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！

龙图腾网获悉北京航空航天大学申请的专利一种基于层次语义和原型学习的小样本恶性流量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：CN119892460B 。

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：202510050673.6，技术领域涉及：H04L9/40；该发明授权一种基于层次语义和原型学习的小样本恶性流量检测方法是由王天博;赵缘;夏春和;曾颖明设计研发完成，并于2025-01-13向国家知识产权局提交的专利申请。

本一种基于层次语义和原型学习的小样本恶性流量检测方法在说明书摘要公布了：本发明公开了一种基于层次语义和原型学习的小样本恶性流量检测方法，属于网络安全的技术领域；将网络流表示为一个多级表示矩阵，对网络流中不同粒度的信息进行刻画；在元学习框架下构建了多个小样本分类任务；对于每个小样本分类任务中的流表示矩阵，采用三层网络结构从字节级、数据包级和网络流级进行自下而上的特征提取，构建得到良好的流特征向量；在相似性度量阶段，根据流量特征分布特点，采用邻域划分的方式自适应生成多个原型，通过计算查询集中的原型向量与流特征向量之间的距离，得到分类结果，解决了相关技术中缺乏流量层次语义表征、无法自适应拟合流量特征分布，难以对小样本加密恶性流量进行有效检测的问题。

本发明授权一种基于层次语义和原型学习的小样本恶性流量检测方法在权利要求书中公布了：1.一种基于层次语义和原型学习的小样本恶性流量检测方法，其特征在于：包括以下步骤： 步骤一：获取包含良性和多种恶性的加密网络流，对加密网络流进行预处理，得到不同网络流的流表示矩阵； 步骤二：依据流表示矩阵对应的类别，构成元训练集，采用元学习中的原型网络作为分类网络，相应构建元学习中的小样本分类任务，每个元训练集中包括若干个小样本分类任务，每个小样本分类任务包括支持集和查询集； 步骤三：对于每个小样本分类任务，使用三层网络进行分级特征提取，得到支持集流特征向量和查询集流特征向量； 步骤四：分类网络依照支持集流特征向量计算得到若干个良性和恶性的类原型特征向量，并相应储存； 具体过程如下： 依照支持集流特征向量计算类原型特征向量的过程如下：对于每个小样本分类任务中的每类支持集样本，计算特征嵌入空间中任意两个支持集样本的流特征向量之间的余弦相似度，得到特征嵌入空间中每个支持集样本的流特征向量的最近邻信息，然后根据下式求得样本邻接矩阵：        14其中表示跟样本的流特征向量最接近的流特征向量，根据上述式子，建立每个小样本分类任务中每个类的支持集样本的三种邻接关系：若样本的流特征向量最近邻是样本的流特征向量，则两个样本之间存在邻接关系；若样本的流特征向量最近邻是样本的流特征向量，则两个样本之间存在邻接关系；此外，若和通过同一个最近邻进行连接，说明他们之间的相似度高，建立样本之间的邻接关系，经过这些步骤后，所连接的样本的流特征向量具有高度的相似性，计算这些样本的流特征向量中心点，并重复上述过程，直到两次迭代中生成的中心点的数量差值小于设定的阈值Z，最后，使用迭代完成后的中心点作为每个类的原型，中心点的特征向量作为类原型特征向量； 步骤五：对查询集流特征向量与类原型特征向量之间进行相似度度量，从而确定查询集所属的类别，并建立损失函数，根据损失函数对分类网络进行优化，直到满足目标，分类网络训练完成； 通过查询集对分类网络验证和优化的过程如下： 在分类网络对查询集样本进行分类后，采用交叉熵作为分类损失，当查询集样本为，它们的实际类别为，模型的预测概率为，则计算交叉熵损失如下：              15上式中，表示查询集样本的个数； 类原型特征向量的约束损失，将定义为类中的第个原型，将定义为类的原型中心，将定义为反类的原型中心，那么类的第个原型的约束损失项为                        16总的类原型特征向量约束损失为：                  17其中，是流量的总类别数，是类原型特征向量的数量； 总损失计算为            18其中和是两个值位于的超参数； 步骤六：引入新的恶性样本与良性样本组成元测试集，同样通过步骤三得到元测试集的支持集流特征向量和查询集流特征向量，计算得到若干个良性和恶性的类原型特征向量，并相应储存； 步骤七：对于元测试集中的查询集样本，通过分类网络计算元测试集的查询集流特征向量跟类原型特征向量之间的相似度，确定未知数据的类别。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。