Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 积分商城 国际服务 IP管家助手 科技果 科技人才 商标交易 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 南京邮电大学陈伟获国家专利权

南京邮电大学陈伟获国家专利权

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!

龙图腾网获悉南京邮电大学申请的专利基于结构化状态空间对偶模型的加密网络流量分类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:CN120067803B

龙图腾网通过国家知识产权局官网在2026-03-10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:202510147887.5,技术领域涉及:G06F18/241;该发明授权基于结构化状态空间对偶模型的加密网络流量分类方法是由陈伟;廖艺韵;李频;张怡婷设计研发完成,并于2025-02-11向国家知识产权局提交的专利申请。

基于结构化状态空间对偶模型的加密网络流量分类方法在说明书摘要公布了:本发明公开了网络信息安全技术领域的一种基于结构化状态空间对偶模型的加密网络流量分类方法,旨在解决加密网络流量分类的优化问题。方法包括:获取加密网络流量中的pcap数据包;提取流量包中的分层流信息并生成步幅序列;将步幅序列输入预训练的加密网络流量分类模型,输出分类结果;加密网络流量分类模型的训练包括:使用掩码自编码器对未标记数据进行自监督预训练,学习流量数据的通用表示;替换模型解码器为多层感知器头部,利用标记数据进行微调优化。本发明在保持低GPU内存使用的同时,提高推理速度,有利于更加高效、有效的实现加密流量分类。

本发明授权基于结构化状态空间对偶模型的加密网络流量分类方法在权利要求书中公布了:1.一种基于结构化状态空间对偶模型的加密网络流量分类方法,其特征在于,包括: 对待分类的加密网络流量进行数据预处理,得到步幅序列; 将所述步幅序列输入到预先训练的加密网络流量分类模型中,进行流量分类,得到分类结果; 所述数据预处理包括: 获取加密网络流量中的pcap流量包; 提取所述pcap流量包中的分层流信息,并根据所述分层流信息生成步幅序列; 所述加密网络流量分类模型的训练包括: 获取加密网络流量数据集,包括标记数据和未标记数据; 通过掩码自编码器结构搭建初始加密网络流量分类模型,包括模型编码器和模型解码器; 根据所述未标记数据,对所述初始加密网络流量分类模型进行自监督预训练,并通过重建掩码步学习流量数据的通用表示; 将所述模型解码器替换为多层感知器头部,通过所述标记数据对模型进行微调优化,改进所述流量数据的通用表示,得到训练好的加密网络流量分类模型; 对所述初始加密网络流量分类模型进行自监督预训练,并通过重建掩码步学习流量数据的通用表示包括: 对所述未标记数据进行数据预处理,得到步幅序列; 对所述步幅序列进行嵌入处理,包括词嵌入和位置嵌入,得到嵌入后步幅序列; 根据所述嵌入后步幅序列,随机选择一定比例的步幅进行掩码处理,得到掩码后步幅序列; 将所述嵌入后步幅序列和掩码后步幅序列输入到模型编码器中,进行特征提取,得到一个能够代表整个步幅序列的编码表示; 将所述编码表示串联掩码标志,恢复成原始序列顺序,并加上模型解码器特定的位置嵌入,得到模型解码器输入; 将所述模型解码器输入到模型解码器中,利用模型编码器生成的特征表示来重建在输入中被掩码的步幅; 通过最小化被掩码步幅的重建损失来优化预训练; 对所述步幅序列进行嵌入处理包括: 对所述步幅序列中的每个步幅进行线性投影,得到大小为的向量,并加入位置嵌入,得到嵌入后步幅序列,具体通过如下嵌入公式实现: 1 其中,表示嵌入后步幅序列,表示步幅序列中的第个步幅,表示可学习的投影矩阵,表示非重叠数据流步幅序列的连续字节长度,即投影矩阵的行数,表示编码器的隐藏状态维度,即投影矩阵的列数,为一个类标记,表示位置嵌入矩阵,表示单个数据流步幅序列的总数,即位置嵌入矩阵的行数; 随机选择一定比例的步幅进行掩码处理包括: 根据所述嵌入后步幅序列,随机采样一部分步幅,同时移除剩余的步幅,进行掩码处理,得到掩码后步幅序列,具体通过如下掩码公式实现: 2 其中,表示掩码后步幅序列,表示嵌入后步幅序列,表示嵌入后步幅序列的长度,表示随机排列嵌入后步幅序列,表示可见标记的长度,表示预定义的掩码比率; 所述重建损失的计算公式如下: 3 其中,表示自监督重建的均方误差损失,表示均方误差函数,表示真实掩码标记,表示预测的标记; 所述通过所述标记数据对模型进行微调优化包括: 通过监督方式进行微调,计算公式如下: 5 其中,表示编码函数,表示范式函数,表示多层感知机,表示嵌入后步幅序列的长度,表示预测分布; 通过最小化预测分布和真实标签之间的交叉熵损失来优化分类过程,计算公式如下: 6 其中,表示预测分布和真实标签之间的交叉熵损失,表示交叉熵损失函数,表示最小化预测分布,表示真实标签。

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南京邮电大学,其通讯地址为:210003 江苏省南京市鼓楼区新模范马路66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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。