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

龍圖騰網獲悉泉城省實驗室申請的專利一種基于少種子圖像編碼的IPv6地址生成方法和裝置獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119652822B 。

龍圖騰網通過國家知識產權局官網在2025-08-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411779257.1，技術領域涉及：H04L45/741；該發明授權一種基于少種子圖像編碼的IPv6地址生成方法和裝置是由王文同;張輝;李宗鵬;楊家海;張文健;王之梁設計研發完成，并于2024-12-05向國家知識產權局提交的專利申請。

本一種基于少種子圖像編碼的IPv6地址生成方法和裝置在說明書摘要公布了：本發明涉及一種基于少種子圖像編碼的IPv6地址生成方法和裝置，屬于網絡安全技術領域。方法包括預處理，從收集到的活躍IPv6地址中抽取少種子區域的活躍IPv6地址集合，并對該集合分別構建圖結構和編碼向量；特征抽取；活躍地址生成，圖像生成、地址生成和分布式探測，利用分布式探測進行別名前綴檢測和活躍IPv6地址探測，探測得到的結果經預處理和特征抽取過程后再送入圖像生成子模塊進行微調，反復多次后，完成轉化率的目標。本發明能夠有效學習復雜的種子地址配置規則，解決了因采樣偏差帶來的探測效率低下的問題。

本發明授權一種基于少種子圖像編碼的IPv6地址生成方法和裝置在權利要求書中公布了：1.一種基于少種子圖像編碼的IPv6地址生成方法，其特征在于，步驟如下： （1）預處理，數據收集，從收集到的活躍IPv6地址中抽取少種子區域的活躍IPv6地址集合，并對該集合分別構建圖結構和編碼向量，構建圖結構具體步驟為： （111）使用基于半字節熵值的DHC技術將收集到的少種子區域下的活躍IPv6地址集合進行地址空間劃分，得到地址空間； （112）使用社區算法將每個地址空間下的種子地址處理成圖結構； 首先，計算所有種子之間的距離，形成距離列表，并對距離列表進行排序，剔除重復和過長的邊，過長的邊的閾值為12； 然后，構建一個無向圖，其中表示頂點，即種子；表示邊，即種子之間的距離，初始時無邊，且，若認為兩頂點之間不可達； 最后，遍歷排序后的距離列表，順序添加邊到圖中，條件是添加最短的邊且最大化連通分量的密度，添加完成后，圖變成一個連通圖，即最小生成樹，其中，最大連通分量的密度是指最大化空間區域下的種子集合的密度值，即=N，是自由維度個數，N指種子地址數量； （113）將每個地址空間下的圖合并成一張圖，輸出鄰接矩陣； 在步驟（111）劃分的地址空間中構造出一個無向圖，將所有無向圖通過循環合并的方式，形成一張無向圖G，然后輸出鄰接矩陣； 構建編碼向量具體步驟為： （121）將少種子區域的活躍IPv6地址集合轉換為N×8×16的二進制編碼向量X，N為樣本數量； （122）將二進制編碼向量X按照1維進行反序輸出N×8×16的二進制編碼向量; （123）將兩個編碼向量按照1維進行拼接，輸出N×16×16的二進制編碼向量，即，其中，由組成,由16個16維的序列表示，二進制編碼向量作為下一步驟的輸入； （2）特征抽取，先利用BiLSTM模型捕捉樣本內的前后相互依賴關系的能力，對圖像內部結構關系進行向量表征，然后再利用SDCN算法的基本思想，進行聚類，并在原算法的基礎上增加另一個訓練目標，進一步通過自編碼器訓練表示向量，使其擁有N個樣本之間的結構信息，具體步驟如下： （21）構建時間序列編碼向量： 構建一個基于BiLSTM的編碼器模型，設置超參數學習率、訓練批次、輪次等，訓練該模型，完成訓練后保存模型； 加載訓練好的BiLSTM的編碼器模型，并從模型中抽取包含時間序列關系的表示向量； 加載模型后，將N×16×16的二進制編碼向量輸入到訓練好的BiLSTM編碼器模型中，并抽取最后一層前饋隱向量和后饋隱向量，將前饋隱向量和后饋隱向量進行拼接，獲得N×256維的隱向量，即N×16×16的表示向量； （22）預訓練自編碼器 將表示向量作為自編碼器的輸入，設置超參數學習率、訓練批次、輪次等； 完成訓練輪次后，保存自編碼器的模型參數； （23）形成聚類中心P分布 初始化模型，并加載自編碼器的模型參數； 利用DNN子模塊的編碼器，先對表示向量進行編碼，獲得經多層空間維度編碼后的特征表示向量C； 針對特征表示向量C，利用DBSCAN聚類算法進行聚類訓練，在訓練DBSCAN算法的過程中動態調整聚類數量，使得聚類數量為6，訓練完成后，獲得聚類中心P分布； （24）在GCN子模塊中利用多個不同層的空間維度的特征表示分別和鄰接矩陣進行結構信息的學習，并將結構信息引入到自編碼器的表示學習中，得到特征表示向量； （25）在DNN子模塊中利用解碼器對含有樣本間結構信息的表示學習進行解碼操作，使得在重構表示向量的過程中使其含有樣本間結構信息表征，即得到特征表示向量，具體的： 獲取GCN子模塊輸出最后一層融合的特征表示向量，； 利用DNN子模塊的解碼器對特征表示向量進行解碼，在原算法中是對特征表示向量C即最后一層進行解碼，之所以更換成特征表示向量是為了進一步重構出既含有樣本內前后依賴關系的內部信息又含有樣本間結構信息的表示向量=，直到最后一層解析出的特征表示向量作為下一步的輸入； （3）活躍地址生成，包括圖像生成、地址生成和分布式探測，將特征表示向量和該向量對應的標簽label輸入到圖像生成模型中生成圖像，并對圖像數據進行解碼得到候選地址，同時針對候選地址進行BGP前綴查詢，保留符合少種子區域下的候選地址，利用分布式探測進行別名前綴檢測和活躍IPv6地址探測，探測得到的結果經預處理和特征抽取過程后再送入圖像生成子模塊進行微調，反復多次后，完成轉化率的目標。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人泉城省實驗室，其通訊地址為：250100 山東省濟南市歷城區經十東路國家超算濟南中心科技園；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。