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！

龙图腾网获悉南京信息工程大学申请的专利一种无监督异常检测方法、装置、介质及设备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：CN116628612B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202310622475.3，技术领域涉及：G06F18/2433；该发明授权一种无监督异常检测方法、装置、介质及设备是由尹春勇;赵峰设计研发完成，并于2023-05-30向国家知识产权局提交的专利申请。

本一种无监督异常检测方法、装置、介质及设备在说明书摘要公布了：本发明公开了一种无监督异常检测方法、装置、介质及设备，获取未知类别的网络流量文本数据，将未知类别的网络流量文本数据输入到预先训练好的基于双层注意力机制和变分自编码器的无监督异常检测模型，通过基于双层注意力机制和变分自编码器的无监督异常检测模型输出异常文本数据；基于双层注意力机制和变分自编码器的无监督异常检测模型包括依次线性连接的输入层、输入注意力层、卷积神经网络层、变分自编码器、输出层；变分自编码器包括依次线性连接的编码器、特征注意力层和解码器。优点：在变分自编码器的基础上加入了双层注意力机制，可以兼顾全局和局部信息，自适应选择更重要的序列，以便于更好地捕获网路流量的长期依赖性。

本发明授权一种无监督异常检测方法、装置、介质及设备在权利要求书中公布了：1.一种无监督异常检测方法，其特征在于，包括： 获取未知类别的网络流量文本数据，将所述未知类别的网络流量文本数据输入到预先训练好的基于双层注意力机制和变分自编码器的无监督异常检测模型，通过所述基于双层注意力机制和变分自编码器的无监督异常检测模型输出异常文本数据； 所述基于双层注意力机制和变分自编码器的无监督异常检测模型包括依次线性连接的输入层、输入注意力层、卷积神经网络层、变分自编码器、输出层；所述变分自编码器包括依次线性连接的编码器、特征注意力层和解码器； 所述通过所述基于双层注意力机制和变分自编码器的无监督异常检测模型输出异常文本数据，包括： 对通过输入层输入的归一化后的未知类别的网络流量文本数据利用输入注意力层进行加权处理，得到加权后的网络流量文本数据； 将加权后的网络流量文本数据输入卷积神经网络层进行计算，提取未知类别的网络流量文本数据的空间特性； 利用所述编码器对所述未知类别的网络流量文本数据的空间特性进行降维处理同时提取所述未知类别的网络流量文本数据的空间特性的时间相关； 利用特征注意力层对降维得到的所述时间相关进行加权，得到二次加权后的筛选数据； 将所述筛选数据输入到所述解码器进行解码，通过所述输出层输出解码数据，对解码数据计算重构误差，重构误差大于预设阈值的作为异常文本数据； 所述双层注意力机制的计算过程表示为： ； ； ； 其中，和是可学习的网络参数，k表示当前所在节点，表示当前第k个节点，注意力得分et取决于当前的输入和当前隐藏层状态，随后通过SoftMax函数进行归一化得到权重αt，ek表示在节点k时算出的注意力得分，t表示时间步长，表示加权后的时间序列，为网络流量文本数据X中的网络数据流量，xt为网络数据流量中的第t个数据量； 将加权后的时间序列输入到有Bi-GRU为基础架构的变分自编码器进行计算的过程表示为： ； ； ； ； 其中，Zt为更新门，rt为重置门，Wz和Wr为权重矩阵，σ为sigmoid激活函数，表示过去的时间，r表示重置门的信息，W为可学习的网络参数； 所述变分自编码器中的代价函数为： ； 其中，Lrecθ为均方误差损失函数，DKL表示散度，表示根据给定的样本xi和网络参数φ计算出的潜在变量z的后验分布，pz表示先验分布。

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信息工程大学，其通讯地址为：210044 江苏省南京市江北新区宁六路219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。