摘要：针对生成神经网络中添加差分隐私方式复杂,以及加入差分隐私后生成数据质量下降的问题,提出一种基于生成对抗网络的差分隐私生成数据方法,通过在生成对抗网络梯度中加入噪声实现隐私保护。设计自适应剪裁、学习率下降、参数分组聚类优化策略,自适应选取梯度剪裁边界,不断调整学习率以及将权重梯度和偏置梯度分组聚类之后再进行剪裁,保障模型能够收敛,减小差分隐私对生成数据的影响。实验结果表明,该方法可以在不丢失原有隐私保护水平条件下,有效提升生成数据质量。

摘要：为解决机器学习模型中投毒样本的注入问题,提出一种基于样本原生特征的投毒防御算法infoGAN_Defense。基于投毒样本的制作原理设计投毒样本原生特征的提取方法,提高模型对样本原生特征的训练权重;在此基础上,利用样本原生特征的不变性进行投毒防御,引入样本原生特征与人为特征的概念,采用耦合infoGAN结构实现样本特征的分离及提取;进行机器学习模型的重训练。在真实数据集上设计实验评估防御效果,其结果验证了infoGAN_Defense算法的可行性和有效性。

摘要：为增强机器视觉领域深度神经网络模型的安全性,提出一种基于图像熵联合重构的对抗样本检测方法。利用正常样本和对抗样本在图像重构后,分类结果差异大小不同的原理进行对抗样本的检测。引入位深度缩减、空间平滑、图像压缩、平移、翻转、缩放6种图像重构方法,以图像熵作为重构参数选择的指标,利用KL散度序列训练二元检测器。对比实验结果表明,采用的方法相较于特征压缩法,对抗样本检测率得到提升,误检率有所降低。

摘要：【目的】解决传统茶叶揉捻机自动化水平低、揉捻压力全凭手感、茶叶成条率不稳定、茶叶破碎率和叶组织细胞破损率高等问题,减轻工人劳动强度,提高茶叶品质的稳定性。【方法】课题组通过对茶叶揉捻机的揉捻压力进行分析,提出了基于STM32单片机,应用Smith-模糊PID控制算法和PWM压力闭环控制的方法,实现茶叶揉捻机在揉捻、加压过程中揉捻压力恒定并可调,使揉捻压力和时间达到茶叶制作的标准。【结果】采用MATLAB分别进行PID、Smith-PID和Smith-模糊PID算法的仿真实验,比较分析3种控制算法下的实验结果可知,Smith-模糊PID控制下的系统超调量和稳态误差最小,并且响应速度最快,调节时间最短,具有更好的抗干扰性能。【结论】通过样机的实际应用与压力数据的测试,茶叶揉捻机压力控制系统超调量最大值为7%、压力误差最大值不超过20 N,基本上满足茶叶生产要求,可大大提高生产效率。

摘要：日蚀攻击是区块链系统中一种恶意攻击手段,攻击者通过垄断受害节点网络,达到欺骗、控制目的。从实际区块链应用中得知,目前为止还没有防御日蚀攻击的好方法,因此为了解决该问题,设计了一种针对POW共识区块链系统的日蚀攻击动态防御模型,其基于节点间互相评价机制。具体来说,通过综合客户端之间互相评价的结果,基于kademlia算法和设计的等级值评估机制,为每个节点评估、存储一个等级,节点根据等级值和等级限定值之间的关系选择正常对等节点作为邻居,以避免恶意节点。经过实验证明,该方法可以有效抵御日蚀攻击。该方法改进了先前提出的一系列防御策略,无需对区块链系统协议、网络等进行更改,能够较高概率地成功抵御日蚀攻击,并且模型产生的开销也很小,非常适合实际部署。

摘要：为提高僵尸网络的检测精度,解决特征表征单一的问题,提出一种融合挤压和激励模块的多头注意力(SE-MHA)机制实现僵尸网络的准确检测。以会话为单位提取流量的初始特征,引入连接失败熵特征和n-gram序列特征,利用多头注意力(MHA)机制挖掘流量特征间的高维相关性,引入挤压和激励(SE)模块实现自适应调整不同“头”之间的依赖关系,增强MHA机制的表征能力,输入到Softmax分类器中对流量进行分类。通过ISCX-Bot-2014数据集,验证了该方法的精确度和有效性。

摘要：通过高职院校信息化建设的不断推进与实施,提出智慧教学空间设计与实施的思路与策略,加强数字化教学资源的有效运用,有利于教学成本的节约,促进教学效率与质量的提高,为实现业务融合、信息化教学建设奠定基础保障。本文主要对智慧教学空间设计与实施现存问题进行分析,并从智慧教学“4+1”方向出发,提出智慧教学空间设计与实施的策略,仅供相关人员参考借鉴。

摘要：针对数据供应商发布社交网络数据时可能出现的泄露隐私问题,提出一种基于生成对抗网络的隐私保护方法(GPGAN)。采用GAN作为学习模型捕捉网络结构的随机游走,设计奖励函数指引创建包含重要信息的随机游走。提出基于游走样本的匿名图构造方法,通过添加差分隐私得到匿名概率邻接矩阵,重构社交网络图。实验结果表明,与其它图生成相比,该模型具有良好的图结构特征学习能力。通过度量评估实验验证了GPGAN可以在合理的隐私预算下保留所需的数据效用,优于当前主流的社交网络隐私保护方法。

摘要：为减少异常流量检测技术中流量特征的信息冗余,对不同类型流量多层面进行特征提取,提出一种基于设备行为的异常流量检测技术,对流量数据进行深度学习特征提取,综合提取到的数据时序特征、流量统计特征、协议,得到能够表征设备行为的特征。利用引入注意力机制的长短期记忆网络(long short-term memory,LSTM)训练数据提取时序特征,利用卷积神经网络(convolutional neural network,CNN)模型训练由时序特征矢量、流量统计特征、协议组成的高维流量特征完成深层次特征提取。通过在开源入侵检测数据集上进行实验,验证了该方法的有效性以及准确性。

摘要：为解决工控入侵检测系统在动态环境中适应性不足的问题,构建一个对抗性域适应(DA)网络来训练深度学习(DL)模型以检测恶意流量,并将域适应的可迁移注意力(TADA)引入。局部注意力被用于突出流量数据中对域迁移产生较大影响的特征字段;全局注意力被用于从整体上强调可迁移性更强的单条流量数据。在工控系统的SCADA网络层数据集上进行了实验,其结果表明,与现有方法相比,引入TADA的DA网络在跨层检测和未知攻击检测这两种场景中具有更高的精度和F-score值。