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！

龙图腾网获悉中国科学院重庆绿色智能技术研究院申请的专利基于特征分布检验的深度学习DDoS检测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：CN119696904B 。

龙图腾网通过国家知识产权局官网在2025-09-23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：202411878793.7，技术领域涉及：H04L9/40；该发明授权基于特征分布检验的深度学习DDoS检测方法是由刘曙光;钟坤华;陈芋文;孙启龙设计研发完成，并于2024-12-19向国家知识产权局提交的专利申请。

本基于特征分布检验的深度学习DDoS检测方法在说明书摘要公布了：本发明为基于特征分布检验的深度学习DDoS检测方法，属于信息安全领域。该方法步骤为：S1：访问数据采集及预处理；S2：利用统计方法和FFT求得统计特征和频域特征；S3：利用TCN自编码器提取动态特征；S4：对统计特征和频域特征利用CNN提取静态特征；S5：利用HSIC建立损失函数对TCN自编码器进行参数优化；S6：将动态特征和静态特征拼接后输入到分类器中，得到检测结果；S7：建立损失函数，结合结果标签，对网络参数进行训练；S8：利用训练好的网络对实时访问数据进行DDoS攻击的检测。本发明方法能够提高DDoS攻击的检测结果的精度，同时，采用裁剪的训练好的网络可以直接对时序数据在时域上直接进行高效准确的DDoS攻击检测。

本发明授权基于特征分布检验的深度学习DDoS检测方法在权利要求书中公布了：1.基于特征分布检验的深度学习DDoS检测方法，其特征在于，包括以下步骤： S1：采集服务器的访问数据并进行及预处理，得到时序数据； S2：利用统计方法和快速傅里叶变换FFT分别对时序数据进行处理，得到统计特征和频域特征； S3：利用时间卷积网络TCN自编码器对时序数据进行特征提取，得到DDoS的动态特征； S4：利用Concat连接将统计特征和频域特征进行拼接，然后利用卷积神经网络CNN对其进行特征提取，得到DDoS的静态特征； S5：利用HSIC建立损失函数对DDoS的动态特征和DDoS的静态特征的分布差异的衡量，并对TCN自编码器的参数进行优化； S6：将DDoS的动态特征和DDoS的静态特征Concat连接后输入到一个分类器中，得到DDoS攻击的检测结果； S7：建立损失函数，结合带有检测结果标签的历史时序数据，对卷积神经网络、TCN自编码器、分类器进行训练； S8：利用步骤S7训练好的网络对服务器的实时访问数据进行DDoS攻击的检测； 针对时序数据{xt|t＝1,…,T}，步骤S2所述的统计特征包含：均值和方差{Dxt|t＝1,…,T}；其中，xi,t为t时刻内第i个访问设备的监测特征向量，1≤i≤d；T为监测周期末时刻；d为访问设备的总数；所述的频域特征为利用FFT对任意第i个访问设备在1～T周期内的监测特征处理后的输出，1≤i≤d； 所述的卷积神经网络输入为单个访问设备在1～T周期内的统计特征和频域特征；所述的TCN自编码器的输入为单个访问设备在1～T周期内的时序数据； 所述的DDoS的动态特征x和DDoS的静态特征y的维度要一致，即卷积神经网络和TCN自编码器的输出维度要一致； 步骤S3所述的TCN自编码器为利用TCN网络构建的自编码器，其中，自编码器的Encoder和Decoder均为TCN网络，其损失函数采用均方误差mean-squareerror,MSE函数； 步骤S5所述的HSIC用于衡量DDoS的动态特征x和DDoS的静态特征y的分布差异，其损失函数：其中：互协方差算子μx＝Exφx， 为张量积，φx、为给定的x、y的非线性映射，Ex、Ey为关于x、y的均值算子；Exy为关于x、y联合分布的期望算子；对于任意的矩阵A＝[ai,j]，有 所述的分类器为支持向量机或随机森林搭建的二分类器，对应的类别为存在DDoS攻击行为以及无DDoS攻击行为。

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中国科学院重庆绿色智能技术研究院，其通讯地址为：400714 重庆市北碚区水土街道方正大道266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”。

以上内容由龙图腾AI智能生成。