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！

龙图腾网获悉湖北大学申请的专利一种基于聚类过采样和Transformer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：CN119628943B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411819945.6，技术领域涉及：H04L9/40；该发明授权一种基于聚类过采样和Transformer的网络入侵检测方法是由陈文豪;何鹏;汪犇;梅傲寒;胡帅设计研发完成，并于2024-12-11向国家知识产权局提交的专利申请。

本一种基于聚类过采样和Transformer的网络入侵检测方法在说明书摘要公布了：本发明公开了一种基于聚类过采样和Transformer的网络入侵检测方法，涉及网络安全与深度学习技术领域。该方法包括：对网络流量数据进行数据清洗，并通过聚类过采样技术平衡数据集，通过信息增益与快速相关性过滤结合的方法提取特征值；采用Max‑Min归一化方法对特征值进行归一化，按照时间戳和特征大小转为图像并标记攻击类型；采用双线性插值法对生成的图像进行放大，并划分训练集和测试集；通过迁移学习对分类头进行微调，提取网络流量数据的深层次特征，实现对正常流量及多种攻击流量的精准分类。本发明提出的一种基于聚类过采样和Transformer的网络入侵检测方法，不仅能够有效识别不同类型的网络攻击，还显著提升了入侵检测的精确率与可靠性。

本发明授权一种基于聚类过采样和Transformer的网络入侵检测方法在权利要求书中公布了：1.一种基于聚类过采样和Transformer的网络入侵检测方法，其特征在于，具体步骤如下： S1、对网络流量数据进行数据清洗，并使用K-meansSMOTE聚类过采样技术对数据集进行聚类、过滤和过采样； S2、采用信息增益与快速相关性过滤结合的方法剔除网络流量数据中无关、不必要及噪声特征，保留关键的有效信息特征； S3、采用归一化方法对网络流量数据中的数值特征进行归一化，然后将网络流量数据按照时间戳和特征大小转为图像并标记攻击类型； 采用Max-Min归一化方法对网络流量数据中的数值特征进行归一化，并按照时间戳和特征大小转为图像并标记攻击类型，具体步骤如下： S31、将网络流量数据进行编码转为图像中的像素，先采用Max-Min归一化将所有的特征缩放到0-1范围之间，在再乘以255，取整数部分作为对应特征所对应的像素值，输出的像素值为： 其中X代表原始特征值，Xmin代表训练集中特征的最小值，Xmax代表训练集中特征的最大值，Xnew代表生成的像素值； S32、按照时间戳和特征大小将网络流量数据转换成图像并标记攻击类型，包括以下步骤： S321、在数据归一化和特征选择之后，基于网络流量数据集的时间戳和特征大小将数据样本转换为块图像，每个变换后的块图像具有三个通道红色、绿色和蓝色的正方形彩色图像并保留原始网络数据的时间序列相关性； S322、基于数据块中的攻击模式对变换后的块图像进行标记；块图像中的所有样本都是正常样本，则被标记为正常，块图像包含攻击样本，则被标记为该块中最频繁的攻击类型； S4、采用双线性插值法对生成的图像进行放大，按照比例划分为训练集和测试集； S5、使用在ImageNet上预训练的VIT模型进行迁移学习，提取图像的特征并训练一个分类器，进行网络流量的攻击性检测，识别出入侵流量，具体步骤如下： S51、基于视觉TransformerViT模型，通过自注意力机制从网络流量图像数据中提取流量图像的深层次特征； S52、在迁移学习过程中，为保留预训练模型的特征提取能力，ViT模型的底层特征提取模块的权重保持冻结，仅对顶层分类头ClassificationHead进行调整，实现对正常流量与各种攻击流量类型的多分类； S53、利用经过标注的网络流量图像数据集对模型进行微调，优化目标为调整分类头的参数以提升分类性能，模型训练过程中，损失函数采用交叉熵损失Cross-EntropyLoss，优化器选择AdamW。

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湖北大学，其通讯地址为：430062 湖北省武汉市武昌区友谊大道368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。