多层作战体系打击链路生成方法
CN115102166A (zh) 一种基于博弈论的有源配电网动态防御性能优化方法
CN116088586B (zh) 一种无人机作战过程中的临机任务规划的方法
CN115328189B (zh) 多无人机协同博弈决策方法和系统
CN115615242A (zh) 一种用于战场演习的智能单兵靶标
CN116774721A (zh) 多无人机博弈对抗的目标分配方法和系统
CN114866272A (zh) 群智感知环境下真值发现算法的多轮次数据投毒攻击系统
CN114371625B (zh) 节点数变化的多智能体编队控制方法
CN114722998B (zh) 一种基于cnn-ppo的兵棋推演智能体构建方法
CN112966741A (zh) 一种可防御拜占庭攻击的联邦学习图像分类方法
CN114428999B (zh) 基于演化博弈模型的无人飞行器对地攻防策略选择方法
CN110708287B (zh) 一种基于攻击图和心理理论的入侵响应方法
CN116094800A (zh) 一种联邦学习中后门攻击的防御方法
CN113988301A (zh) 战术策略生成方法、装置、电子设备及存储介质
CN113887888A (zh) 一种联合打击目标自适应评分及关联推荐方法和系统
CN115272439B (zh) 三维重建模型的融合方法、重建方法、装置、设备及介质

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