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！

龙图腾网获悉福建师范大学;福建省公安信息中心申请的专利基于多层感知和张量分解的多视图网络流量异常检测方法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：CN120602227B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202511088150.7，技术领域涉及：H04L9/40；该发明授权基于多层感知和张量分解的多视图网络流量异常检测方法是由许力;林维;李家印;董煜;刘天哲设计研发完成，并于2025-08-05向国家知识产权局提交的专利申请。

本基于多层感知和张量分解的多视图网络流量异常检测方法在说明书摘要公布了：本发明公开了基于多层感知和张量分解的多视图网络流量异常检测方法，通过自表示学习从每个视角的流量数据矩阵中提取系数矩阵并构建三阶张量；应用CP分解对每个自表示张量的前向切片进行编码并利用因子矩阵生成共识矩阵编码；通过多层感知CP分解学习因子矩阵之间的非线性交互关系对共识矩阵进行编码；采用两层多层感知机神经网络对张量各因子矩阵的拼接向量进行非线性特征提取得到前向切片的重构列向量，并构建联合因子矩阵与神经网络参数范数约束的损失函数，实现对因子矩阵与多层感知机权重的协同优化，进而训练得到每个因子矩阵；最后通过对共识矩阵进行Kmeans聚类来分类正常流量和异常流量。本发明实现网络流量异常的高精度检测。

本发明授权基于多层感知和张量分解的多视图网络流量异常检测方法在权利要求书中公布了：1.基于多层感知和张量分解的多视图网络流量异常检测方法，其特征在于：其包括以下步骤： S1：通过自表示学习从每个视角的流量数据矩阵中提取系数矩阵并构建三阶张量；接着，应用CP分解对每个自表示张量的前向切片进行编码，并利用因子矩阵生成共识矩阵的编码，其中，是表示提取为对角元素的对角矩阵；是共识表示，是因子矩阵C的第i行向量，为总视角数； 其中，S1具体包括以下步骤： S101，令表示第m个视角的网络流量数据矩阵，其中，m=1,2,...,M；代表第m个视角的特征向量维度，N为样本数量；通过自表示学习中推导出系数矩阵；将每个沿着第3维度进行拼接，形成一个三阶张量，将CP分解应用于自表示张量，通过不同视角间的差异确定低秩表示， 1 其中，是一个超参数，，为潜在空间中多视角数据的新表示，衡量不同视角的贡献，R是CP秩，I是单位矩阵，表示矩阵转置，是误差张量第m个前向切片，的每一列对应不同视角的重建误差向量，表示F范数，表示2,1范数，表示重构误差，表示将括号内的矩阵沿着第三维度拼接为一个张量； S102.每个自表示张量的前向切片对应于每个视角的自表示矩阵，根据CP分解每个前向切片的数据通过因子矩阵进行编码，第i个切片矩阵的分解表示为： 2 其中，是因子矩阵A的第r列向量，是因子矩阵B的第r列向量，是因子矩阵C的第i行第r列的元素，是一个对角矩阵，其对角元素是； S103.基于切片矩阵计算得到共识矩阵， 3 结合共识矩阵得到最终目标函数表示为： 4 其中，和是超参数，是共识表示； S2：通过多层感知机CP分解学习因子矩阵之间的非线性交互关系对共识矩阵进行编码；采用两层多层感知机神经网络对张量各因子矩阵的拼接向量进行非线性特征提取得到前向切片的重构列向量，并构建联合因子矩阵与神经网络参数范数约束的损失函数，实现对因子矩阵与多层感知机权重的协同优化，以便训练得到每个因子矩阵；其中，是因子矩阵A的第r列向量，表示因子矩阵C的第i行第r列的元素，表示因子矩阵B的第j行第r列的元素； S3：通过对共识矩阵进行Kmeans聚类以便分类正常流量和异常流量。

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福建师范大学;福建省公安信息中心，其通讯地址为：350000 福建省福州市闽侯县上街镇乌龙江中大道18号；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”。

以上内容由龙图腾AI智能生成。