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)獲悉北京信息科技大學(xué)申請的專利一種基于CNN-LSTM算法的內(nèi)部威脅檢測方法獲國家發(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：CN119814433B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-26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：202411951215.1，技術(shù)領(lǐng)域涉及：H04L9/40；該發(fā)明授權(quán)一種基于CNN-LSTM算法的內(nèi)部威脅檢測方法是由易軍凱;楊夢華;譚玲玲設(shè)計研發(fā)完成，并于2024-12-27向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于CNN-LSTM算法的內(nèi)部威脅檢測方法在說明書摘要公布了：本發(fā)明公開了一種基于CNN?LSTM算法的內(nèi)部威脅檢測方法，涉及網(wǎng)絡(luò)信息安全領(lǐng)域，包括：獲取用戶行為數(shù)據(jù)，并預(yù)處理得到用戶的行為特征序列；將行為特征序列輸入訓(xùn)練好的CNN?LSTM模型，輸出威脅行為檢測結(jié)果；CNN?LSTM模型包括依次連接的輸入層、CNN層、LSTM層和輸出層；CNN層對輸入的行為特征序列進行局部特征提取，并輸出至LSTM層；LSTM層對輸入的特征圖進行時間維度特征提取，并將最終時間步的隱藏狀態(tài)輸入輸出層；輸出層為全連接層，通過線性變換輸出威脅行為檢測結(jié)果。本發(fā)明能夠有效提高信息安全和數(shù)據(jù)資產(chǎn)保護中，內(nèi)部威脅的檢測效率和精度，從而提高企業(yè)信息數(shù)據(jù)的安全性。

本發(fā)明授權(quán)一種基于CNN-LSTM算法的內(nèi)部威脅檢測方法在權(quán)利要求書中公布了：1.一種基于CNN-LSTM算法的內(nèi)部威脅檢測方法，其特征在于，具體步驟如下： 獲取用戶行為數(shù)據(jù)，并預(yù)處理得到用戶的行為特征序列； 將所述行為特征序列輸入訓(xùn)練好的CNN-LSTM模型，輸出威脅行為檢測結(jié)果； 所述CNN-LSTM模型包括依次連接的輸入層、CNN層、LSTM層和輸出層；所述CNN層對輸入的所述行為特征序列進行局部特征提取，并輸出至LSTM層；所述LSTM層對輸入的特征圖進行時間維度特征提取，并將最終時間步的隱藏狀態(tài)輸入所述輸出層；所述輸出層為全連接層，通過線性變換輸出威脅行為檢測結(jié)果； 所述行為特征序列數(shù)據(jù)形狀為{N,T,n}，其中N為批量大小，T為時間步長，n為特征的數(shù)量；用戶一天的操作行為特征表示為其中，S＝{1,2,3,...,g}表示用戶內(nèi)部人員集，g為內(nèi)部員工總數(shù)； 所述CNN層中對輸入的行為特征進行卷積操作，卷積核的輸出為： 其中，Hit表示卷積層第i個卷積核在時間步t的輸出，j表示時間步的偏移量，l表示特征的維度索引，k表示卷積核的大小，Wij,l表示卷積核的權(quán)重，Xt+j-1,l表示輸入數(shù)據(jù)的特征值，bi表示卷積核的偏置項； 對于第i個卷積核的權(quán)重和偏置在時間步t上生成的特征圖形狀為{N,T-n+1}，卷積層輸出特征圖形狀為{N,T-n+1,F}，其中F為卷積核總數(shù)； 對卷積層輸出的特征使用最大池化進行降維處理，得到CNN層的最終輸出，輸出公式為： Hpoolt＝maxHt,Ht+1,…,Ht+p-1； 其中，Hpoolt表示池化操作在時間步t上的輸出，Ht表示卷積層時間步t的輸出，p表示池化窗口的大小；池化后的輸出形狀為

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)人北京信息科技大學(xué)，其通訊地址為：100192 北京市海淀區(qū)清河小營東路12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)”。