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！

龙图腾网获悉汕头大学申请的专利一种基于BERT预训练模型的双通道Web攻击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：CN121567477B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202610084303.9，技术领域涉及：H04L9/40；该发明授权一种基于BERT预训练模型的双通道Web攻击检测方法是由陈银冬;罗康强;卢金钹;林冠华;肖瑜晴设计研发完成，并于2026-01-22向国家知识产权局提交的专利申请。

本一种基于BERT预训练模型的双通道Web攻击检测方法在说明书摘要公布了：本发明公开了一种基于BERT预训练模型的双通道Web攻击检测方法，包括：对数据集中的HTTP请求报文提取URL及请求方法、Payload与对应标签信息，并进行规范化预处理；使用预训练的URLBERT与SecBERT分别对URL与Payload参数进行独立编码，并分别生成URL和Payload多个请求参数的上下文感知的嵌入表示；对URL与Payload的嵌入表示进行融合，并拼接得到联合特征向量，输入至全连接层进行分类；使用训练集对模型进行训练，通过交叉熵损失函数作为优化目标，通过反向传播机制对模型进行优化，同步对URLBERT与SecBERT进行协同学习，并在测试集上评估其检测性能。采用本发明，对Web攻击检测任务中对请求URL与Payload特征进行充分挖掘、对参数组合关系进行建模、能有效地对攻击进行溯源。

本发明授权一种基于BERT预训练模型的双通道Web攻击检测方法在权利要求书中公布了：1.一种基于BERT预训练模型的双通道Web攻击检测方法，其特征在于，包括以下步骤： S1：对数据集中的HTTP请求报文提取URL及请求方法、Payload与对应标签信息，并进行规范化预处理； S2：使用预训练的URLBERT与SecBERT分别对URL与Payload参数进行独立编码，并分别生成URL和Payload多个请求参数的上下文感知的嵌入表示，包括步骤： S21：采用字符级嵌入策略对URL进行建模，构建字符词表并提取对应URLBERT的嵌入矩阵，将URL转换为字符序列后输入至Transformer编码器提取URL的语义特征； 其中，包括步骤： S211：对URL执行字符级标记化操作，将URL解析为连续的字符序列，将每个字符作为独立的Token，根据预定义的字符词表映射为对应的索引序列，形成输入ID向量，若输入URL中出现不在字符词表中的字符，则统一替换为[UNK]标记，所述索引序列将与[CLS]和[SEP]特殊符号拼接，构成完整的输入序列，并输入到URLBERT模型进行后续的语义编码；在每个训练批次中，选取该批次中最长的URL字符序列长度作为填充标准，其余较短序列在末尾补齐[PAD]标记，保证张量维度的一致性；在Transformer编码过程中，[PAD]标记所对应的位置会被attentionmask屏蔽，确保其不会对上下文语义建模产生干扰； S212：通过查找预构建的字符嵌入矩阵，获取每个字符ID对应的token嵌入，在获得标记嵌入表示后，进一步引入位置嵌入与类型嵌入进行向量增强处理，其中，位置嵌入用于标识每个字符在序列中的位置，帮助模型捕捉字符间的顺序信息；类型嵌入用于区分不同输入片段之间的归属关系；字符嵌入、位置嵌入与类型嵌入三者相加，形成URL输入序列在Transformer编码器中的最终输入表示； S213：嵌入向量作为输入送入URLBERT模型进行编码，在URLBERT的内部结构中，输入序列依次通过多个堆叠的Transformer编码层，每一层编码器均由多头注意力机制、前馈神经网络和残差连接与层归一化组成，从不同子空间捕捉序列内部的语义依赖关系和结构特征，最终提取和整合字符级输入中的上下文信息； S214：经过URLBERT模型的编码过程，可获得每个输入token对应的隐藏状态表示，记作[U0,U1,U2,...Un]，第一个特殊标记[CLS]对应的隐藏状态U0，作为整个URL序列的全局语义表示Uembedding； S22：使用预训练模型SecBERT对HTTP请求中的Payload请求参数独立编码，生成请求参数上下文感知的嵌入表示，随后引入多头注意力机制捕捉请求参数之间的组合关系，并通过池化操作整合为Payload整体的语义特征，作为后续分类模块的输入之一； 其中，包括步骤： S221：对Payload执行字符级标记化操作，将每个参数值解析为连续的字符序列，每个字符作为独立的Token，根据预定义的字符词表映射为对应的索引序列，构成标准的输入ID向量； S222：通过查找预构建的字符嵌入矩阵，获取每个字符对应的token嵌入，在获得标记嵌入表示后，在对每个请求参数进行嵌入时，引入位置编码用于标识字符在序列中的相对位置信息；添加统一的类型编码；字符嵌入、位置编码与类型编码相加后，构成最终输入表示，并输入至SecBERT模型进行处理； S223：每个参数嵌入序列在输入至SecBERT后，经过多层堆叠的Transformer编码器处理，每层编码器均包含多头注意力机制、前馈神经网络及残差连接与层归一化结构，逐步从字符级输入中提取语义特征，最终提取出参数级的[CLS]向量作为其上下文语义表示； S224：所有经过注意力机制强化的参数表示将通过平均池化操作进行融合，形成统一的Payload全局语义表示Pembedding，作为后续特征融合模块的输入； S3：对URL与Payload的嵌入表示进行融合，并拼接得到联合特征向量，输入至全连接层进行分类； S4：使用训练集对模型进行训练，通过交叉熵损失函数作为优化目标，通过反向传播机制对模型进行优化，同步对URLBERT与SecBERT进行协同学习，并在测试集上评估其检测性能。

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汕头大学，其通讯地址为：515063 广东省汕头市大学路汕头大学；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。