买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北方实验室(沈阳)股份有限公司申请的专利一种基于工业过程时空建模的异常流量检测方法和系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120434042B 。

龙图腾网通过国家知识产权局官网在2025-09-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510887692.4，技术领域涉及：H04L9/40；该发明授权一种基于工业过程时空建模的异常流量检测方法和系统是由张健楠;李海涛;段晓祥;何永建;袁洪朋;韩晓娜;丁琳设计研发完成，并于2025-06-30向国家知识产权局提交的专利申请。

本一种基于工业过程时空建模的异常流量检测方法和系统在说明书摘要公布了：本发明公开一种基于工业过程时空建模的异常流量检测方法和系统，涉及异常流量检测技术领域。本发明能够提取更准确的空间特征和时序特征，构建更符合实际场景的模型，提高异常检测效果。通过GRU和Informer联合时序特征提取方法，提取工业过程数据的短期时序特性和长期时序特性，符合工业过程数据的特点，提高针对工业过程的异常流量检测准确性。提出一种结合预测模型和重构模型的联合优化策略，不仅使模型能够识别时间序列的全局分布特征，还能关注到变量的个体特征，从而增强模型在异常检测任务中的准确性和稳健性。

本发明授权一种基于工业过程时空建模的异常流量检测方法和系统在权利要求书中公布了：1.一种基于工业过程时空建模的异常流量检测方法，其特征在于，包括如下具体步骤： 获取工业过程数据并对工业过程数据进行预处理，包括数据归一化和数据窗口化，得到窗口序列化数据；所述工业过程数据为一个多变量时间序列，包括工业过程中采集得到的所有传感器数据和执行器数据； 构建异常检测模型；所述异常检测模型用于根据输入的一个时间窗口内的工业过程数据计算异常评分； 利用窗口序列化数据对异常检测模型进行训练，得到训练完成的异常检测模型； 获取工业过程数据并进行预处理，将预处理后的一个时间窗口内的工业过程数据输入训练完成的异常检测模型，得到异常评分，并根据异常评分，检测是否发生异常； 所述异常检测模型包括空间关系构建模块、空间特征提取模块、时序特征提取模块、时序预测模块、重构模块和评分模块； 所述空间关系构建模块用于根据获取的工业过程知识构建图结构，并基于输入的窗口数据对图结构进行修正，得到有向图G；所述工业过程知识中包括各自动化元件在工业过程中的空间关系；所述窗口数据为一个时间窗口内的工业过程数据； 所述空间特征提取模块用于获取有向图G中每个节点的空间特征；所述空间特征提取模块为图注意力网络； 所述时序特征提取模块用于根据所有节点的空间特征，利用GRU模型提取短期时序特征并利用Informer模型提取长期时序特征； 所述时序预测模块用于分别根据短期时序特征和长期时序特征进行预测，得到短期时序预测结果和长期时序预测结果； 所述重构模块用于重构短期时序特征，得到短期时序特征的重构概率；采用变分自编码器VAE作为重构模块； 所述评分模块用于根据短期时序预测结果、长期时序预测结果和重构模块得到的短期时序特征的重构概率，计算异常评分； 所述图结构的构建方法具体为：将每个自动化元件作为一个节点并用二元组A=c,r来表示，c代表自动化元件的类型，0为传感器，1为执行器，r代表自动化元件在整个工业过程中所属子过程的编号；然后通过工业过程知识中所包括的自动化元件的空间关系确定存在相互影响的自动化元件，并利用有向边表示自动化元件之间的影响关系，构造出图结构并用邻接矩阵保存图结构，同时获得边集合E；然后对构造的图结构中的边进行验证，分别使用皮尔逊相关系数和传递熵对边集合E中的边进行修正，得到有向图G； 所述分别使用皮尔逊相关系数和传递熵对边集合E中的边进行修正的过程具体为： 从输入的窗口数据中提取出不同自动化元件的时序数据，计算不同自动化元件的时序数据之间的皮尔逊相关系数和传递熵，设定一个皮尔逊相关系数阈值θp和一个传递熵阈值θt，如果两个自动化元件的时序数据之间的皮尔逊相关系数的绝对值大于等于皮尔逊相关系数阈值θp，则保留图结构中这两个自动化元件之间的边，如果两个自动化元件的时序数据之间的皮尔逊相关系数的绝对值小于皮尔逊相关系数阈值θp，则进一步判断这两个自动化元件的时序数据之间的传递熵是否大于等于传递熵阈值θt，若是则保留图结构中这两个自动化元件之间的边，否则删除图结构中这两个自动化元件之间的边； 所述获取有向图G中每个节点的空间特征的方法具体为：首先初始化有向图G中每个节点的特征，得到每个节点的初始空间特征：通过一个线性层将从输入的窗口数据中提取的出不同自动化元件的时序数据转化为维向量，得到该自动化元件对应节点的初始空间特征，其中为初始空间特征的维度，表示自动化元件的编号；然后利用图注意力网络的多头注意力机制，更新每个节点的初始空间特征，得到每个节点最终的空间特征； 所述时序预测模块将GRU模型输出的短期时序特征中第个元素和对应的初始空间特征逐个相乘，再将结果输入全连接层，进行短期序列预测，得到短期时序预测结果； 将长期时序特征输入全连接层，得到到时刻所有自动化元件的数据的预测值构成的向量，即长期时序预测结果，为预测的未来工业过程数据的时间步长度； 所述异常评分为： （19）； 其中，为异常评分，是超参数，为时刻短期时序预测结果和长期时序预测结果中第个自动化元件数据的预测值的平均值，为时刻第个自动化元件的数据的真实值，为短期时序特征的第个元素的重构概率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北方实验室(沈阳)股份有限公司，其通讯地址为：110179 辽宁省沈阳市浑南区智慧三街199-1号(101)；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。