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！

龙图腾网恭喜广州大学申请的专利一种基于图神经网络的DNS流量异构图中C&C服务器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：CN118233196B 。

龙图腾网通过国家知识产权局官网在2025-03-28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：202410427058.8，技术领域涉及：H04L9/40；该发明授权一种基于图神经网络的DNS流量异构图中C&C服务器检测方法是由罗熙;殷丽华;周凯;于城;王智明;孙皓;段紫桐设计研发完成，并于2024-04-09向国家知识产权局提交的专利申请。

本一种基于图神经网络的DNS流量异构图中C&C服务器检测方法在说明书摘要公布了：本发明提供了一种基于图神经网络的DNS流量异构图中CC服务器检测方法，属于网络安全技术领域，该方法包括：获取DNS流量数据，通过GRU模型判断所述DNS流量数据中域名是否为恶意域名，并将对应的判断标签添加至流量数据对应的域名节点；根据DNS流量数据构建DNS流量异构图，对所述DNS流量异构图进行聚合投影以及语义融合处理后，获得异构图每个节点的最终嵌入向量；将所述每个节点的最终嵌入向量通过线性层和Sigmoid激活函数进行二分类，确定所述服务器IP节点属于良性服务器还是CC服务器。本发明采用图神经网络分析流量异构图的方式，大大提高了对CC服务器的检测效率与检测准确性。

本发明授权一种基于图神经网络的DNS流量异构图中C&C服务器检测方法在权利要求书中公布了：1.一种基于图神经网络的DNS流量异构图中CC服务器检测方法，其特征在于，所述检测方法包括：获取DNS流量数据，通过GRU模型判断所述DNS流量数据中域名是否为恶意域名，并将对应的判断标签添加至流量数据对应的域名节点；根据所述DNS流量数据构建DNS流量异构图，对所述DNS流量异构图进行聚合投影以及语义融合处理后，获得异构图每个节点的最终嵌入向量；将所述每个节点的最终嵌入向量通过线性层和Sigmoid激活函数进行二分类，确定所述服务器IP节点属于良性服务器还是CC服务器；其中，所述通过GRU模型判断所述DNS流量数据中域名是否为恶意域名，并将对应的判断标签添加至流量数据对应的域名节点，包括：根据所述DNS流量数据域名，检测获得二级域名字符串；根据所述二级域名字符串，通过独热编码构建域名矩阵；把每一个字符串对应的所述域名矩阵通过嵌入层转换为降维向量；将所述降维向量输入GRU模型进行处理，获得包含域名字符串上下文关系的GRU处理向量；根据所述GRU处理向量，通过二分类任务来判断所述域名为良性还是恶性，并将对应的标签信息添加到所述域名对应的流量数据节点中；其中，所述根据所述DNS流量数据构建DNS流量异构图，对所述DNS流量异构图进行聚合投影以及语义融合处理后，获得异构图每个节点的最终嵌入向量，包括：根据所述DNS流量异构图，对异构图节点进行聚合处理，获得相应的语义特征向量；将每个元路径的所述语义特征向量投影到相同维度中，获得对应元路径的投影语义向量；根据预定义的元路径列表和对应的投影语义向量，通过基于Transformer的语义融合为每个异构图节点生成对应的最终嵌入向量；其中，所述根据所述DNS流量异构图，对异构图节点进行聚合处理，获得相应的语义特征向量，包括：根据所述DNS流量异构图，执行一次异构图邻居节点信息聚合，并为所有给定的元路径集合ΦX生成不同语义的特征矩阵列表对每个节点vi使用均值聚合器来聚合每个给定元路径的邻居特征，并输出语义特征向量mi： 其中是元路径对应的所有元路径实例集合，pi,j是目标节点i和源节点j的元路径实例，是元路径对应的特征向量，xj是源节点j的原始特征向量；另外，所述根据所述DNS流量异构图，执行一次异构图邻居节点信息聚合，包括：分别获取异构图节点在所有元路径下的特征向量列表、同一类型节点的原始特征矩阵，并通过邻接矩阵乘法计算得到每个节点对目标的最终贡献权重；根据所述最终贡献权重计算得到归一化的邻接矩阵，并通过邻居聚合获得不同语义的特征矩阵，邻居聚合过程表示如下： 其中是一个l跳元路径，是节点类型ci,ci+1之间邻接矩阵Aci,ci+1的归一化形式，是节点类型为c的所有节点的原始特征矩阵，其中dc是特征维度，‖Vc‖是节点类型为c的节点数量，为‖Vc‖行dc列的矩阵，并使用短元路径的聚合结果作为长元路径的中间值；其中，所述将每个元路径的所述语义特征向量投影到相同维度中，获得对应元路径的投影语义向量，包括：对每个元路径定义一个特定于语义的变换矩阵计算对应元路径的投影语义向量使用具有归一化层、非线性层、两个连续线性层和dropout层的多层感知机将所述投影语义向量进一步表示为：其中，所述根据预定义的元路径列表和对应的投影语义向量，通过基于Transformer的语义融合为每个异构图节点生成对应的最终嵌入向量，包括：对于每个异构图节点，基于Transformer的语义融合模块学习每对投影语义向量的相互关注；对于每个投影语义向量根据所有元路径共享的可训练参数可映射得到一个查询向量一个键向量和一个值向量查询向量和通过softmax归一化后的键向量进行点积运算，得到相互注意力权重所有值向量与残差链接相加的加权和得到的输出向量所有输出向量串联后得到每个节点的最终嵌入向量，所述语义融合过程表示如下： 其中WQ，WK，WV，β是所有元路径共享的可训练参数，为投影语义向量，为查询向量，为值向量，为相互注意力权重；预定义的元路径列表对应的投影语义向量包括

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广州大学，其通讯地址为：510006 广东省广州市大学城外环西路230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”。