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！

龙图腾网获悉清华大学;天翼安全科技有限公司申请的专利一种基于时空注意力机制的恶意流量识别方法与装置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：CN120128431B 。

龙图腾网通过国家知识产权局官网在2025-11-21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：202510608514.3，技术领域涉及：H04L9/40；该发明授权一种基于时空注意力机制的恶意流量识别方法与装置是由徐恪;李藩;赵乙;李琦;常力元;朱敏设计研发完成，并于2025-05-13向国家知识产权局提交的专利申请。

本一种基于时空注意力机制的恶意流量识别方法与装置在说明书摘要公布了：本发明公开了一种基于时空注意力机制的恶意流量识别方法与装置，本发明的方法计算流训练数据集中每条流的时空特征；获取流训练数据集中每条流的源和目的邻居流的时空特征组合，并计算每条流的邻居嵌入；将时空特征和邻居嵌入输入至判别器计算恶意程度得分；计算恶意程度得分与流标签的差值，计算编码器、注意力网络和判别器参数相对于差值的梯度，更新网络参数，记录使得流训练数据集达到最佳召回率和假阳率平衡的阈值；利用训练好的判别器计算待检测的流的恶意程度得分，并与阈值比较大小以识别待检测的流是否为恶意流。本发明解决在基于图的恶意流量识别中，流之间的时空相关性利用不充分问题，从而实现准确的隐蔽恶意流量识别。

本发明授权一种基于时空注意力机制的恶意流量识别方法与装置在权利要求书中公布了：1.一种基于时空注意力机制的恶意流量识别方法，其特征在于，包括： 利用初始化后的编码器计算流训练数据集中每条流的时空特征； 获取流训练数据集中每条流的源和目的邻居流的时空特征组合，并利用注意力网络计算每条流的邻居嵌入； 将所述时空特征和所述邻居嵌入输入至判别器计算恶意程度得分； 计算恶意程度得分与流标签的差值，并计算编码器、注意力网络和判别器参数相对于差值的梯度，更新网络参数以获取训练好的神经网络模型，并记录使得流训练数据集达到最佳召回率和假阳率平衡的阈值； 利用训练好的判别器计算待检测的流的恶意程度得分，并与阈值比较大小，以根据数值比较结果识别待检测的流是否为恶意流； 利用初始化后的编码器计算流训练数据集中每条流的时空特征，包括： 初始化编码器，编码器包括时间编码器和流量模式编码器，所述编码器采用第一神经网络模型； 构建流训练数据集； 预设流训练数据集中第条流的时间戳为，统计特征为，将流时间戳和统计特征分别输入时间编码器和流量模式编码器，得到时间编码和流量模式编码，将时间编码和流量模式编码合并得到流的时空特征，其中表示将两个向量首尾相连拼接为一个向量； 获取流训练数据集中每条流的源和目的邻居流的时空特征组合，并利用注意力网络计算每条流的邻居嵌入，包括： 预设流训练数据集中第条流的源地址为，目的地址为，则第条流的源邻居为所有源地址为的流的索引集合，目的邻居为所有目的地址为的流的索引集合； 初始化注意力网络，注意力网络采用第二神经网络模型，注意力网络的查询向量是第条流的时空特征，键向量和值向量都是第条流的源和目的邻居流的时空特征组合： 其中，表示从集合中随机抽取个元素，注意力网络的输出为聚合后的邻居嵌入； 计算流训练数据集中第条流的邻居嵌入为： 其中，为第条流的邻居嵌入； 其中，注意力网络的输出为聚合后的邻居嵌入，维度为；注意力网络采用第二神经网络模型，神经网络参数使用如下随机初始化方法进行初始化：对于第层参数矩阵，元素服从均值为0，方差为的高斯分布，其中为第层神经元数量；第1层参数初始化为服从标准正态分布的随机实数矩阵； 将所述时空特征和所述邻居嵌入输入至判别器计算恶意程度得分，包括： 初始化判别器；判别器采用第三神经网络模型； 将第条流的时空特征和邻居嵌入输入至判别器输出为流训练数据集中第条流的恶意程度得分； 所述阈值的计算公式为： 其中，和分别为在一系列阈值下模型的召回率和假阳率。

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清华大学;天翼安全科技有限公司，其通讯地址为：100084 北京市海淀区清华园；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。