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！

龙图腾网获悉哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)申请的专利一种基于贝叶斯增量学习的攻击检测方法、系统及存储介质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：CN121283779B 。

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：202511844363.8，技术领域涉及：H04L9/40；该发明授权一种基于贝叶斯增量学习的攻击检测方法、系统及存储介质是由顾钊铨;李鉴明;贾焰;赵昂霄;张志强设计研发完成，并于2025-12-09向国家知识产权局提交的专利申请。

本一种基于贝叶斯增量学习的攻击检测方法、系统及存储介质在说明书摘要公布了：本发明提供一种基于贝叶斯增量学习的攻击检测方法、系统及存储介质，方法包括：步骤一：采集数据集，按年份划分成多个任务；步骤二：使用贝叶斯持续学习框架，将上一个任务学习得到的后验分布作为当前任务的先验分布，采用梯度投影方法，将当前任务的梯度投影到旧任务特征空间的正交子空间，得到投影参数；步骤三：对任务进行标签偏差与噪声处理；步骤四：最小化新任务损失，得到参数，根据标签偏差与噪声处理的结果采取训练策略；步骤五：找到最优合并解；步骤六：将合并后的模型参数作为下一个任务的初始化参数，返回步骤二，进入下一轮迭代，直到完成所有任务的训练。本发明的有益效果是：能够显著提升知识保持能力，有效克服灾难性遗忘问题。

本发明授权一种基于贝叶斯增量学习的攻击检测方法、系统及存储介质在权利要求书中公布了：1.一种基于贝叶斯增量学习的攻击检测方法，其特征在于，包括以下步骤： 步骤一，数据采集及处理：采集所需的数据集，并将其按年份划分成多个任务； 步骤二，第一阶段模型训练：使用贝叶斯持续学习框架，将上一个任务学习得到的后验分布作为当前任务的先验分布，采用梯度投影方法，将当前任务的梯度投影到旧任务特征空间的正交子空间，得到投影参数； 步骤三，标签偏差与噪声处理：对所述步骤一划分的任务进行标签偏差与噪声处理； 步骤四，第二阶段模型训练：从投影参数开始，在当前任务继续训练模型，最小化新任务损失，得到参数，再根据所述步骤三标签偏差与噪声处理的结果采取相应的训练策略； 步骤五，贝叶斯模型合并：将旧模型的参数投影以及模型在当前任务训练得到的新参数进行合并，得到从开始到当前任务为止对于所有任务的最优模型参数，再找到最优合并解； 步骤六：将合并后的模型参数作为下一个任务的初始化参数，并返回所述步骤二，进入下一轮迭代，直到完成所有任务的训练； 所述步骤三具体为：对当前任务中未标记的数据聚类生成伪标签，拟合临时分布,其中表示临时分布的数据的均值，表示临时分布的数据的协方差，和临时分布，形成统一的、包含所有已知和潜在新类别的数据分布估计，其中N表示多元正态分布函数，表示任务i的数据的均值，表示任务i的数据的协方差，i表示第i个任务，表示任务t，即当前任务的均值，表示任务t的协方差，使用多元高斯分布最近类均值分类器重新分配标签： ， 其中表示当前任务中的数据与类别k的马氏距离，表示模型从原始输入x中提取的特征向量，表示类别k的协方差矩阵的逆矩阵，也称为精度矩阵，表示类别k的分布，，T表示矩阵的转置；对于未标记数据xi，分配的标签是能给出最大相似度值的类别k： ， 经过标签分配，能够减少未知数据或者标签错误的标签偏差和噪声影响； 在所述步骤四中， 模型损失函数采用常见的交叉熵损失函数或者自行设计； 所述训练策略具体如下： 如果在标签偏差与噪声处理的结果中没有发现新类别，则采取无约束训练，如果发现新类别，采取协方差对齐与早期停止的训练方法，防止模型决策边界偏向新类别，在新类别数据上过拟合； 所述协方差对齐与早期停止的训练方法具体为： 通过监控协方差行列式比值来实现早期停止： ， 其中是新类别的协方差行列式，表示所有任务中出现过的所有数据类别的协方差的和，表示第n个类别的数据的协方差，是旧类别数量，如果新任务中含有新类别数据时，第二阶段训练过程监控协方差行列式比值，当时停止训练，是设定的阈值，当协方差行列式比值接近0时表明新类别协方差与旧类别平均协方差对齐，协方差行列式比值接近0的值为一设定阈值，模型决策边界不会偏向新类别，从而避免对旧类别的遗忘。

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哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)，其通讯地址为：518000 广东省深圳市南山区桃源街道深圳大学城哈尔滨工业大学校区；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。