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！

龙图腾网获悉贵州大学申请的专利面向多模态数据的动态时空图学习微服务异常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：CN121764724B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202610244052.6，技术领域涉及：G06F11/07；该发明授权面向多模态数据的动态时空图学习微服务异常检测方法是由杨静;王耀琦;过敏意;阮小利;刘科利;张鹏;刘沅沛设计研发完成，并于2026-03-02向国家知识产权局提交的专利申请。

本面向多模态数据的动态时空图学习微服务异常检测方法在说明书摘要公布了：本发明公开了一种面向多模态数据的动态时空图学习微服务异常检测方法，该方法包括：从待检测的微服务系统中采集数据信息输入计算机系统并进行数据预处理，获得多模态数据；基于滑动窗口机制对所述多模态数据进行处理，构建动态依赖图序列；基于动态依赖图序列，执行空间关系建模和时序动态演化建模，生成融合时序信息的表示，并生成包含完整时空上下文的图级表示向量；将所述图级表示向量输入至基于对比学习的深度向量数据描述异常检测模型，输出检测结果。本发明基于多模态的动态时空图学习与对比增强SVDD的微服务异常检测，显式捕捉微服务拓扑结构的动态演化特征，并实现了对时空耦合特征的深度融合，同时抑制无监督检测中的决策边界模糊问题。

本发明授权面向多模态数据的动态时空图学习微服务异常检测方法在权利要求书中公布了：1.一种面向多模态数据的动态时空图学习微服务异常检测方法，其特征在于，包括计算机系统执行的以下步骤： 从待检测的微服务系统中采集数据信息输入计算机系统并进行数据预处理，获得多模态数据；所述数据信息包括日志数据、性能指标以及原始跟踪数据； 基于滑动窗口机制对所述多模态数据进行切分，生成检测窗口，对每个检测窗口进一步划分为多个数据步，构建动态依赖图序列； 基于动态依赖图序列，通过图注意力网络和门控图神经网络执行空间关系建模和时序动态演化建模，生成融合时序信息的表示； 基于所述融合时序信息的表示，对所有时间步进行平均池化生成包含完整时空上下文的图级表示向量； 将所述图级表示向量输入至基于对比学习的深度向量数据描述异常检测模型，计算所述图级表示向量到低维超球空间中心的欧氏距离，并基于该欧氏距离输出检测结果； 动态依赖图序列包括多个动态图快照，所述动态图快照包括节点集合对应系统中的服务实例、节点特征、有向边集合以及边权矩阵； 所述时序动态演化建模的执行步骤如下： 采用门控图神经网络，对于所述动态依赖图序列中当前时间步的动态图快照，首先，按边权矩阵中的调用强度，对每个服务节点的邻居状态进行加权求和，获得加权消息； 将所述加权消息与服务节点在上一时间步的历史状态输入至门控循环单元进行融合，以更新当前时间步的服务节点隐状态； 按照时间步顺序进行迭代，直至处理完整个动态依赖图序列的节点，获得所有时间步的节点隐状态； 用多头自注意力机制对所述所有时间步的节点隐状态进行加权融合，生成融合时序消息的表示； 基于对比学习的深度向量数据描述异常检测模型的训练过程包括： 在训练阶段，使用纯正常样本初始化低维超球空间的中心，并引入对比学习机制，构造联合损失函数； 所述联合损失函数包括第一损失项、对比损失项以及正则化项； 具体地，所述联合损失函数如下式所示： 其中，为第一损失项，即正常样本的SVVD损失，表示对比损失，表示对比损失权重，表示模型中所有可训练参数，表示正则化系数； 通过优化所述联合损失函数训练基于对比学习的深度向量数据描述异常检测模型。

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贵州大学，其通讯地址为：550025 贵州省贵阳市花溪区花溪大道南段2708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。