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！

龙图腾网获悉兰州交通大学申请的专利一种基于多模态联合蒸馏优化的漏洞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：CN120407378B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202510531273.7，技术领域涉及：G06F11/362；该发明授权一种基于多模态联合蒸馏优化的漏洞检测方法是由张学军;张一帆;刘灿灿;加小红;陈卓;王子木设计研发完成，并于2025-04-25向国家知识产权局提交的专利申请。

本一种基于多模态联合蒸馏优化的漏洞检测方法在说明书摘要公布了：一种基于多模态联合蒸馏优化的漏洞检测方法‑mVulD‑DO，首先生成关键代码结构图后，从其中提取函数名、变量名以及辅助表征信息，结合代码切片输入到预训练语义编码器中进行编码，生成语义模态的特征张量；另，利用关键代码结构图的节点和带有不同属性的边构建异构邻接矩阵，输入GAT进行编码，生成图结构的特征张量。将语义特征张量通过多头蒸馏网络进行蒸馏，得到对应的单峰特征，并通过BLSTM进一步提取代码的长距离依赖关系，获得最终的语义辅助特征。利用动态Sinkhorn算法计算图结构特征空间与语义辅助特征空间之间的分布距离，使用全局注意力层进一步融合优化后模态的特征，确保它们在特征空间中的协调性。本发明提升了模型的检测效率和对漏洞检测的准确性。

本发明授权一种基于多模态联合蒸馏优化的漏洞检测方法在权利要求书中公布了：1.一种基于多模态联合蒸馏优化的漏洞检测方法，其特征在于，包含以下步骤： 步骤A：多模态特征提取；从源代码中提取多维结构依赖信息，并融合函数调用、执行路径及数据传递关系，构建程序依赖网络；基于该网络，提取关键代码结构中的函数名、变量名以及辅助表征Token_type，再结合局部代码片段，获得四个语义模态特征张量；同时，利用子图中节点及其依赖关系构建异构邻接矩阵，以生成图模态特征张量；步骤A进一步包括： A1：首先，从源代码中提取多维结构依赖信息，包括函数调用、执行路径及数据传递关系，构建一个综合性的程序依赖网络；基于预先设计的漏洞特征描述：数组、指针、操作符、API调用，对该网络进行定向筛选，从中识别出反映潜在漏洞风险的关键代码结构，并从整体网络中分离出关键子图，以获得局部且聚焦的结构信息； A2：在提取到关键子图后，利用树解析器从中提取函数名、变量名和辅助表征Token_type，再结合局部代码片段，通过先进的预训练语义编码器转换为多个语义模态的特征张量；同时，基于子图中节点及其依赖关系构建异构图结构邻接矩阵，并利用图注意力网络生成图模态特征张量； 步骤B：多头特征蒸馏层；将步骤A生成的四个语义模态特征张量分别输入到多头注意力机制中，以聚合全局上下文信息并筛选出关键区域特征；随后，前馈网络对每个时间步的特征进行逐步的非线性变换，从而增强模型的表达能力；多尺度卷积层则从不同感受野中提取特征，进一步提升对局部多尺度上下文模式的捕捉能力，同时压缩特征维度以减少冗余；最终，四个深度蒸馏后的语义特征张量在第0维度进行拼接，既保留了各模态的独立信息，又通过BLSTM建模时间维度上的全局依赖关系，从而进一步增强跨模态特征的融合与协同表示，生成最终的语义辅助特征张量； 步骤C：多模态特征融合与优化；首先，使用全局注意力层对图模态特征张量和语义辅助特征张量进行加权融合；通过多头注意力机制，注意力权重动态分配给不同模态的特征，以捕捉跨模态的全局依赖信息，且通过归一化层确保融合特征的稳定性；接着，基于Sinkhorn距离作为正则项，对两个模态的特征进行优化，最小化它们的分布差异，进一步提升特征的对齐和互补性；优化后的两个特征将在下一次迭代中重新融合，并进行检测；最终，通过前向传播与全连接层生成每个样本的类别预测，分类损失和Sinkhorn损失共同构成总损失函数，并通过联合学习进行反向传播更新模型参数，从而提升分类检测的准确性。

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兰州交通大学，其通讯地址为：730070 甘肃省兰州市安宁区安宁西路88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。