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！

龙图腾网恭喜华中科技大学申请的专利一种基于多时段平衡属性子图及异质图注意力的异常检测方法及装置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：CN119182576B 。

龙图腾网通过国家知识产权局官网在2025-05-09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：202411244042.X，技术领域涉及：H04L9/40；该发明授权一种基于多时段平衡属性子图及异质图注意力的异常检测方法及装置是由龙翔;黄炎;徐定坤;孙海丽;黄云洁;韩兰胜设计研发完成，并于2024-09-05向国家知识产权局提交的专利申请。

本一种基于多时段平衡属性子图及异质图注意力的异常检测方法及装置在说明书摘要公布了：本发明提出了一种基于多时段平衡属性子图及异质图注意力的异常检测方法及装置，涉及网络安全技术领域，该方法包括：获取待检测网络数据，并将所述待检测网络数据输入至训练好的网络异常检测模型中，得到由所述网络异常检测模型输出的异常数据以及所述异常数据的类别；所述网络异常检测模型包括扩散增强异构图注意力网络层以及分类网络层，且，所述网络异常检测模型是基于样本数据、所述样本数据的相似度特征以及事件嵌入训练得到的。本发明提高了模型的准确性和鲁棒性，使得训练好的网络异常检测模型能够更有效地识别和防御网络攻击，为网络安全提供更加强大的保护措施，该网络异常检测模型在网络安全领域具有重要的应用价值。

本发明授权一种基于多时段平衡属性子图及异质图注意力的异常检测方法及装置在权利要求书中公布了：1.一种基于多时段平衡属性子图及异质图注意力的异常检测方法，其特征在于：所述方法包括：获取待检测网络数据，并将所述待检测网络数据输入至训练好的网络异常检测模型中，得到由所述网络异常检测模型输出的异常数据以及所述异常数据的类别；所述网络异常检测模型包括扩散增强异构图注意力网络层以及分类网络层，且，所述网络异常检测模型是基于样本数据、所述样本数据的相似度特征以及事件嵌入训练得到的；所述网络异常检测模型通过以下步骤训练得到：获取所述样本数据，并根据时序关联程度对所述样本数据进行时间离散处理，得到若干相近时间内的时间离散数据组；所述时间离散数据组内包含若干所述样本数据；确定每一所述时间离散数据组内各个所述样本数据的特征信息，并根据所述特征信息构建数据属性子图；所述数据属性子图由若干元路径构成，且，同一条元路径中属性节点相互之间全连接，不同元路径之间共享相同属性值的属性节点；根据每一所述数据属性子图的所述样本数据中异常数据同正常数据的比例、样本数据以及样本数据的邻居数据，对异常数据及正常数据进行比例平衡，得到每一数据属性子图对应的平衡属性子图；将所述平衡属性子图输入至所述扩散增强异构图注意力网络层中，并基于总损失函数迭代更新所述扩散增强异构图注意力网络层的网络参数，得到由所述扩散增强异构图注意力网络层输出的平衡属性子图的所述相似度特征以及所述事件嵌入；所述总损失函数由类距离损失函数、规范化损失函数以及属性级结构感知损失函数构成；将所述相似度特征作为输入数据以及将所述事件嵌入作为训练使用的标签信息，输入至所述分类网络层中并基于有监督的机器学习方式迭代更新所述分类网络层的网络参数，得到网络异常检测模型；所述总损失函数的表达式为： ；其中，表示总损失函数，表示类距离损失函数，表示规范化损失函数，表示属性级结构感知损失函数；所述类距离损失函数的表达式为： ；其中，表示异常类型事件的几何中心，表示正常类型事件的几何中心；所述规范化损失函数的表达式为： ；其中，表示损失参数，表示平衡属性子图中属性节点的总数目；所述属性级结构感知损失函数的表达式为： ；其中，表示数据属性子图中所有属性值的集合，表示节点对应的标签，C表示分类器对应的参数，为属性节点对应的属性节点嵌入。

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中科技大学，其通讯地址为：430000 湖北省武汉市洪山区珞喻路1037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”。