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！

龙图腾网恭喜广东技术师范大学申请的专利基于对比学习的网络入侵检测方法、系统、设备及介质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：CN117914618B 。

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：202410132464.1，技术领域涉及：H04L9/40；该发明授权基于对比学习的网络入侵检测方法、系统、设备及介质是由刘兰;周驰宇;蔡廷丰;陆海;罗洪强;张鹏设计研发完成，并于2024-01-30向国家知识产权局提交的专利申请。

本基于对比学习的网络入侵检测方法、系统、设备及介质在说明书摘要公布了：本发明公开了本发明提供了一种基于对比学习的网络入侵检测方法、系统、设备及介质，所述方法包括如下步骤：获取并对网络流量数据包进行规范化处理，将经过规范化处理的网络流量数据包按时间顺序排列后进行预处理，其中，网络流量数据包括正常流量数据和攻击流量数据；将经过预处理的网络流量数据包转换为二维图像，并划分为训练集和测试集；采用CNN模型作为特征提取器，将训练集输入到CNN模型中，提取二维图像的高维特征，生成正常‑异常样本对；通过对比学习方法将提取的高维特征映射到单位球体上，进行数据分类；将经过分类的数据输入到预测模型中进行分析预测，并输出结果；将测试集依次输入到训练好的CNN模型和预测模型中，进行网络入侵检测。

本发明授权基于对比学习的网络入侵检测方法、系统、设备及介质在权利要求书中公布了：1.一种基于对比学习的网络入侵检测方法，其特征在于，包括如下步骤：获取并对网络流量数据包进行规范化处理，将经过规范化处理的网络流量数据包按时间顺序排列后进行预处理，其中，网络流量数据包括正常流量数据和攻击流量数据；将经过预处理的网络流量数据包转换为二维图像，并划分为训练集和测试集；采用CNN模型作为特征提取器，将训练集输入到CNN模型中，提取二维图像的高维特征，生成正常-异常样本对；通过对比学习方法将提取的高维特征映射到单位球体上，进行数据分类；将经过分类的数据输入到预测模型中进行分析预测，并输出结果；将测试集依次输入到训练好的CNN模型和预测模型中，进行网络入侵检测；步骤采用CNN模型作为特征提取器，将训练集输入到CNN模型中，提取二维图像的高维特征，生成正常-异常样本对，包括如下步骤：选取卷积核对训练集中的二维图像进行卷积操作，获得特征映射数据；步骤选取卷积核对训练集中的二维图像进行卷积操作前，包括如下步骤：采用神经网络算法对训练集进行筛选：其解式： 其中，·ψ.是惩罚项，φ.是损失函数，λ＞0是一个可以平衡惩罚项和损失函数的正则化参数，惩罚项中使用的是L2范数，ψw＝||w||2，损失函数为hinge损失函数，为了找到最优的分类决策边界，求解式4.1表示的原问题，得到最优解W*,为了找到最优的分类决策边界，求解原问题的对偶问题表示如下公式： s.t0≤αi≤λ，1≤i≤n4.2其中，是由特征映射Φ定义的核函数；构建一个原始空间空间中包含有w*，然后计算出区间的下区间和上区间包含问题最优解w*的球形区域定义如下：对任意的 其中，是由可行解和定义的对偶间隙；对于4.3中给定的球形区域，区域的上区间和下区间定义如下： 由上可得，求解可得最优解α*；步骤通过对比学习方法将提取的高维特征映射到单位球体上，进行数据分类，包括如下步骤：采用预定义的infoNCE-BinaryCrossentropy联合函数对CNN模型进行训练；将提取到的高维特征映射到单位球体上，获得映射到单位球体上的的特征向量；采用余弦相似度法计算两个特征向量间的相似度；对特征向量进行优化分类，包括：根据全部特征向量的正样本关系将具有正样本关系的特征向量归为同一类别，并且根据全部特征向量的负样本关系确定类别划分的类别数量，并完成全部特征向量的类别划分；给定网络流量样本X和标签Y，并使用来自相同类别的样本之间的平均距离来表示类内距离： 使用不同类别样本之间的平均距离来表示类间距离：

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东技术师范大学，其通讯地址为：510630 广东省广州市天河区中山大道西293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”。