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！

龙图腾网获悉西安电子科技大学申请的专利基于图结构学习的负样本增强APT攻击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：CN120301664B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202510528585.2，技术领域涉及：H04L9/40；该发明授权基于图结构学习的负样本增强APT攻击检测方法是由李腾;胡天驰;谢亚轩;刘芮彤;权晓文;郑重;苏国强设计研发完成，并于2025-04-25向国家知识产权局提交的专利申请。

本基于图结构学习的负样本增强APT攻击检测方法在说明书摘要公布了：本发明提出了一种基于图结构学习的负样本增强APT攻击检测方法，主要解决现有数据集兼容性、边信息利用与数据集负样本不足导致检测效果不佳的问题。方案包括：1获取异构数据集，并构建可视化溯源图；2对溯源图进行预处理，将其按时间戳划分为快照，构建训练集和测试集；3设计图神经网络的编码器和解码器，将时间窗口、节点特征、邻接矩阵和边特征作为编码器输入，通过解码器生成重构的邻接矩阵；4设计损失函数，对图神经网络进行RNN训练；5将待测数据输入训练好的模型中，识别异常攻击流量，完成检测。本发明能够有效提高APT攻击检测的准确性和鲁棒性，可用于网络安全领域的APT攻击检测与防御系统的开发和部署。

本发明授权基于图结构学习的负样本增强APT攻击检测方法在权利要求书中公布了：1.一种基于图结构学习的负样本增强APT攻击检测方法，其特征在于，包括如下步骤： 1从公开网络获取安全日志数据集，使用网络拓扑图工具NetworkX构建可视化溯源图；所述安全日志数据集，采用洛斯阿拉莫斯国家实验室LANL数据集和操作透明网络OpTC数据集； 2对溯源图进行预处理，得到训练集、验证集和测试集，实现如下： 对所述LANL数据集通过其对应的红队攻击信息的内容对数据集进行数据标注，标识出恶意的数据流；然后按30-60分钟快照进行分割，并将共享相同源节点和目标节点的所有事件合并为一条边；截取红队攻击开始之前的所有快照；每个快照平均有4000-7000个边沿，舍去5%-10%的边沿作为验证集，其余快照用于测试；对所述OpTC数据集，构建节点特征Xt和边权重Wt，设置快照大小为180-360秒，得到一周的1,680-3360个快照；使用其中20-40%的快照用于测试，其余用于训练； 3构建图神经网络的编码器，将时间窗口、节点特征、邻接矩阵和边特征作为输入，获取编码结果向量： 3a使用消息传递层将邻近节点的边特征合并到节点嵌入中，分别将边特征和边权重作为输入； 3b构建边特征处理层EF和边权重处理层EW，分别用于获取t时间窗口含有边特征的聚合特征值EFt和聚合权重特征值EWt； 3c基于信息传递神经网络，使用三个EW和一个EF构建编码器，其结构包括如下：第一EW层-第二EW层-第一激活函数层-加权EW层-第二激活函数层-EF层-多层感知机MLP-第三激活函数层；通过第三激活函数层输出编码结果向量； 4构建图神经网络的解码器，根据如下步骤生成重构的邻接矩阵： 4a通过随机采样聚合节点的邻居信息，捕获攻击者可能形成的社区结构； 4b根据下式获取聚合后的节点嵌入： ， 其中，S表示身份矩阵，该矩阵的每行为从邻接矩阵At中抽取的s个邻域，是时间窗口t的嵌入表示矩阵； 4c通过多层感知机MLP和非线性激活函数Softmax处理，生成重构的邻接矩阵，该矩阵表示对应边为恶意边的概率： ； 5设计图神经网络的损失函数，表示如下： ， 其中，为平均精度AP损失；根据数据集具体调整的参数；为使用交叉熵函数CE计算得到的采样边的解码器损失； 6利用损失函数对图神经网络的编码器、解码器进行循环神经网络RNN训练，得到优化后的图神经网络网络模型； 7将待测数据输入图神经网络模型，利用模型识别异常攻击流量，完成攻击检测。

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西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2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。