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基于联邦学习和漂移检测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：CN119995977B 。

龙图腾网通过国家知识产权局官网在2025-10-21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：202510136335.4，技术领域涉及：H04L9/40；该发明授权基于联邦学习和漂移检测的网络异常流量检测方法及系统是由孙知信;仲崇树设计研发完成，并于2025-02-07向国家知识产权局提交的专利申请。

本基于联邦学习和漂移检测的网络异常流量检测方法及系统在说明书摘要公布了：本发明公开了基于联邦学习和漂移检测的网络异常流量检测方法及系统，通过在多个边缘节点上进行数据预处理和时空特征提取，生成特征数据。每个边缘节点独立检测流量是否发生概念漂移，若检测到漂移，则启动增量学习并只更新变化的数据。更新后的本地模型参数上传至中央服务器，进行聚合并生成全局模型，经评估后再下发到边缘节点进行实时流量检测。该方法结合了联邦学习和漂移检测技术，不仅能保护数据隐私，还能提高网络流量检测的准确性与实时性，适用于大规模分布式网络中的流量监控和异常检测。并采用图神经网络和双向长短时记忆网络模型提升特征提取和模型训练的精度，保证在复杂网络环境中的稳定性和可靠性。

本发明授权基于联邦学习和漂移检测的网络异常流量检测方法及系统在权利要求书中公布了：1.一种基于联邦学习和漂移检测的网络异常流量检测方法，其特征在于，包括以下步骤： S1、在多个边缘节点上，对流量数据进行预处理，并提取时空特征，生成特征数据； S2、每个边缘节点基于特征数据训练异常检测模型，并更新本地模型的参数； S3、基于本地模型检测网络流量判断是否发生概念漂移； S4、在概念漂移发生时，启动增量学习，仅更新变化的数据； S5、将本地模型参数上传至中央服务器，聚合各边缘节点的模型参数，生成全局模型； S6、将更新后的全局模型评估后下发至各边缘节点进行实时异常检测； 步骤S1中的图神经网络用于提取时空特征，具体操作包括： GNN的构建：每个网络流量记录由一组特征描述，每个特征描述了流量数据的不同维度；整个网络的节点构成一个特征矩阵： ； 提取时空特征：GNN的核心是图卷积层，它通过邻接矩阵A和节点特征矩阵来进行时空特征提取；具体地，图卷积层的更新公式为： ； 其中，表示第层的节点特征矩阵，初始时=，是第层的权重矩阵，在训练开始时通过随机初始化得到，A是邻接矩阵，是激活函数； 高维特征映射为低维向量：经过多层图卷积操作后，节点的特征会被映射到低维空间，得到的节点特征是每个流量记录的低维特征表示：； 其中，每个是流量记录的低维特征向量，捕捉了该流量记录的时空信息； 步骤S2中的异常检测模型使用BiLSTM对提取的特征进行训练，具体操作为： 输入格式：将转换为与BiLSTM模型兼容的输入格式，也就是将特征映射到线性层： ； 双向LSTM：使用双向LSTM来对进行处理，双向LSTM能够捕捉每个时间步的前后上下文信息，从而更好地学习序列中的时序特征；计算公式为： ； 注意力机制：注意力机制通过计算每个时间步的注意力权重来加权LSTM输出的特征，最终生成一个加权和的表示；具体来说，注意力层的输出通过如下公式计算： ； 其中，T是序列长度，是第i个时间步的LSTM输出，是计算得到的注意力权重； 模型训练：最后，通过一个线性分类器进行分类；分类层接收经过注意力机制加权后的特征表示，并生成最终的预测结果；计算公式为： ； 其中，是模型的最终输出，表示每个样本属于各个类别的概率； 步骤S3中的漂移检测方法通过以下步骤实现： 模型精度评估：在进行概念漂移检测之前，需要评估当前模型在历史流量数据上的精度，公式如下： ； 其中，是模型在时刻对第个样本的预测输出,是第个样本的真实标签，是时刻的样本总数，为指示函数，当预测正确时为1，否则为0； 概念漂移检测：CUSUM方法通过监控模型精度的累积变化来检测概念漂移，步骤如下： 计算历史精度的均值：，其中T为历史样本的总数，是第t次评估的精度； 计算当前时刻的偏差：； 计算累积量：，累积量的更新采用“最大值”操作，结果偏差为负时，则累积量清零，保持稳定； 漂移检测与判定：判定公式如下： ； 如果当前时刻的累积量超过设定的阈值，则判定为概念漂移发生；否则，继续监控并更新累积量。

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。