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！

龙图腾网恭喜华侨大学申请的专利一种基于宽度网络的集成单分类异常流量检测方法及系统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：CN119561791B 。

龙图腾网通过国家知识产权局官网在2025-04-22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：202510114211.6，技术领域涉及：H04L9/40；该发明授权一种基于宽度网络的集成单分类异常流量检测方法及系统是由陈宇昂;施一帆;曾焕强;朱建清;陈婧;龚鑫荣;蔡磊;杨楷翔设计研发完成，并于2025-01-24向国家知识产权局提交的专利申请。

本一种基于宽度网络的集成单分类异常流量检测方法及系统在说明书摘要公布了：本发明涉及入侵流量检测领域，公开了一种基于宽度网络的集成单分类异常流量检测方法及系统，方法包括如下步骤：采样步骤，根据采样概率抽取一定比例的正常数据；训练步骤，利用所述正常数据训练宽度自编码网络，作为弱分类器；更新步骤，根据样本重构误差计算当前弱分类器的置信度，并更新样本的采样概率；集成步骤，重复采样步骤至更新步骤，直到获得若干个弱分类器，集成获得异常流量检测模型；检测步骤，利用异常流量检测模型对未知样本进行异常检测，得到多个弱分类器的异常检测结果，根据弱分类的置信度对异常检测结果加权得到最终的检测结果。本发明将宽度学习自编码网络应用在单分类问题，解决了深度网络训练慢、消耗内存大等问题。

本发明授权一种基于宽度网络的集成单分类异常流量检测方法及系统在权利要求书中公布了：1.一种基于宽度网络的集成单分类异常流量检测方法，其特征在于，包括如下步骤：采样步骤，根据采样概率抽取一定比例的正常数据；训练步骤，利用所述正常数据训练宽度自编码网络，作为一个弱分类器；更新步骤，根据样本的重构误差计算当前弱分类器的置信度，并更新样本的采样概率；集成步骤，重复采样步骤至更新步骤，直到获得若干个弱分类器及其对应的置信度，集成获得异常流量检测模型；检测步骤，利用异常流量检测模型对未知样本进行异常检测，得到多个弱分类器的异常检测结果，根据弱分类的置信度对异常检测结果加权得到最终的检测结果；所述训练步骤，包括以下步骤：随机初始化宽度学习自编码器的特征层和增强层的权重矩阵和偏置向量；计算特征层每组节点的输出，表示为： 其中，p代表特征层的组数，gf.为特征层映射函数；表示特征层中第m组中的随机生成的权重矩阵，代表特征层中第m组随机生成的偏置向量；将每组节点的输出进行组合，得到特征层的输出，表示为：Z＝[Z1,Z2,...,Zp]；将特征层的输出输入进增强层，得到增强层的每组节点输出，表示为： 其中，q代表增强层的组数，ge.为增强层映射函数；表示增强层中第m组中的随机生成的权重矩阵，代表增强层中第m组随机生成的偏置向量；将增强层每组节点的输出进行组合，得到增强层输出H，表示为：H＝[H1,H2,...,Hq]；将增强层和特征层的输出进行拼接，得到隐藏层的输出A，表示为： 其中，l代表隐藏层的维度；根据宽度学习自编码器的损失函数对网络结构进行训练，表示为： 其中，表示二范数；Wout表示网络结构中需要学习的输出权重，λ表示权衡系数，表示对参数Wout的优化；根据岭回归理论快速求解输出权重，表示为：当n≥l时，Wout＝λI+ATA-1ATX；当n＜l时，Wout＝ATλI+AAT-1X；其中，I代表单位矩阵，n代表样本个数；所述根据样本的重构误差计算当前弱分类器的置信度，包括以下步骤：计算样本的重构误差，表示为： x*i＝AxiWout；其中，ri表示第i个样本的原始数据xi的重构误差，x*i代表第i个样本重构之后的数据，Axi代表第i个样本经过宽度自编码网络的隐藏层输出；表示二范数的平方；设计单分类Boosting策略，以最小化重构误差之和作为总体目标函数，表示为： 其中，minLEOC-BLSAE表示总体目标函数；Rk是第k个宽度自编码网络在所有样本上的总重构误差损失，K表示弱分类器的总数量；wklnwk表示基于熵的正则化项，用于避免无效解；α表示权重参数；S.t.代表约束条件；根据拉格朗日乘子法计算弱分类器的置信度，表示为： 其中，wk表示第k个弱分类器的置信度，且wk∈[0,1]。

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华侨大学，其通讯地址为：362000 福建省泉州市丰泽区城东城华北路269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”。