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！

龙图腾网获悉南京信息工程大学申请的专利一种基于语义嵌入和混合神经网络的日志异常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：CN118467489B 。

龙图腾网通过国家知识产权局官网在2025-04-01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：202410574463.2，技术领域涉及：G06F16/18；该发明授权一种基于语义嵌入和混合神经网络的日志异常检测方法是由徐占洋;王哲;许健;侍虹言;赵鸿设计研发完成，并于2024-05-10向国家知识产权局提交的专利申请。

本一种基于语义嵌入和混合神经网络的日志异常检测方法在说明书摘要公布了：本发明公开了一种基于语义嵌入和混合神经网络的日志异常检测方法，包括：获取实时日志数据并利用固定解析树结构解析实时日志数据，提取获得日志事件模板；对日志事件模板进行序列化处理形成日志模板序列；基于预训练的RoBERTa模型和改进平滑逆频率算法由日志模板序列提取日志事件模板的语义特征；使用多尺度卷积神经网络、高效通道注意力机制和形变门控循环单元构建所述混合神经网络模型；将日志事件模板的语义特征输入至训练后的混合神经网络模型获得日志检测结果；本发明能够更好地解析变长日志，提取语义特征，并通过混合神经网络模型提高异常检测的准确性和鲁棒性。

本发明授权一种基于语义嵌入和混合神经网络的日志异常检测方法在权利要求书中公布了：1.一种基于语义嵌入和混合神经网络的日志异常检测方法，其特征在于，包括：获取实时日志数据并利用固定解析树结构解析实时日志数据，提取获得日志事件模板；对日志事件模板进行序列化处理形成日志模板序列；基于预训练的RoBERTa模型和平滑逆频率算法由日志模板序列提取日志事件模板的语义特征，包括：将日志事件模板中第i个单词输入至预训练的RoBERTa模型获得词向量；根据单词在日志数据集中出现的次数获得逆文档频率，基于逆文档频率计算获得平滑逆频率权重；表达公式为: ；公式中，为平滑逆频率权重，表示为单词在日志数据集中的出现的概率；表示为调节的超参数；表示为单词的逆文档频率；K表示为平滑常数；对平滑逆频率权重引入词性权重因子c获得单词的权重，通过对权重和词向量进行加权求和生成日志事件模板的句向量，表达公式为： ； ；其中，表示为词向量，X表示为句子中单词集合，n表示为句向量中词向量的数量，为去除最大主成分前的句向量，表示为为所有构成的矩阵通过奇异值分解的特征矩阵；为的转置；为的最大主成分向量；表示为日志事件模板的句向量；将生成的句向量映射到对应的日志模板序列中，得到日志模板序列的特征向量；对日志模板序列的特征向量进行白化处理后，组织成矩阵形式获得日志事件模板的语义特征；混合神经网络模型的构建过程为：使用多尺度卷积神经网络、高效通道注意力机制和形变门控循环单元构建所述混合神经网络模型；获取日志数据集并利用日志数据集对所述混合神经网络模型进行训练，输出训练后的混合神经网络模型；将日志事件模板的语义特征输入至训练后的混合神经网络模型获得日志检测结果，包括：将日志事件模板的语义特征输入至所述多尺度卷积神经网络，对语义特征进行多尺度特征提取获得关键语义向量，过程包括：所述多尺度卷积神经网络包括一维卷积层、批量归一化层、ELU激活函数和池化层；所述一维卷积层设置有多种尺度的卷积核；通过多种尺度的卷积核由日志事件模板的语义特征中提取获得局部特征向量；将局部特征向量输入至所述批量归一化层获得关键拟合特征，表达公式为： ；公式中，是缩放参数;是偏移参数；是局部特征向量的均值;是局部特征向量的方差；表示为调节参数；表示为关键拟合特征；通过ELU激活函数将第一中间特征进行映射转换获得关键映射特征，表达公式为： ；公式中，表述为调节参数，表示为关键映射特征；e为自然底数；将关键映射特征输入至池化层获得关键语义向量；将关键语义向量输入至所述高效通道注意力机制，由关键语义向量中捕获日志局部特征输出中间特征，过程包括：所述高效通道注意力机制包括全局平均池化层、自适应卷积层和sigmoid函数；将所述关键语义向量输入至全局平均池化层获得全局关系特征；基于当前总通道数计算自适应卷积层中卷积核尺寸K值，表达公式为； ；其中，表示为选取最接近的奇数；c代表为当前总通道数；和表示为设定常数；将全局关系特征输入至自适应卷积层获得特征权重，表达公式为； ；其中，代表与相邻的k个通道的输出特征集合，代表与相邻的第k个通道的输出特征；表示为全局关系特征；代表所有通道共享的权重参数；为sigmoid激活函数；将特征权重与关键语义向量相乘获得中间特征；将中间特征输入至形变门控循环单元，由中间特征中捕获日志全局特征输出日志检测结果，过程包括：将中间特征与预设的隐藏状态进行多轮信息交互，当信息交互轮数为奇数时，基于隐藏状态对中间特征进行更新，表达公式为： ；公式中，表示为第轮信息交互后的中间特征；表示为第轮信息交互后的中间特征；表示为第轮信息交互后的隐藏状态；表示为可学习的参数矩阵；⊙是哈达玛积；当信息交互轮数为偶数时，基于中间特征对隐藏状态进行更新，表达公式为： ；公式中，表示为第轮信息交互后的隐藏状态；表示为第轮信息交互后的隐藏状态；表示为可学习的参数矩阵；表示为第轮信息交互后的中间特征；为sigmoid激活函数；将信息交互更新后中间特征和隐藏状态输入至形变门控循环单元的基本神经单元cell获得最终隐藏状态，计算公式为： ； ； ； ；公式中，表示为时间步t下更新门的输出值；表示为时间步t下重置门的输出值，表示为时间步t下输入基本神经单元cell的中间特征；表示为时间步t下输入基本神经单元cell的隐藏状态；表示为时间步t下候选隐藏层状态；表示为时间步t下的最终隐藏状态；、和表示为权重矩阵；基于所有最终隐藏状态的出现概率与实时日志数据中下一条日志项进行对比输出日志检测结果。

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信息工程大学，其通讯地址为：210044 江苏省南京市江北新区宁六路219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”。