Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 南城云趣(北京)信息技术有限公司陈营杰获国家专利权

南城云趣(北京)信息技术有限公司陈营杰获国家专利权

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!

龙图腾网获悉南城云趣(北京)信息技术有限公司申请的专利一种基于云计算的智能安全管理与风险预测系统及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:CN120012119B

龙图腾网通过国家知识产权局官网在2025-07-15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:202510493817.5,技术领域涉及:G06F21/57;该发明授权一种基于云计算的智能安全管理与风险预测系统及方法是由陈营杰;高志红;刘春生设计研发完成,并于2025-04-19向国家知识产权局提交的专利申请。

一种基于云计算的智能安全管理与风险预测系统及方法在说明书摘要公布了:本发明涉及数据处理技术领域,具体公开一种基于云计算的智能安全管理与风险预测系统及方法,该系统通过设置多模态威胁分析模块、时空风险预测模块、自适应防御决策模块、联邦化模型进化模块和智能取证溯源模块。解决了传统安全管理依赖规则和经验,在应对新型、复杂安全威胁时,存在响应滞后、误报漏报多、难以处理海量数据,且难以快速精准检测和分析,无法满足当前安全需求的问题,有助于对海量安全数据挖掘分析,直观呈现系统风险分布,降低安全事件发生概率,发现潜在风险模式和趋势,实现自动化、智能化的安全管理和风险预测,适应不断变化的安全威胁环境,持续提升系统的智能分析和处理能力。

本发明授权一种基于云计算的智能安全管理与风险预测系统及方法在权利要求书中公布了:1.一种基于云计算的智能安全管理与风险预测系统,其特征在于,包括多模态威胁分析模块、时空风险预测模块、自适应防御决策模块、联邦化模型进化模块和智能取证溯源模块,其中: 所述多模态威胁分析模块,用于采集待监测系统的多模态特征及外部威胁情报,输出待监测系统的加密特征向量并进行局部异常标记,构建威胁知识图谱,并得到实体关联矩阵; 所述时空风险预测模块,用于获取待监测系统的网络拓扑数据,结合威胁知识图谱进行时空风险预测,得到待监测系统的风险热力图; 所述自适应防御决策模块,用于基于风险热力图并获取待监测系统的资源约束,得到待监测系统的防御策略集及资源分配方案; 所述联邦化模型进化模块,用于采集待监测系统的边缘模型参数,结合资源分配方案得到待监测系统的全局模型并进行反馈; 所述智能取证溯源模块,用于基于待监测系统的局部异常标记及实体关联矩阵,智能取证溯源,得到待监测系统的攻击路径图及攻击者指纹库; 所述多模态威胁分析模块,包括: 多模态威胁感知子系统,用于采集待监测系统的多模态特征,进行多模态威胁感知,输出待监测系统的加密特征向量并进行局部异常标记; 威胁知识图谱构建子系统,用于基于解密后的特征向量及外部威胁情报构建威胁知识图谱,并得到实体关联矩阵; 采集待监测系统的多模态特征,进行多模态威胁感知,输出待监测系统的加密特征向量并进行局部异常标记,具体分析过程为: 采集待监测系统的多模态特征,具体包括待监测系统的网络流量包、API调用序列及容器行为日志; 对待监测系统的多模态特征,进行多模态威胁感知: 进行时序特征提取,使用LSTM-Attention模型处理待监测系统的多模态特征: LSTM隐藏状态:ht=LSTMxt,ht-1; 式中,ht为在时间步t的LSTM隐藏状态,xt为在时间步t的输入数据,具体为待监测系统的网络流量包、API调用序列及容器行为日志,ht-1为在时间步t-1的LSTM隐藏状态; 注意力权重:αt=softmaxWa[ht;Ht-k:t]; 式中,αt为在时间步t的注意力权重,Wa为注意力机制中的权重矩阵,Ht-k:t为从时间步t-k到时间步t的隐藏状态序列; 输出待监测系统的加密特征向量: fenc=Paillierft; 式中,i为时间步索引编号,ft为加密前的特征向量,ai为第i个时间步索引位置的注意力权重,hi为第i个时间步索引位置的LSTM隐藏状态,fenc为待监测系统的加密特征向量,Paillier为Paillier加密算法; 计算指数加权均值:μt=0.9μt-1+0.1||ft||2; 式中,μt为加密前的特征向量在时间步t的指数加权均值,μt-1为加密前的特征向量在时间步t-1的指数加权均值; 计算指数加权标准差: 式中,σt为加密前的特征向量在时间步t的标准差,σt-1为加密前的特征向量在时间步t-1的标准差; 计算自适应动态阈值: 式中,Qthres为自适应动态阈值,e为自然常数; 基于异常标记规则对各时刻的加密前的特征向量进行局部异常标记,其中异常标记规则为: 式中,Aedge为异常标记变量,1代表异常,0代表正常。

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南城云趣(北京)信息技术有限公司,其通讯地址为:102628 北京市大兴区经济开发区金苑路2号1幢二层233室;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”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。