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！

龙图腾网获悉安徽建筑大学申请的专利一种基于集成学习的网络异常流量检测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：CN120263473B 。

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：202510409725.4，技术领域涉及：H04L9/40；该发明授权一种基于集成学习的网络异常流量检测方法及系统是由陈娟;王寒野;王占丰;李艳秋设计研发完成，并于2025-04-02向国家知识产权局提交的专利申请。

本一种基于集成学习的网络异常流量检测方法及系统在说明书摘要公布了：本发明涉及网络异常流量检测技术领域，解决了传统网络异常流量检测方法存在高维特征冗余、数据样本不平衡、模型泛化能力不强的技术问题，尤其涉及一种基于集成学习的网络异常流量检测方法及系统。首先通过融合极端梯度提升的方法，实现网络流量特征的高效筛选和降维；其次构建堆叠泛化模型，并引入Optuna框架通过高效寻找模型的最佳超参数，从而实现对网络威胁的高精度识别。本发明在UNSW‑NB15和CIC‑IDS2017数据集上的威胁识别准确率分别达到83.26％和99.96％，性能较传统算法有显著提升，能够进行准确的异常流量检测，为复杂网络环境下的安全决策提供了可靠参考。

本发明授权一种基于集成学习的网络异常流量检测方法及系统在权利要求书中公布了：1.一种基于集成学习的网络异常流量检测方法，其特征在于，该方法包括以下步骤： 通过融合极端梯度提升的特征重要性分析、皮尔逊相关性分析以及互信息得分，实现对网络流量数据中的流量数据进行筛选和降维，以形成最终的流量特征集合，包括以下步骤： 对网络流量数据进行数据预处理形成多个流量特征子集，数据预处理包括无效特征剔除、特征独热编码、特征标准化、标签数值化； 基于XGBoost特征筛选模型，对流量特征子集中的流量数据进行特征重要性量化，按照降序排列，并根据预设标准保留特征重要性得分高的流量特征，形成初步筛选的流量特征子集； 将流量特征子集中的流量数据进行皮尔逊相关性分析，并设定Pearson流量特征相关性阈值，同时计算流量特征子集中流量特征的互信息得分； 若存在流量特征超过Pearson流量特征相关性阈值，则对比互信息得分，剔除得分低的流量特征，形成最终的流量特征集合； 若没有流量特征超过设定的Pearson流量特征相关性阈值，则直接形成流量特征集合； 以极端梯度提升算法、类别梯度提升算法和轻量级梯度提升机作为基学习器、随机森林算法作为元学习器，并引入用于在高维超参数空间中快速寻找最佳超参数的Optuna寻优框架，构建在网络安全威胁态势识别场景下用于异常流量数据识别的堆叠泛化模型； 采用堆叠泛化模型对流量特征集合中的异常流量数据进行检测，识别威胁从而判断流量数据是否异常。

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安徽建筑大学，其通讯地址为：230601 安徽省合肥市经济技术开发区紫云路292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。