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！

龙图腾网恭喜北京工业大学申请的专利一种基于MFLSTM的隐蔽数据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：CN113868642B 。

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：202111059127.7，技术领域涉及：G06F21/55；该发明授权一种基于MFLSTM的隐蔽数据攻击检测方法是由赖英旭;王洁溪;刘静;孙墨童设计研发完成，并于2021-09-10向国家知识产权局提交的专利申请。

本一种基于MFLSTM的隐蔽数据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多特征长短期记忆网络的隐蔽数据攻击检测方法，包括：步骤1，由随机森林袋外数据及热点图组成特征关键度评估与特征联系性评估，为后续模型训练做好准备；步骤2，利用不同时刻的，关键度与联系性都表现优秀的特征数据作为输入，对多特征长短期记忆网络进行训练，同时在训练时筛去参数不达标的数据，使模型达到能够学习到不同特征数据间有助于数据预测的信息；步骤3，成功进行攻击检测后，本发明根据阈值超过残差的频率决定是否引发警报。本发明所提出的改进后的模型在多方面均优于改进前的长短期记忆网络模型，所加入同一传感器侧下特征数据间的关键度与联系性能够帮助模型检测到的异常攻击行为，并做出及时有效地应对。

本发明授权一种基于MFLSTM的隐蔽数据攻击检测方法在权利要求书中公布了：1.一种应对隐秘数据攻击的基于MFLSTM预测的入侵检测方法，其特征在于，包括：步骤1，由随机森林袋外数据及热点图组成特征关键度评估与特征联系性评估，以此研究同一传感器侧下数据间的紧密关系，为后续模型训练做好准备；步骤2，利用不同时刻的，关键度与联系性都表现优秀的特征数据作为输入，对多特征长短期记忆网络MFLSTM进行训练，同时在训练时筛去参数不达标的数据，以此使模型达到能够学习到不同特征数据间有助于数据预测的信息；步骤3，成功进行攻击检测后，根据阈值超过残差的频率决定是否引发警报；所述步骤1中通过随机森林袋外数据及热点图，计算数据关键度及联系性具体包括：步骤11，获取SCADA得到的传感器侧多种特征数据信息：在过程中，将隐秘数据攻击投放于STEP7协议的攻击签名集中，首先从数据包中提取有效载荷，然后过滤掉表示传感器测量值的字节；随后对这些字节进行预处理，以获得测量值的十进制表示，并对其制造仿真的隐秘数据攻击获得数据集合z＝z1,z2，...,zmT；步骤12，特征数据关键度评分：为探究特征数据关键度，采用一种基于随机森林的特征评估方法，定量分析了来自传感器侧的多类数据信号的关键程度，通过OOB袋外数据错误率计算节点的特征重要性；步骤13，运用热点图进行数据联系性评价：运用热点图对数据集合z进行关联性分析，通过分析热点图直接数据的紧密程度对z中两两数据的关联值进行记录；步骤14，对不同时间阶段的数据进行平滑处理：在模型训练和测试之前，首先使用移动平均低通滤波器对原始数据进行平滑，以实现去噪的功能；所述步骤2中利用步骤1所处理数据作为输入对多特征LSTM进行训练具体包括：步骤21，数据整理，具体操作为：将第一阶段处理后的传感器侧数据集合z以不同时刻进行分离处理；t时刻与t-1时刻数据与所预测数据具有着不同的关键度与联系性，过去时刻数据对未来数据的影响与关联会有所减弱；最终将z以以下方式排列，Qzt为t-1时刻的特征数据；t时刻数据排列方式：Fzt＝z1′t,z2′t，...,zi-1′t,zi+1′t,...,zm′tt-1时刻数据排列方式：Qzt＝Fzt-1步骤22，对数据进行筛选，获取有价值的信息及其权重，具体操作为：对Qzt中数据进行关键度与联系性判断，最终得到二者的综合权重；参数ω＝[ωi,ωq]为经过数据处理后的关键度权重，ωi与ωq分别代表t时刻与t-1时刻的特征数据关键度；步骤23，根据结果评价是否需要为MFLSTM引入更多过去信息：权重过低的数据会被标记为负无穷，在后续的遗忘门依次筛去，只留下关键度与联系性合格的数据作为MFLSTM的输入；遗忘门函数为ft＝σWfxt+Ufht-1+bf，其中σ代表sigmoid函数，不符合标准的数据将在此处被筛去；步骤24，从遗忘门中筛去无用的过去时刻信息：过去时刻特征数据的距今时刻数与目标预测数据的关键度与联系性呈负相关，因此大多时间较久的数据会在本步骤被筛去；步骤25，不同时刻信息进行合并，共同作为后续输入：将筛选后的t-1时刻数据与t时刻数据结合作为MFLSTM的输入；筛后输入：I＝[z12,...,zk2,z11,...,zk1,...,z1t,...,zkt,z1t-1,...,zkt-1]T步骤26，利用本时刻与上一时刻有价值信息共同进行MFLSTM模型训练：MFLSTM中由多个本时刻与上一时刻的同一传感器测下高亲密度联系的数据特征为输入，应用反向传播BPTT进行训练，对所需数据进行预测。

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工业大学，其通讯地址为：100124 北京市朝阳区平乐园100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”。