买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉湖南科技学院申请的专利基于变分自编码器的云计算环境异常检测存算训一体方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119109825B 。

龙图腾网通过国家知识产权局官网在2025-06-13发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411133514.4，技术领域涉及：H04L43/0823；该发明授权基于变分自编码器的云计算环境异常检测存算训一体方法是由陈晚华;张彬;张宸设计研发完成，并于2024-08-19向国家知识产权局提交的专利申请。

本基于变分自编码器的云计算环境异常检测存算训一体方法在说明书摘要公布了：本发明公开了一种基于变分自编码器的云计算环境异常检测存算训一体方法，S1、设计并初始化基于TensorFlow的分布式变分自编码器模型，形成重构数据；S2、在云计算环境中，构建分布式数据存储与计算架构；S3、在多个计算节点上部署并配置TensorFlow的分布式计算框架，配置参数服务器与工作器计算节点；S4、各计算节点利用TensorFlow的分布式策略，并行获取本地存储的预处理数据集；S5、在训练完成后，通过解码器生成重构数据；S6、各计算节点将检测出的重构误差与预设阈值比较后，将超过阈值的数据标记为异常。本发明通过一体化的设计，成功实现了云计算环境下大规模、分布式数据的异常检测。

本发明授权基于变分自编码器的云计算环境异常检测存算训一体方法在权利要求书中公布了：1.一种基于变分自编码器的云计算环境异常检测存算训一体方法，其特征在于，包括如下步骤： S1、设计并初始化基于TensorFlow的分布式变分自编码器模型，编码器负责将输入数据编码为潜在空间中的概率分布，解码器负责将潜在空间中的变量解码回原始数据空间，形成重构数据； S2、在云计算环境中，构建分布式数据存储与计算架构，多个计算节点通过虚拟化技术进行资源管理和任务调度； S3、在多个计算节点上部署并配置TensorFlow的分布式计算框架，利用其分布式策略，将变分自编码器模型的训练任务和异常检测任务分布在多个计算节点上进行，配置参数服务器与工作器计算节点，各计算节点利用TensorFlow的分布式策略，并行获取本地存储的预处理数据集，执行分布式变分自编码器模型的前向传播和反向传播过程，利用分布式梯度下降算法在各计算节点间同步更新模型参数； S4、在训练完成后，各计算节点利用训练好的分布式变分自编码器模型对实时输入数据进行异常检测，各计算节点将输入数据通过编码器映射到潜在空间，并通过解码器生成重构数据； S5、通过TensorFlow的分布式集成策略，将多个计算节点的异常检测结果进行融合处理，各计算节点将检测出的重构误差与预设阈值比较后，将超过阈值的数据标记为异常，并通过加权平均或投票集成策略，汇总多个计算节点的检测结果，得出全局的异常检测结论； 所述S3具体包括： S31、在多个虚拟计算节点Ck上部署并配置TensorFlow的分布式计算框架，分布式计算框架包括参数服务器和工作器计算节点，参数服务器负责集中存储和更新全局模型参数，工作器计算节点负责分布式数据处理和模型计算； S32、在所述参数服务器上初始化变分自编码器模型的全局参数，包括权重矩阵W、偏置向量b以及潜在空间分布参数μ和σ： W0,b0,μ0X,σ0X； 其中，μ0X和σ0X是关于输入数据X的初始均值和标准差函数，参数通过分布式策略将初始全局参数分发至各工作器虚拟计算节点Ck； S33、在每个工作器虚拟计算节点Ck上，配置TensorFlow的分布式策略，各工作器节点接收来自参数服务器的全局模型参数，并利用本地存储的数据块Di进行局部模型的前向传播和反向传播计算： 其中，表示在工作器虚拟计算节点Ck上的潜在变量，∈k是从标准正态分布采样的噪声变量，⊙表示逐元素乘法。反向传播则通过计算重构误差和KL散度来更新局部模型参数； S34、在每个工作器虚拟计算节点Ck完成局部模型训练后，计算局部模型参数的梯度，并将梯度信息gk传递回参数服务器： 其中，为重构误差，为KL散度，表示对参数权重矩阵W、偏置向量b以及潜在空间分布参数μ和σ的梯度计算，参数服务器根据所有工作器节点返回的梯度信息gk更新全局模型参数； S35、参数服务器更新全局模型参数的过程表示为： 其中，α2为学习率，t表示迭代次数，参数服务器将更新后的全局模型参数分发至所有工作器计算节点，各工作器节点利用最新的模型参数继续进行下一轮的局部模型训练，重复S31-S35步骤直至模型训练收敛； 所述S4具体包括： S41、在训练完成后，每个虚拟计算节点Ck利用训练好的分布式变分自编码器模型对实时输入的数据流Xi进行处理； S42、计算输入数据Xi与重构数据之间的重构误差值 其中，Xi,m和分别表示输入数据Xi和重构数据的第m个特征维度，M为特征维度的总数，αm为第m个维度的权重因子，用于调整各特征维度在重构误差计算中的相对重要性；γm为第m个维度的非线性调节因子，λm为与第m个维度相关的波长参数，用于在重构误差中引入非线性振荡成分，捕捉潜在复杂模式。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人湖南科技学院，其通讯地址为：425000 湖南省永州市零陵区杨梓塘路130号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。