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！

龍圖騰網獲悉哈爾濱工業大學申請的專利一種網絡流量多任務增量預訓練模型架構設計方法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：CN119544354B 。

龍圖騰網通過國家知識產權局官網在2025-09-09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：202411751420.3，技術領域涉及：H04L9/40；該發明授權一種網絡流量多任務增量預訓練模型架構設計方法是由余翔湛;谷杰銘;劉奉哲;劉立坤;胡智超;葛蒙蒙;秦浩倫;李卓凌;劉海心;宋晨;王邦國;牟鐸;張垚;張靖宇;周杰;傅言晨;李岱林設計研發完成，并于2024-12-02向國家知識產權局提交的專利申請。

本一種網絡流量多任務增量預訓練模型架構設計方法在說明書摘要公布了：本發明公開了一種網絡流量多任務增量預訓練模型架構設計方法，屬于網絡安全檢測技術領域。解決了現有技術中傳統的多任務深度神經網絡框架無法隨網絡環境動態變化保持對新任務的高精度判別能力的問題；本發明構建了預訓練模型與共有知識表示層分離的、引入特定任務表示層的多任務增量預訓練模型架構；對多任務增量預訓練模型架構中的預訓練模型進行訓練，得到訓練后的多任務增量預訓練模型架構；對訓練后的多任務增量預訓練模型架構進行微調，根據設置的共有知識表示層架構和特定任務表示層架構，得到最終的多任務增量預訓練模型架構。本發明有效提升了網絡流量檢測的泛化能力、穩定性和檢測效果，可以應用于復雜多變的網絡環境下的網絡流量檢測。

本發明授權一種網絡流量多任務增量預訓練模型架構設計方法在權利要求書中公布了：1.一種網絡流量多任務增量預訓練模型架構設計方法，其特征在于，包括以下步驟： S1.構建預訓練模型與共有知識表示層分離的、引入特定任務表示層的多任務增量預訓練模型架構； 具體的，多任務增量預訓練模型架構包括預訓練模型、共有知識表示層和特定任務知識層，將預訓練模型和共有知識表示層進行分離，預訓練模型作為一個獨立的模塊，共有知識表示層與特定任務知識層連接； S2.對多任務增量預訓練模型架構中的預訓練模型進行訓練，得到訓練后的多任務增量預訓練模型架構； S3.對訓練后的多任務增量預訓練模型架構進行微調，根據設置的共有知識表示層架構和特定任務表示層架構，得到最終的多任務增量預訓練模型架構； 所述S3中，包括以下步驟： S31.設置共有知識表示層架構； S32.設置特定任務知識層架構； 所述S31中，提取后的數據匯集的每條網絡流在經過預訓練模型處理后，生成一個尺寸為1×768的特定網絡流的特征向量，記為第一特征向量，共有知識表示層表示一個尺寸為192×768的矩陣，將第一特征向量添加到共有知識表示層的末尾，實現第一特征向量與共有知識表示層的融合，得到第一融合矩陣，其尺寸為193×768，其中，前192行為原有的共有知識表示層表示的矩陣的行，最后1行為第一特征向量； 利用注意力機制對第一融合矩陣進行注意力計算，生成第一查詢向量、第一鍵向量和第一值向量； 根據第一查詢向量、第一鍵向量和第一值向量，計算得到第一注意力矩陣A，并將第一注意力矩陣與第一值向量相乘，得到共有知識表示層的輸出向量，其尺寸為1×768； 所述S32中，提取后的數據匯集的每條網絡流在經過預訓練模型處理后，結合共有知識表示層，生成一個尺寸為1×768的特征向量，記作第二特征向量，特定任務知識層表示一個尺寸為×768的矩陣，其中，表示當前任務的數量，將第二特征向量與特定任務知識層在第一個維度上進行拼接，得到拼接后的特定任務和共享知識的矩陣，其維度為n+1×768，對于每個任務，提取與任務對應的一維特定任務知識向量，記作特定知識向量，使用特定知識向量與共享知識進行注意力計算，生成第二查詢向量、第二鍵向量和第二值向量。

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哈爾濱工業大學，其通訊地址為：150001 黑龍江省哈爾濱市南崗區西大直街92號；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”。