買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉大連大學(xué)申請的專利一種基于降噪自編碼核密度估計的網(wǎng)絡(luò)安全態(tài)勢評估方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114547608B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-22發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210108654.0，技術(shù)領(lǐng)域涉及：G06F21/56；該發(fā)明授權(quán)一種基于降噪自編碼核密度估計的網(wǎng)絡(luò)安全態(tài)勢評估方法是由杜秀麗;陶帆;宋林凱;呂亞娜;邱少明設(shè)計研發(fā)完成，并于2022-01-28向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于降噪自編碼核密度估計的網(wǎng)絡(luò)安全態(tài)勢評估方法在說明書摘要公布了：本發(fā)明公開了一種基于降噪自編碼核密度估計的網(wǎng)絡(luò)安全態(tài)勢評估方法，屬于計算機(jī)網(wǎng)絡(luò)安全領(lǐng)域，包括以下步驟：獲取網(wǎng)絡(luò)流數(shù)據(jù)作為態(tài)勢數(shù)據(jù)；對所述態(tài)勢數(shù)據(jù)進(jìn)行預(yù)處理；對預(yù)處理后的態(tài)勢數(shù)據(jù)按照比例劃分出訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)；基于訓(xùn)練集數(shù)據(jù)構(gòu)建降噪自編碼網(wǎng)絡(luò)及核密碼估計模型；將測試集數(shù)據(jù)依次輸入到降噪自編碼網(wǎng)絡(luò)及核密碼估計模型中，得到網(wǎng)絡(luò)流數(shù)據(jù)的威脅發(fā)生概率；基于網(wǎng)絡(luò)流數(shù)據(jù)的威脅發(fā)生概率，對網(wǎng)絡(luò)態(tài)勢進(jìn)行安全評估，確定網(wǎng)絡(luò)安全態(tài)勢的級別；利用降噪自編碼網(wǎng)絡(luò)處理冗余信息和非線性特征學(xué)習(xí)的能力對網(wǎng)絡(luò)態(tài)勢數(shù)據(jù)進(jìn)行降維并提取態(tài)勢潛藏特征，結(jié)合無參數(shù)估計的優(yōu)勢提出核密度估計對潛藏特征進(jìn)行密度概率估計得到威脅發(fā)生概率。

本發(fā)明授權(quán)一種基于降噪自編碼核密度估計的網(wǎng)絡(luò)安全態(tài)勢評估方法在權(quán)利要求書中公布了：1.一種基于降噪自編碼核密度估計的網(wǎng)絡(luò)安全態(tài)勢評估方法，其特征在于，包括以下步驟： 獲取網(wǎng)絡(luò)流數(shù)據(jù)作為態(tài)勢數(shù)據(jù)； 對所述態(tài)勢數(shù)據(jù)進(jìn)行預(yù)處理；對預(yù)處理后的態(tài)勢數(shù)據(jù)按照比例劃分出訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)； 基于訓(xùn)練集數(shù)據(jù)構(gòu)建降噪自編碼網(wǎng)絡(luò)及核密度估計模型； 將測試集數(shù)據(jù)依次輸入到降噪自編碼網(wǎng)絡(luò)及核密度估計模型中，得到網(wǎng)絡(luò)流數(shù)據(jù)的威脅發(fā)生概率； 基于網(wǎng)絡(luò)流數(shù)據(jù)的威脅發(fā)生概率，對網(wǎng)絡(luò)態(tài)勢進(jìn)行安全評估，確定網(wǎng)絡(luò)安全態(tài)勢的級別； 基于訓(xùn)練集數(shù)據(jù)構(gòu)建降噪自編碼網(wǎng)絡(luò)及核密度估計模型的過程如下：將訓(xùn)練集數(shù)據(jù)依次輸入到降噪自編碼網(wǎng)絡(luò)中對降噪自編碼網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到網(wǎng)絡(luò)流數(shù)據(jù)的隱層特征；將網(wǎng)絡(luò)流數(shù)據(jù)的隱層特征輸入到核密度模型中，對核密度進(jìn)行訓(xùn)練，構(gòu)建降噪自編碼網(wǎng)絡(luò)及核密度估計模型，具體過程如下： 步驟1：設(shè)定最大訓(xùn)練次數(shù)； 步驟2：初始化降噪自編碼網(wǎng)絡(luò)的參數(shù)； 步驟3：將訓(xùn)練集數(shù)據(jù)輸入到降噪自編碼網(wǎng)絡(luò)中，對輸入數(shù)據(jù)依次進(jìn)行以下計算： （1） （2） （3） 、、分別表示輸入層數(shù)據(jù)、隱藏層數(shù)據(jù)、輸出數(shù)據(jù)；表示之間的隨機(jī)分布，為噪聲因子；和分別表示編解碼過程中的非線性激勵函數(shù)；和是權(quán)重參數(shù)、和是偏置； 步驟4：利用重構(gòu)誤差計算公式計算重構(gòu)誤差； 步驟5：最小化重構(gòu)誤差；調(diào)整權(quán)重和偏置參數(shù)； 步驟6：判斷訓(xùn)練計數(shù)值k是否大于設(shè)定的最大訓(xùn)練次數(shù)，如果大于，降噪自編網(wǎng)絡(luò)的訓(xùn)練完成，否則k=k+1，將調(diào)整權(quán)重和偏置參數(shù)，返回步驟3； 步驟7：將訓(xùn)練數(shù)據(jù)再次輸入到訓(xùn)練好的降噪自編碼網(wǎng)絡(luò)中并獲取隱藏層特征數(shù)據(jù)； 步驟8：選取高斯函數(shù)作為核密度估計模型的核函數(shù)并設(shè)定其窗寬的值； 步驟9：將隱藏層特征數(shù)據(jù)作為輸入通過核密度估計公式構(gòu)建核密度估計模型，得到訓(xùn)練數(shù)據(jù)的概率密度分布； 選定降噪自編碼網(wǎng)絡(luò)的參數(shù)為：降噪自編碼網(wǎng)絡(luò)的輸入神經(jīng)元和輸出神經(jīng)元均為78個，隱含層神經(jīng)元根據(jù)確定為9個，其中m為輸入神經(jīng)元個數(shù)，誤差函數(shù)為均方誤差函數(shù)，優(yōu)化器為Adagrad，編碼器及解碼器的激勵函數(shù)均為Sigmoid函數(shù)，學(xué)習(xí)率為0.01，迭代次數(shù)為100，batch為300，噪聲因子為0.4，核密度估計模型的核函數(shù)為高斯函數(shù)，其參數(shù)窗寬根據(jù)為2.1213。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人大連大學(xué)，其通訊地址為：116622 遼寧省大連市金州新區(qū)學(xué)府大街10號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。