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！

龙图腾网获悉成都信息工程大学申请的专利基于梯度共享的特征融合网络的恶意流量分类方法及系统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：CN120075802B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202510347485.X，技术领域涉及：H04W12/12；该发明授权基于梯度共享的特征融合网络的恶意流量分类方法及系统是由卢嘉中;余坤设计研发完成，并于2025-03-24向国家知识产权局提交的专利申请。

本基于梯度共享的特征融合网络的恶意流量分类方法及系统在说明书摘要公布了：本发明属于但不限于5G物联网与网络安全技术领域，公开了一种基于梯度共享的特征融合网络的恶意流量分类方法及系统，对5G物联网流量原始数据进行预处理，分别构建结构化特征通道和图像特征通道；利用基于卷积神经网络的局部特征提取模块对图像特征通道数据进行处理；利用KAN构建全局特征提取模块，捕获流量的时间序列分布与全局依赖关系；将结构化特征通道和图像特征通道提取的特征进行融合；梯度共享初始化，梯度共享训练，KAN和卷积神经网络模型训练与优化，模型测试。本发明通过特征融合与梯度共享技术，有效提升对5G物联网恶意流量的识别能力，同时降低对大规模标注数据的依赖，增强模型在复杂网络环境下的泛化性和适应性。

本发明授权基于梯度共享的特征融合网络的恶意流量分类方法及系统在权利要求书中公布了：1.一种基于梯度共享的特征融合网络的恶意流量分类方法，其特征在于，包括以下步骤： S1，数据预处理：对5G物联网流量原始数据进行预处理，分别构建结构化特征通道和图像特征通道；对于结构化特征通道，使用Wireshark将5G流量数据中的PCAP文件解析为向量格式，提取通信特征，并进行标准化处理；对于图像特征通道，将5G流量的字节分布映射为图像格式，把PCAP文件中的原始字节流重新组织为固定长度的一维向量，二进制化后选取前784位映射为灰度图像； S2，局部特征提取：利用基于卷积神经网络的局部特征提取模块，对图像特征通道中的数据进行处理，通过堆叠卷积层和池化层自动学习流量数据中的局部空间特性，提取微观模式特征，包括数据包长度、时间间隔和协议标识； S3，全局特征提取：通过KAN构建全局特征提取模块，对结构化特征通道中的数据进行动态建模，捕获流量的时间序列分布与全局依赖关系，从宏观层面构建流量的整体行为特征；在构建全局特征时，采用时间顺序逐步输入样本的方式，模拟真实网络环境； S4，特征融合：在特征融合模块，将结构化特征通道和图像特征通道提取的特征进行融合；对于结构化特征通道，提取数据包级别的特征，包括源IP、目标IP、协议类型和数据包长度，同时提取数据流级别的特征，包括流持续时间、数据包总量和字节总量，并将数据包级别的特征和数据流级别的特征结合，为每个数据包构建综合特征表示；对于图像特征通道，将字节流转化为灰度图像后由卷积神经网络提取局部特征；最后，将两个通道的特征合并为一个统一的高维特征向量，以同时获取流量数据的全局特性与局部细节； S5，梯度共享初始化：在模型训练前，初始化梯度共享机制相关参数，包括确定用于计算卷积神经网络和KAN通道梯度权重的公式，初始化KAN和卷积神经网络模型以及优化器； S6，梯度共享训练：在训练过程中，对于每一批训练数据，分别将结构化特征和图像特征输入KAN和卷积神经网络模型，计算各自的输出和损失；根据损失计算出卷积神经网络和KAN通道自身的梯度，以及相互之间的梯度引导；通过动态调整权重的方式计算出每个通道最终的更新梯度； S7，模型训练与优化：通过多轮训练，利用梯度共享机制，让KAN和卷积神经网络模型在特征学习过程中相互协作、协同优化，不断调整模型参数，提升模型对恶意流量的识别能力，减少局部与全局特征学习的冲突，增强模型对多样化恶意流量模式的敏感性； S8，模型测试：将训练好的恶意流量分类模型在测试集上进行测试，通过准确率、精确率、召回率和F1分数指标评估模型性能，以验证模型在不同5G物联网流量场景下对恶意流量的分类准确性。

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成都信息工程大学，其通讯地址为：610225 四川省成都市西南航空港经济开发区学府路一段24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”。