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！

龙图腾网获悉南通大学申请的专利一种保护隐私的多模态去中心化漏洞评估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：CN119830306B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202510026747.2，技术领域涉及：G06F21/57；该发明授权一种保护隐私的多模态去中心化漏洞评估方法是由鞠小林;刘清云;陈翔;高瞻;王皓晨;彭志娟设计研发完成，并于2025-01-08向国家知识产权局提交的专利申请。

本一种保护隐私的多模态去中心化漏洞评估方法在说明书摘要公布了：本发明提供了一种基于多模态数据融合的去中心化漏洞评估方法，属于计算机技术领域，解决了传统漏洞评估方法无法充分结合多模态数据、无法有效保护数据隐私的技术问题。其技术方案包括以下步骤：S1：对漏洞评估数据集进行预处理；S2：提取源代码的结构信息、词法特征和注释信息；S3：将源代码和注释信息输入到CodeT5模型中，并结合Joern处理的图结构信息进行多模态特征融合；S4：通过自适应权重机制进行跨模态信息融合，优化模型性能；S5：在本地进行模型训练；S6：将测试集输入训练好的模型中进行漏洞评估，输出分类结果。提升了漏洞评估的准确性、全面性和隐私保护能力。

本发明授权一种保护隐私的多模态去中心化漏洞评估方法在权利要求书中公布了：1.一种基于隐私保护的多模态去中心化漏洞评估方法，其中，包括以下步骤： 1.1：通过分析CVE漏洞数据库和基于Git的软件项目托管平台的实际开发项目，收集相关漏洞信息，将其处理为多模态数据集D，包括代码结构、注释信息和词法特征； 1.2：对步骤1.1搜集到的数据集D进行划分，按照80％：20％的比例进行随机划分训练集和测试集； 1.3：对不同模态的数据进行预处理和特征提取，利用Joern工具生成代码属性图，捕捉代码中的语法结构和依赖关系，利用预训练模型CodeT5对词法信息和注释信息进行语义特征提取，将其转化为向量表示； 1.4：将步骤1.3中得到的不同模态的特征嵌入向量进行对齐，并利用自注意力机制进行深度融合，形成统一的多模态特征表示； 所述步骤1.4中，将步骤1.3中得到的不同模态的特征嵌入向量进行对齐，并利用自注意力机制进行深度融合，形成统一的多模态特征表示，具体包括如下步骤： 4.1：将提取的来自不同模态，包括代码结构、词法信息、注释的特征嵌入向量进行对齐；这里我们采用二值哈希编码进行对齐，将所有模态的特征映射到相同的向量空间； 4.2：利用自注意力机制对对齐后的多模态特征进行深度融合，通过计算不同模态特征之间的相似性和依赖关系，增强跨模态信息的互动，具体公式如下： 其中，Q是查询向量，K是键向量，V是值向量，dk是键向量的维度，softmax函数用于计算注意力权重； 4.3：通过上述自注意力机制，将各模态特征有效融合，生成一个统一的多模态特征表示，用于后续的训练与评估； 1.5：在去中心化学习模型训练阶段，从主服务器向多个客户端分发模型，客户端使用多模态数据进行训练，训练完成后，客户端将训练好的本地模型上传至主服务器，主服务器汇总并进行优化，通过多轮分发与迭代，最终得到具有最优性能的全局模型，同时保障客户端数据的隐私； 所述步骤1.5中在去中心化学习模型训练中，从主服务器向多个客户端分发模型，客户端使用多模态数据进行训练，并通过多轮迭代优化最终全局模型，具体包括如下步骤： 5.1：主服务器将初始模型分发给多个客户端，每个客户端使用自己本地的多模态数据进行训练，客户端使用本地数据进行训练并更新本地模型，客户端将训练好的本地模型上传到主服务器，主服务器汇总并合并来自各个客户端的模型参数，通过多轮分发与迭代，优化全局模型，每一轮的模型参数都会在本地进行更新，然后上传到主服务器，迭代多轮直至全局模型达到最优性能； 5.2：减少全局模型和本地模型之间的差异，引入加权方差最小化损失函数，保证全局模型和本地模型在训练过程中逐步收敛，具体公式如下： 其中，Lvariance为加权方差最小化损失，wi为第i个本地模型的权重，θglobal为全局模型的参数，为第i个本地模型的参数，n为本地模型的数量，通过最小化该损失函数，确保全局模型和本地模型的一致性，从而提升全局模型的准确性和鲁棒性； 5.3：引入基于动量的权重分配策略，优化各客户端对全局模型训练的贡献，该策略根据客户端数据的质量和本地训练效果动态调整每个客户端的贡献权重，确保更高质量的数据对全局模型贡献更大，具体公式如下： 其中，为第i个客户端在当前迭代中的新权重，为第i个客户端在上一轮迭代中的旧权重，β为动量超参数，控制历史权重的影响，为第i个客户端的损失函数梯度，表示梯度的模长，反映了训练的效果，通过这种动量策略，能够有效提升训练过程中对于有效本地数据的关注，避免低质量数据过度影响全局模型； 5.4：根据数据的异质性和模型的训练情况，引入动态学习率机制，以便在训练过程中自适应地调整学习率，该机制根据每个客户端的训练反馈，动态改变学习率大小，从而提升训练效率和精度，具体公式如下： 其中，λ为正则化常数，用于控制学习率更新的幅度，gradmagnitude为梯度的大小，反映模型训练的更新幅度，动态学习率机制帮助模型在训练过程中根据数据的难度和异质性调整学习速率，从而提升全局模型的训练效率和精度； 5.5：在这一过程中，客户端仅通过本地数据训练模型并上传更新后的模型参数，而无需将原始数据上传至主服务器，从而有效避免了数据泄露的风险； 1.6：将测试集D2输入到已训练好的全局模型进行漏洞评估，输出最终的评估结果，评估漏洞类型和风险等级。

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通大学，其通讯地址为：226000 江苏省南通市崇川区永福路79号1幢南通大学技术转移研究院；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。