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！

龙图腾网获悉浙江大学申请的专利基于卷积神经网络的恶意流量分类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：CN119628872B 。

龙图腾网通过国家知识产权局官网在2025-11-07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：202411601433.2，技术领域涉及：H04L9/40；该发明授权基于卷积神经网络的恶意流量分类方法是由陈惠芳;刘容川;谢沐;谢磊设计研发完成，并于2024-11-11向国家知识产权局提交的专利申请。

本基于卷积神经网络的恶意流量分类方法在说明书摘要公布了：本发明公开了基于卷积神经网络的恶意流量分类方法。现有方法误判率较高，分类效果较差。本发明提出了基于卷积神经网络的恶意流量分类方法，通过原始流量数据转灰度图、流量数据潜在特征提取、分类模型训练、恶意流量数据训练，实现高准确率的恶意流量分类。本发明首先准备分类模型的训练数据，设计并训练基于卷积神经网络的恶意流量分类模型，对获取的恶意流量数据预处理后输入训练好的分类模型，即可判断当前流量是否为恶意流量。本发明方法结合改进后的MobileNetV2模型与Mamba模型，同时处理局部特征与全局特征，能应对实际网络环境的变化，提升分类准确率，增强实际可用性和鲁棒性。

本发明授权基于卷积神经网络的恶意流量分类方法在权利要求书中公布了：1.基于卷积神经网络的恶意流量分类方法，其特征在于，具体如下： 步骤1准备恶意流量分类模型的训练数据：从互联网上下载已知恶意流量数据作为原始流量数据；将原始流量数据转换为灰度图数据，处理后的数据作为实现步骤3中恶意流量分类模型的训练数据； 步骤2设计恶意流量分类模型：模型基于卷积神经网络、S2M模块、Mamba模块、全局池化层和线性层进行构建，每个卷积层后都连接批归一化层和非线性激活层； 步骤3训练恶意流量分类模型，具体如下： 3-1参数初始化：随机初始化学习网络的权值参数wscene和偏置参数bscene，初始化迭代轮次escene＝0，设置初始学习率ηscene，训练样本批大小bsscene，最大迭代轮次Escene； 3-2数据分批：按照设置的样本批大小bsscene将数据集均匀分成Pscene个批次，每个批次的恶意流量数据子集表示为其对应的标签集为 3-3数据输入：随机选取某一批次训练数据的数据子集送入步骤2设计的分类模型中，通过卷积层、改良的MobileViT模块和Mamba模块提取数据的特征表示，输入全局池化层和线性层得到该批次数据的预测标签集 3-4参数更新：根据该批次数据的真实标签和预测标签集计算损失函数值lossscene，并根据损失函数值lossscene更新模型参数； 3-5单轮训练：当第escene轮次的Pscene个批次数据都输入分类模型，则表示该轮训练结束，进入步骤3-6，否则返回步骤3-3； 3-6训练结束判断：当损失函数lossscene在连续Es′cene轮内的减小幅度均小于σscene，其中Es′cene为判断分类模型是否收敛的最小收敛轮数，σscene为判断lossscene不再减小的阈值，表明分类模型已收敛，执行步骤3-8；否则执行步骤3-7； 3-7若escene＜Escene，则escene＝escene+1，继续迭代，返回步骤3-2；若escene＝Escene，表明分类器训练结束，进入步骤3-8； 3-8模型保存：保存分类器模型的最佳权重参数和最佳偏置参数 步骤4识别恶意流量数据种类： 4-1对恶意流量数据进行预处理； 4-2输入一个卷积核大小为n×n的卷积层进行初步特征提取； 4-3使用多个S2M模块进行深层的局部特征提取； 4-4在多个S2M模块之间穿插使用S2MMamba模块进一步提取全局特征： S2MMamba模块首先将上一层神经网络层输出的特征图通过一个卷积核大小为n×n的卷积层进行局部的特征建模，然后通过一个卷积核大小为1×1的卷积层调整通道数得到输出表示实数域，H和W分别表示有效感受野的高度和宽度，d表示维度；然后将展开为N个不重叠的一维向量有效感受野patch按照固定面积P＝wh划分为N个小区域，展开得到的一维向量数量为每个有效感受野patch的高度h和宽度w即为每个一维向量的高度和宽度，h≤n、w≤n，n为卷积核的大小；使用Mamba模块对每个有效感受野patch中的每一个像素p∈{1,2,…,P}进行编码，得到N个具有全局特征信息的一维向量将N个具有全局特征信息的一维向量折叠回高维向量 通过一个卷积核大小为1×1的卷积层将通道数调整回原始大小，映射回低维特征空间，然后通过残差连接与原始输入特征图沿通道方向进行拼接，最后再通过一个卷积核大小为n×n的卷积层进行特征融合得到输出特征； 4-5使用分类器进行最终的分类输出：分类器的具体步骤包括使用1×1卷积层进行特征压缩，全局池化层将特征图的尺寸调整为固定大小，将特征图展平为一维向量，添加Dropout层以防止过拟合，最后通过线性层进行分类输出。

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浙江大学，其通讯地址为：310000 浙江省杭州市西湖区余杭塘路866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。