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！

龙图腾网获悉浙江大学申请的专利基于选择性状态空间模型的恶意流量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：CN119995920B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202411862094.3，技术领域涉及：H04L9/40；该发明授权基于选择性状态空间模型的恶意流量检测方法是由陈惠芳;刘容川;谢磊设计研发完成，并于2024-12-17向国家知识产权局提交的专利申请。

本基于选择性状态空间模型的恶意流量检测方法在说明书摘要公布了：本发明公开了基于选择性状态空间模型的恶意流量检测方法。现有方法误判率较高，检测效果较差。本发明通过原始流量数据转灰度图、潜在特征提取、检测模型训练、已知恶意流量数据预训练等，实现零样本恶意流量检测。首先对准备已知恶意流数据并进行数据增强，然后将已知恶意流量数据和数据增强后的合成恶意流量数据一起用于零样本恶意流量检测模型的预训练，最后通过预训练好的模型识别从未见过的恶意流量数据种类的方法。对网络上获取的从未见过的恶意流量数据，经过预处理操作后输入预训练好的零样本恶意流量检测模型，判断当前流量是否为恶意流量。本发明保留了有效语义信息，去除冗余的语义信息，提高特征提取的有效性，进而提高模型的准确率。

本发明授权基于选择性状态空间模型的恶意流量检测方法在权利要求书中公布了：1.基于选择性状态空间模型的恶意流量检测方法，其特征在于： 步骤1准备恶意流量分类模型的训练数据：从互联网上下载已知恶意流量数据作为原始流量数据；将原始流量数据处理后转换为灰度图数据，用于恶意流量检测模型的预训练； 步骤2对恶意流量数据进行数据增强： 使用变分自编码器模型生成的恶意流量样本；变分自编码器模型由编码器和解码器组成；编码器用于将恶意流量数据映射到潜在空间的概率分布中，并通过重参数化技巧从潜在空间采样；解码器用于重建恶意流量数据；重建后的恶意流量数据即为合成的恶意流量样本； 步骤3设计恶意流量检测模型： 所述的恶意流量检测模型基于Ghost模块、S2M模块、Mamba模块、全局池化层和线性层构建，其中每个卷积层后都连接批归一化层和非线性激活层； 步骤4预训练恶意流量检测模型： 4-1参数初始化：随机初始化学习网络的权值参数和偏置参数，初始化迭代轮次，设置初始学习率，训练样本批大小，最大迭代轮次； 4-2数据分批：按照设置的样本批大小将数据集均匀分成个批次，每个批次的恶意流量数据子集表示为，其对应的标签集为； 4-3数据输入：随机选取某一批次的数据子集送入恶意流量检测模型中，通过Ghost模块、S2M模块和Mamba模块提取数据的特征表示，输入全局池化层和线性层得到该批次数据的预测标签集； 4-4对比学习特征增强：基于Ghost模块、S2M模块和Mamba模块提取的特征表示计算对比损失函数值，在特征空间中实现不同类别样本间距离最大化和同类样本间距离最小化，学习更具区分性的特征表示，并输出增强后的特征表示； 4-5参数更新：根据该批次数据的真实标签和预测标签集计算损失函数值，并根据损失函数值更新模型参数； 4-6单轮训练：当第轮次的个批次数据都输入检测模型，则表示该轮训练结束，进入步骤4-7，否则返回步骤4-3； 4-7训练结束判断：当损失函数在连续轮内的减小幅度均小于，其中为判断检测模型是否收敛的最小收敛轮数，为判断不再减小的阈值，表明检测模型已收敛，执行步骤4-9；否则执行步骤4-8； 4-8若，则，继续迭代，返回步骤4-2；若，表明检测器训练结束，进入步骤4-9； 4-9模型保存：保存检测器模型的最佳权重参数和最佳偏置参数； 步骤5检测从未见过的恶意流量数据： 5-1对从未见过的恶意流量数据进行预处理； 5-2输入一个卷积核大小为的Ghost模块进行初步特征提取；Ghost模块首先使用卷积层对输入图片进行通道数的压缩，然后再进行深度可分离卷积层得到特征图，将不同的特征图拼接到一起，组合成新的输出； 5-3使用多个S2M模块进行深层的局部特征提取； 5-4在多个S2M模块之间穿插使用S2MGhostMamba模块进行进一步的全局特征提取，具体是：S2MGhostMamba模块将特征图通过一个卷积核大小为的Ghost模块进行局部的特征建模，然后通过一个卷积核大小为1×1的Ghost模块调整通道数得到输出，表示实数域，和分别表示有效感受野的高度和宽度，表示维度；然后将展开为个不重叠的一维向量；其中，有效感受野patch按照固定面积划分为个小区域，展开得到的一维向量数量为，每个patch的高度和宽度即为每个一维向量的高度和宽度，、，为卷积核的大小；然后使用Mamba模块对每个patch中的每一个像素进行编码，得到个具有全局特征信息的一维向量；将个具有全局特征信息的一维向量折叠回高维向量； 通过一个卷积核大小为1×1的Ghost模块将通道数调整回原始大小，映射回低维特征空间；接着通过残差连接与原始输入特征图沿通道方向进行拼接，最后再通过一个卷积核大小为的Ghost模块进行特征融合得到输出特征； 5-5使用检测器进行最终检测结果的输出：使用1×1的Ghost模块进行特征压缩，全局池化层将特征图的尺寸调整为固定大小，将特征图展平为一维向量，添加Dropout层以防止过拟合，最后通过线性层进行检测结果的输出。

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浙江大学，其通讯地址为：310000 浙江省杭州市西湖区余杭塘路866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。