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！

龙图腾网获悉大连理工大学申请的专利一种基于深度学习的工控网络态势预测方法、系统、储存介质及设备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：CN119892450B 。

龙图腾网通过国家知识产权局官网在2025-09-30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：202510034451.5，技术领域涉及：H04L9/40；该发明授权一种基于深度学习的工控网络态势预测方法、系统、储存介质及设备是由隋天举;马明礼;杨孝煜;冯爽;叶小楠;孙希明设计研发完成，并于2025-01-09向国家知识产权局提交的专利申请。

本一种基于深度学习的工控网络态势预测方法、系统、储存介质及设备在说明书摘要公布了：一种基于深度学习的工控网络态势预测方法、系统、储存介质及设备，属于工控网络安全领域。首先对数据预处理，对数据进行标准化处理并划分时间窗口。依据预处理数据生成节点特征矩阵和邻接矩阵，确定图结构及权重。其次进行空间特征提取。通过GAT层利用自注意力机制处理节点间空间依赖关系，学习设备间相互关系，更新节点特征表示。然后进行时间特征提取。借助BiLSTM层的正向和反向LSTM捕捉时序数据前后向依赖关系，其门控机制控制信息流动，提升时序建模能力。接下来进行预测与输出。最后进行模型的训练与优化。本发明充分融合拓扑与时间特性，有效提高了异常流量检测的准确性和效率。

本发明授权一种基于深度学习的工控网络态势预测方法、系统、储存介质及设备在权利要求书中公布了：1.一种基于深度学习的工控网络态势预测方法，其特征在于，包括： S1、对工控网络流量多维数据进行采集与预处理； S2、构建工控网络安全态势预测深度学习模型； 所述的工控网络安全态势预测深度学习模型包括五个部分：输入层、GAT层、BiLSTM层、输出层、训练与优化； S3、空间特征提取，通过GAT层处理图的节点间空间依赖关系； S4、时间特征提取，通过BiLSTM捕获时间序列的时序依赖关系； S5、态势预测与响应： S6、模型训练与优化，通过损失函数和优化算法，对GAT层和BiLSTM层的参数进行优化； S7、检测结果输出：用于输出模型的预测结果，完成对工控网络态势预测功能； 所述的步骤2中： 输入层用于输入工控网络流量多维数据； GAT层负责处理工控网络中的拓扑结构信息，生成各节点的图结构表示； BiLSTM层为双向LSTM网络，能够同时捕捉时序数据中的前向和反向依赖关系，处理长时间跨度的流量数据； 输出层用于将BiLSTM层输出结果输出至全连接层，使用线性激活函数输出连续的预测值，同时利用优化算法进行优化； 训练与优化是利用优化器和损失函数对工控网络安全态势预测深度学习模型进行优化与训练； 所述的步骤3中： GAT层用于捕捉工控网络中各节点之间的空间关系；工控网络的拓扑结构信息以图结构表示，图结构表示中节点代表网络中的设备或系统，而边代表节点之间的连接； 在GAT层中，输入是网络的节点特征矩阵X和邻接矩阵A，其输出是节点的图表示HGAT；在每个图卷积操作中，节点根据与邻居节点的关系，使用自注意力机制来调整节点的表示； 自注意力机制中：对于每个节点，通过计算其与邻居节点的注意力系数，来加权求和邻居节点的特征，从而更新该节点的特征表示； 通过GAT层，工控网络安全态势预测深度学习模型能够学习到网络中各个设备间的相互关系，形成对每个节点的更精确的表示，从而为后续的时序建模提供基础； 所述的步骤4中： BiLSTM层是处理时序数据中短期和长期依赖的关键部分；BiLSTM由两部分组成：一个正向LSTM和一个反向LSTM；正向LSTM从前往后处理数据，反向LSTM从后往前处理数据；两者的结合使得模型能够同时捕捉前后时间步之间的依赖关系； LSTM的核心在于门控机制，它通过遗忘门、输入门和输出门控制信息的流动； 通过BiLSTM层，工控网络安全态势预测深度学习模型能够在全序列范围内捕捉时间序列的双向依赖，从而提高工控网络流量数据的时序建模能力； 所述的步骤5中：输出层将BiLSTM层的输出结果HBiLSTM输出至全连接层，通过全连接层使用线性激活函数输出连续的预测值；具体来说，输出层具体表达方式为： 其中，Wout和bout是全连接层的权重和偏置，是最终的预测结果。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路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。