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！

龙图腾网获悉南京邮电大学申请的专利一种多模型融合的高效入侵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：CN119995978B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202510136418.3，技术领域涉及：H04L9/40；该发明授权一种多模型融合的高效入侵检测方法及系统是由孙知信;王旭斌;徐玉华设计研发完成，并于2025-02-07向国家知识产权局提交的专利申请。

本一种多模型融合的高效入侵检测方法及系统在说明书摘要公布了：本发明公开了一种多模型融合的高效入侵检测方法及系统，包括剔除样本数据内的异常值，使用TSODE针对时间特征筛查，使用自定义正则规范针对固定格式特征筛查，使用Z‑score针对统计量特征筛查；使用滑动窗口法确认符合决策边界性质的少数类，使用BorderLine‑SMOTE生成样本，使用ENN核验生成样本；使用TCN提取样本数据空间特征，使用BiLSTM提取样本数据流量特征；将时间与空间特征进行融合并归一化；使用不同时间步长度的时间窗口统计样本均值生成初始权重矩阵，计算QKV矩阵；基于注意力机制结果并在全连接层输出分类结果；通过结合BiLSTM和TCN网络对时间和空间特征的深度提取与融合，提出多头注意力机制，有效解决了流量数据中样本分布不均衡及特征重要性不平衡的问题。

本发明授权一种多模型融合的高效入侵检测方法及系统在权利要求书中公布了：1.一种多模型融合的高效入侵检测方法，其特征在于，包括以下步骤： S1、数据样本清洗，包括剔除样本数据内所有inf和nan异常值，使用TSODE针对时间特征筛查，使用自定义正则规范针对固定格式特征筛查，使用z-score针对统计量特征筛查； S2、样本生成，包括使用滑动窗口法确认符合决策边界性质的少数类，使用BorderLine-SMOTE生成样本，使用ENN核验生成样本； S3、时空特征提取，包括使用TCN提取样本数据空间特征，使用BiLSTM提取样本数据流量特征； S4、时空特征融合，包括将时间与空间特征进行融合并归一化，包括特征维度对齐、特征拼接以及归一化处理； S5、特征权重分配，包括使用不同时间步长度的时间窗口统计样本均值生成初始权重矩阵，基于初始权重矩阵计算QKV矩阵； S6、基于注意力机制结果并在全连接层输出分类结果； 步骤S2中，在确定待检测数据集存在问题后，使用BorderLine-SMOTE联合ENN方法解决问题，具体包括以下步骤： 第一步确认边界样本，针对少数类样本，使用KNN计算其少数类比例，其中，少数类比例是指在特征相似度的前个样本中与该样本同属一个类别的样本比重： ； 其中筛选个邻居是通过公式计算而得： ； 其中为特征维度，表示样本的地个特征值，并且取值为5；设定边界阈值和，少数类样本即可分类为： ； 接下来，从所有的边界样本中，基于最近邻少数类样本合成新的边界样本，补充数据内的关键类别： ； 进一步引入ENN方法，以欠采样的方式删除所合成的不良样本；根据类别分布判断式，设定0.5为ENN不良样本评估得分阈值；当Noise得分小于0.5时，即表示所合成的样本与其近邻中半数以上的样本类别不一致，即产生了新的噪声样，样本新样本: ； 完成以上合成与评估的步骤后，合并新旧样本作为待检测的数据集合； 步骤S3中，在既定的细化时间步的目标下，引入BiLSTM完成时间特征的提取，使用TCN完成空间特征的提取，BiLSTM同时从时间序列的前向和后向进行信息捕获； 步骤3.1，时间特征提取，BiLSTM四层及其在数据的输出结果分别为： BiLSTM层，输出； Dropout层，防止过拟合，； BiLSTM层，输出； Dropout层，防止过拟合，； 最终输出的时间特征矩阵为； 步骤3.2，空间特征提取，具体包括以下步骤： 首先，TCN的网络层次是由膨胀因果卷积层、正则化层、激活函数层以及归一化层组成基本的TCN模型层单元； 其次，根据步骤S2中统计的数据时间步信息，若秒级时间步样本量占比超过，则TCN内设置四个串行的模型层单元： ； ； ； ； 反之则设置为TCN有三个串行模型层单元；各层的模型层单元中卷积核大小保持一致，各层之间的输入输出通道数保持一致，而膨胀率取值分别为{1,2,4,8}和{1,2,4}；其中；所提出的空间特征矩阵是 步骤S4中，融合时间特征与空间特征，具体包括如下步骤： 步骤4.1，特征维度对齐，确定时间特征矩阵与空间特征矩阵的时间步维度是否一致，反之，调整步骤S3中的两个模型结构输出时间步维度一直的特征矩阵； 步骤4.2，特征拼接，将时间特征矩阵的特征维度与空间特征矩阵的特征维度进行串联操作，形成新的联合特征矩阵，其特征维度为 步骤4.3，归一化处理，对拼接后的联合特征矩阵进行标准化处理，以消除不同特征分布范围之间的差异；具体为，对联合特征矩阵计算均值和标准差，并按公式： 将联合特征矩阵归一化为标准分布，最终时空特征矩阵即为多头TPA注意力机制的输入特征； 步骤S5中，与步骤4所计算完成的融合特征，提出以为输入的分秒多头注意力机制，实现分秒尺度粒度流量数据的准确检测，具体包括以下步骤： 步骤5.1，确定各头矩阵；多头注意力机会将输入特征分解为多个头，每个头独立计算矩阵；以时间窗口分析策略确定初始化的线性矩阵： 1对于注意力头a，统计滚动均值和变化率作为矩阵的值： ； ； 则矩阵分别为： ； ； ； 其中以秒为时间步单位，为时间窗口大小； 2对于注意力头b，其侧重分钟级别流量的探索，以秒为时间步单位，为时间窗口大小，统计滚动均值和变化率作为矩阵的值，计算方式与1内保持一致，则矩阵分别为： ； ； ； 3对于注意力头c，其侧重分秒混合方向的探索，以所有样本数据均值和变化率作为矩阵的值，计算方式与1内保持一致，则KQV矩阵分别为： ； ； ； 步骤5.2，注意力矩阵计算，各头按照如下公式进行计算： ； 步骤5.3，结果矩阵输出： ； 步骤5.4，合并多头结果： ； 步骤S6中，分秒多头注意力机制的最后一层为全连接层，用于将注意力机制计算得到的拼接结果映射为最终的分类标签： ； ； ； 该全连接层的权重矩阵和偏置是通过反向传播过程计算得到的；在反向传播过程中，模型通过Softmax和交叉熵损失函数评估预测结果与真实标签之间的差异，并根据梯度信息更新和逐步优化模型的分类能力。

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京邮电大学，其通讯地址为：210003 江苏省南京市新模范马路66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。