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！

龙图腾网获悉西安理工大学申请的专利基于图注意力机制结合GCN的网络入侵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：CN119135387B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202411160229.1，技术领域涉及：H04L9/40；该发明授权基于图注意力机制结合GCN的网络入侵检测方法是由黑新宏;王欣;姬文江;高苗;朱磊;邱原设计研发完成，并于2024-08-22向国家知识产权局提交的专利申请。

本基于图注意力机制结合GCN的网络入侵检测方法在说明书摘要公布了：本发明公开了基于图注意力机制结合GCN的网络入侵检测方法，具体按照以下步骤实施：首先对原始csv格式的网络流量数据进行预处理，并对流量的标签进行编码；将预处理后的数据进行组合筛选形成新特征，然后将该特征与剩余特征组合，得到新的数据集，并将数据集划分为训练集和测试集；构建网络流量特征提取模型EResGAT和网络流量分类模型GCN；对网络流量分类模型GCN进行训练，得到训练好的分类模型，本发明解决了现有技术中存在的机器学习和深度学习方法因忽略了流量间的关系只关注于流量本身特征导致的对恶意流量识别准确率差的问题。

本发明授权基于图注意力机制结合GCN的网络入侵检测方法在权利要求书中公布了：1.基于图注意力机制结合GCN的网络入侵检测方法，其特征在于，具体按照以下步骤实施： 步骤1、对原始csv格式的网络流量数据进行预处理，并对流量的标签进行编码； 步骤2、将预处理后的数据进行组合筛选形成新特征，然后将该特征与剩余特征组合，得到新的数据集，并将数据集划分为训练集和测试集； 所述步骤2具体按照以下步骤实施： 步骤2.1、将步骤1处理后的数据中包含IP地址或端口的特征进行组合筛选，形成新特征，即Srate和Drate两个特征，Srate和Drate两个特征为公开数据集CICIoT 2023通过特征提取工具，得到的包含原始pcap数据包中IP地址和端口的整数，将Srate特征和Drate特征相加赋值给源IP的包传输速率Srate作为新的特征，再将数据包头部长度Header_Length作为另一个筛选的特征，将这两个特征与剩余特征组合形成新的流量数据； 步骤2.2、将经过步骤2.1处理的新的流量数据作为数据集样本，将数据集样本分为训练集和测试集； 步骤2.3、将训练集和测试集中的所有流量数据分别通过networkx库中的from_pandas_edgelist方法构建一个无向图，然后将构建的无向图根据DGL库中from_networkx方法创建一个图G，训练集所有流量数据获得的图G1为训练图，测试集的中所有流量数据获得的图G2为测试图，这里的训练图和测试图对应后续的训练集和测试集，以满足后续的模型输入需要； 步骤2.4、分别对步骤2.3创建的训练图G1和测试图G2进行元素扩充，得到扩充后的训练图和测试图； 步骤3、构建网络流量特征提取模型EResGAT，输入转换后的训练集，提取对应每条流量的上下文流量间的特征作为新的训练集； 所述步骤3具体为： 步骤3.1、将步骤2获得的训练图和测试图称为二部图，其中二部图中任意两个节点直接相连的边作为线形图中的节点，如果二部图中的两个边的源结点和目的节点之间有共同节点，则线形图中这两个边对应的节点相连，构成新的图结构，即线形图，分别得到对应的训练图和测试图的线形图，作为后续模型输入的训练集和测试集； 步骤3.2、构建特征提取模型，EResGAT是在GAT的基础上引入残差结构，EResGAT模型的输入为步骤3.1构建的训练集和测试集，对于图中每个节点v，首先计算相邻特征的加权平均值，然后与转换后的节点特征连接，转换后的节点特征对应步骤2构建的图G中包含v节点的边edge_attr属性，在节点聚合特征的第k层时，带有残差的基于注意力的聚合特征如公式1所示： 其中，表示节点u在第 k‑1 层的聚合特征，是节点v的邻居节点u的取值范围，是线形图中分配给边的注意力系数，为激活函数，表示串联拼接，为节点v的特征，是跨层的权重矩阵，为节点v所在层的权重矩阵，将输入特征映射到较低的维度，注意力系数可以简单地通过前馈神经网络来学习，其中是一个权重向量，然后通过LeakyRELU激活和softmax函数得到所有节点对的注意力系数，如公式2所示： 采用多头注意力增加EResGAT模型的容量，多头EResGAT聚合表达式如公式3所示： 其中，有M个注意头，为第m个注意系数，对应第m个权重矩阵，在末尾将原始节点特征与乘积的结果连接起来； 步骤3.3、经过步骤3.2提取出线性图对应的网络流量的上下文流量间的特征，将步骤3.1构建的训练集和测试集作为输入，生成新的数据集，包括训练集Train和测试集Test； 步骤4、构建网络流量分类模型GCN； 步骤5、对网络流量分类模型GCN进行训练，得到训练好的分类模型； 步骤6、评估分类模型的性能。

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西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5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。