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

龍圖騰網(wǎng)獲悉電子科技大學申請的專利一種基于知識增強神經(jīng)網(wǎng)絡智能模型惡意樣本分析方法獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN120408621B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-08-29發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202510906655.3，技術領域涉及：G06F21/56；該發(fā)明授權一種基于知識增強神經(jīng)網(wǎng)絡智能模型惡意樣本分析方法是由侯文靜;文紅;茅俊濤;羅文駿;王永豐;陳宇政設計研發(fā)完成，并于2025-07-02向國家知識產(chǎn)權局提交的專利申請。

本一種基于知識增強神經(jīng)網(wǎng)絡智能模型惡意樣本分析方法在說明書摘要公布了：本發(fā)明公開了人工智能模型框架下一種基于知識增強神經(jīng)網(wǎng)絡智能模型惡意樣本分析方法，屬于人工智能安全技術領域。該方法通過知識增強得到了更有意義的原始特征，在對惡意樣本進行分析識別時，使用改進的BP神經(jīng)網(wǎng)絡算法減少對訓練樣本量的需求。本發(fā)明在融合語義特征與句法特征的基礎上，全面刻畫文本特性，利用歐幾里得距離構(gòu)建異常檢測指標，進一步提升對異常樣本的敏感度。通過引入外部知識圖譜豐富特征維度，為惡意樣本檢測提供更全面的信息支撐。在大模型的預訓練階段引入知識圖譜，增強模型的先驗知識，使模型更快收斂，進一步提升檢測效率。

本發(fā)明授權一種基于知識增強神經(jīng)網(wǎng)絡智能模型惡意樣本分析方法在權利要求書中公布了：1.一種基于知識增強神經(jīng)網(wǎng)絡智能模型惡意樣本分析方法，其特征在于，所述方法包括以下步驟： 步驟S1：收集大量的數(shù)據(jù)樣本，包括已知的惡意樣本集合和正常樣本集合，使用預訓練語言模型BERT對收集的數(shù)據(jù)樣本進行語義特征提取，選擇標記對應的向量作為語義特征向量； 步驟S2：使用依存句法分析對收集的數(shù)據(jù)樣本進行句法特征提取，計算依存關系類型的頻率分布，將頻率值組成行統(tǒng)計特征向量，歸一化之后得到句法特征向量； 步驟S3：通過計算數(shù)據(jù)樣本的特征向量與每個正常樣本集合的特征向量的歐幾里得距離，構(gòu)建異常檢測指標向量； 步驟S4：引入外部知識圖譜，將步驟S1中提取的語義特征向量進行增強處理；從知識圖譜中查詢與樣本特征相關的實體和關系，基于查詢結(jié)果生成知識增強特征向量，將語義特征向量，句法特征向量，異常檢測指標向量與知識增強特征向量拼接，生成綜合特征向量； 步驟S5：構(gòu)建雙層BP神經(jīng)網(wǎng)絡模型，雙層BP神經(jīng)網(wǎng)絡模型輸入為歸一化之后的綜合特征向量，包含語義特征、句法特征、異常檢測指標以及知識增強特征，每層神經(jīng)元數(shù)量根據(jù)輸入特征維度調(diào)整，激活函數(shù)采用ReLU，輸出層使用softmax函數(shù)預測樣本為惡意的概率，采用交叉熵損失函數(shù)和Adam優(yōu)化算法，優(yōu)化網(wǎng)絡參數(shù)，預訓練語言模型BERT與雙層BP神經(jīng)網(wǎng)絡模型構(gòu)成最終的知識增強惡意樣本檢測模型； 步驟S6：采集待檢測文本并輸入知識增強惡意樣本檢測模型，輸出惡意檢測結(jié)果。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或?qū)＠麢嗳?a target="_blank" rel="noopener noreferrer nofollow" href="https://iptop.www.hzsmkbearing.com.cn/list?keyword=%E7%94%B5%E5%AD%90%E7%A7%91%E6%8A%80%E5%A4%A7%E5%AD%A6&temp=1">電子科技大學，其通訊地址為：611731 四川省成都市高新區(qū)(西區(qū))西源大道2006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)”。