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！

龙图腾网获悉泉城省实验室申请的专利一种基于少种子图像编码的IPv6地址生成方法和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：CN119652822B 。

龙图腾网通过国家知识产权局官网在2025-08-29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：202411779257.1，技术领域涉及：H04L45/741；该发明授权一种基于少种子图像编码的IPv6地址生成方法和装置是由王文同;张辉;李宗鹏;杨家海;张文健;王之梁设计研发完成，并于2024-12-05向国家知识产权局提交的专利申请。

本一种基于少种子图像编码的IPv6地址生成方法和装置在说明书摘要公布了：本发明涉及一种基于少种子图像编码的IPv6地址生成方法和装置，属于网络安全技术领域。方法包括预处理，从收集到的活跃IPv6地址中抽取少种子区域的活跃IPv6地址集合，并对该集合分别构建图结构和编码向量；特征抽取；活跃地址生成，图像生成、地址生成和分布式探测，利用分布式探测进行别名前缀检测和活跃IPv6地址探测，探测得到的结果经预处理和特征抽取过程后再送入图像生成子模块进行微调，反复多次后，完成转化率的目标。本发明能够有效学习复杂的种子地址配置规则，解决了因采样偏差带来的探测效率低下的问题。

本发明授权一种基于少种子图像编码的IPv6地址生成方法和装置在权利要求书中公布了：1.一种基于少种子图像编码的IPv6地址生成方法，其特征在于，步骤如下： （1）预处理，数据收集，从收集到的活跃IPv6地址中抽取少种子区域的活跃IPv6地址集合，并对该集合分别构建图结构和编码向量，构建图结构具体步骤为： （111）使用基于半字节熵值的DHC技术将收集到的少种子区域下的活跃IPv6地址集合进行地址空间划分，得到地址空间； （112）使用社区算法将每个地址空间下的种子地址处理成图结构； 首先，计算所有种子之间的距离，形成距离列表，并对距离列表进行排序，剔除重复和过长的边，过长的边的阈值为12； 然后，构建一个无向图，其中表示顶点，即种子；表示边，即种子之间的距离，初始时无边，且，若认为两顶点之间不可达； 最后，遍历排序后的距离列表，顺序添加边到图中，条件是添加最短的边且最大化连通分量的密度，添加完成后，图变成一个连通图，即最小生成树，其中，最大连通分量的密度是指最大化空间区域下的种子集合的密度值，即=N，是自由维度个数，N指种子地址数量； （113）将每个地址空间下的图合并成一张图，输出邻接矩阵； 在步骤（111）划分的地址空间中构造出一个无向图，将所有无向图通过循环合并的方式，形成一张无向图G，然后输出邻接矩阵； 构建编码向量具体步骤为： （121）将少种子区域的活跃IPv6地址集合转换为N×8×16的二进制编码向量X，N为样本数量； （122）将二进制编码向量X按照1维进行反序输出N×8×16的二进制编码向量; （123）将两个编码向量按照1维进行拼接，输出N×16×16的二进制编码向量，即，其中，由组成,由16个16维的序列表示，二进制编码向量作为下一步骤的输入； （2）特征抽取，先利用BiLSTM模型捕捉样本内的前后相互依赖关系的能力，对图像内部结构关系进行向量表征，然后再利用SDCN算法的基本思想，进行聚类，并在原算法的基础上增加另一个训练目标，进一步通过自编码器训练表示向量，使其拥有N个样本之间的结构信息，具体步骤如下： （21）构建时间序列编码向量： 构建一个基于BiLSTM的编码器模型，设置超参数学习率、训练批次、轮次等，训练该模型，完成训练后保存模型； 加载训练好的BiLSTM的编码器模型，并从模型中抽取包含时间序列关系的表示向量； 加载模型后，将N×16×16的二进制编码向量输入到训练好的BiLSTM编码器模型中，并抽取最后一层前馈隐向量和后馈隐向量，将前馈隐向量和后馈隐向量进行拼接，获得N×256维的隐向量，即N×16×16的表示向量； （22）预训练自编码器 将表示向量作为自编码器的输入，设置超参数学习率、训练批次、轮次等； 完成训练轮次后，保存自编码器的模型参数； （23）形成聚类中心P分布 初始化模型，并加载自编码器的模型参数； 利用DNN子模块的编码器，先对表示向量进行编码，获得经多层空间维度编码后的特征表示向量C； 针对特征表示向量C，利用DBSCAN聚类算法进行聚类训练，在训练DBSCAN算法的过程中动态调整聚类数量，使得聚类数量为6，训练完成后，获得聚类中心P分布； （24）在GCN子模块中利用多个不同层的空间维度的特征表示分别和邻接矩阵进行结构信息的学习，并将结构信息引入到自编码器的表示学习中，得到特征表示向量； （25）在DNN子模块中利用解码器对含有样本间结构信息的表示学习进行解码操作，使得在重构表示向量的过程中使其含有样本间结构信息表征，即得到特征表示向量，具体的： 获取GCN子模块输出最后一层融合的特征表示向量，； 利用DNN子模块的解码器对特征表示向量进行解码，在原算法中是对特征表示向量C即最后一层进行解码，之所以更换成特征表示向量是为了进一步重构出既含有样本内前后依赖关系的内部信息又含有样本间结构信息的表示向量=，直到最后一层解析出的特征表示向量作为下一步的输入； （3）活跃地址生成，包括图像生成、地址生成和分布式探测，将特征表示向量和该向量对应的标签label输入到图像生成模型中生成图像，并对图像数据进行解码得到候选地址，同时针对候选地址进行BGP前缀查询，保留符合少种子区域下的候选地址，利用分布式探测进行别名前缀检测和活跃IPv6地址探测，探测得到的结果经预处理和特征抽取过程后再送入图像生成子模块进行微调，反复多次后，完成转化率的目标。

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泉城省实验室，其通讯地址为：250100 山东省济南市历城区经十东路国家超算济南中心科技园；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”。