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！

龙图腾网恭喜东北大学申请的专利一种基于小样本数据增强的异常网络流量识别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：CN119397466B 。

龙图腾网通过国家知识产权局官网在2025-04-08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：202510012248.8，技术领域涉及：G06F18/2433；该发明授权一种基于小样本数据增强的异常网络流量识别方法是由彭玉怀;刘茗;毕皓然;王静;汪力行设计研发完成，并于2025-01-06向国家知识产权局提交的专利申请。

本一种基于小样本数据增强的异常网络流量识别方法在说明书摘要公布了：本发明提供一种基于小样本数据增强的异常网络流量识别方法，包括：包括：S1、将一维流量数据转变为二维的灰度图，并使用结合了动态注意力机制的孪生网络逐对分析各类流量数据间的差异；分析孪生注意网络中注意力机制的参数，识别类间的差异特征；S2、使用类间特征差异矩阵选取训练域，引入对比学习方法判断真实数据与生成数据间差异，为每类流量生成增强数据集；S3、在接收中心服务器下发的增强数据集后，各边缘服务器使用增强数据集与本地的样本数据训练步骤S1中的孪生注意网络；由于本地样本数据集各不相同，每个边缘服务器训练得到适合本地数据分布的个性化异常流量识别与分类模型，并有效分类异常流量。

本发明授权一种基于小样本数据增强的异常网络流量识别方法在权利要求书中公布了：1.一种基于小样本数据增强的异常网络流量识别方法，其特征在于，包括：S1、将一维流量数据转变为二维的灰度图，并使用结合了动态注意力机制的孪生网络逐对分析各类流量数据间的差异；分析孪生注意网络中注意力机制的参数，识别类间的差异特征；S2、各边缘服务器节点使用层次聚类算法在本地挑选出各类数据的代表样本，并将样本上传到中心服务器；中心服务器以边缘服务器上传的样本作为训练集，使用对比生成对抗网络生成增强数据集，并下发至各边缘服务器；使用类间特征差异矩阵选取训练域，引入对比学习方法判断真实数据与生成数据间差异，为每类流量生成增强数据集；步骤S2，具体包括：S21、边缘服务器上传代表性样本；使用差异特征矩阵选取图像有效范围，并使用均方误差作为层次聚类距离计算方法；为每个边缘服务器的每类数据设置上传阈值，每类样本的上传数量为： 其中，表示该类样本的数量；表示上传阈值；S22、训练对比对抗生成网络；改进鉴别器的损失函数，增加类内差异与类间差异两个参数；对比对抗生成网络的优化函数公式为： 其中，为生成器与鉴别器的组合损失，表示真实数据的分布，表示噪声分布，与分别表示鉴别器与生成器的输出；表示鉴别器判别真实样本为真的概率；表示鉴别器判别虚假样本为假的概率；在对比对抗生成网络中，生成器的损失函数与鉴别器的损失函数分别为： 其中，表示非饱和损耗函数；与分别表示正超参数；与分别表示同类样本与异类样本的对比损失，对比损失的公式如下： 其中，和分别为生成样本的同类样本与异类样本，表示类内与类间差异；S23、生成并分发增强数据集；在增强数据集生成过程中，依据原始样本标签为每一类流量样本训练一个对比生成对抗网络，为防止类间样本数量差异对后续异常流量分类的影响，对比生成对抗网络规定了每类增强数据的最小数量和最大数量，最终每类样本的增强数据数量为： 其中，表示最小数据量，表示可变参数；S3、在接收中心服务器下发的增强数据集后，各边缘服务器使用增强数据集与本地的样本数据训练步骤S1中的孪生注意网络；由于本地样本数据集各不相同，每个边缘服务器训练得到适合本地数据分布的个性化异常流量识别与分类模型，并有效分类异常流量；步骤S3，具体包括：S31、生成本地增强数据集；各边缘服务器根据本地各类样本数量选取增强数据集中的样本，将两类样本合成本地增强数据集；S32、训练本地孪生注意网络；各边缘服务器使用增强后的本地数据集训练步骤S1中的孪生注意网络，训练得到的模型包含个孪生注意网络；其中，1个二分类网络被用于识别异常流量，个网络被用于分类异常流量，为流量的类别数；S33、识别异常流量；将待识别的流量样本与本地增强数据集中各类流量样本进行随机配对，二分类孪生注意网络通过分别计算样本对与正常、异常流量样本的距离，识别出异常流量；S34、判定异常流量类别；将异常流量与来自每个异常类的多个实例进行配对，生成的样本对将被输入到对应的孪生注意网络中计算样本间距离，将总样本距离最小的类别被判定为异常流量的类别。

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东北大学，其通讯地址为：110819 辽宁省沈阳市和平区文化路三巷11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”。