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！

龙图腾网获悉恒安嘉新(北京)科技股份公司;厦门市公安局申请的专利基于多模态大模型的CVOCA特征提取方法及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：CN120596902B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202511108114.2，技术领域涉及：G06F18/213；该发明授权基于多模态大模型的CVOCA特征提取方法及系统是由王方圆;叶旭锋;洪溢超;林晨;王伟鹏;罗童;徐昱群设计研发完成，并于2025-08-08向国家知识产权局提交的专利申请。

本基于多模态大模型的CVOCA特征提取方法及系统在说明书摘要公布了：本发明公开了一种基于多模态大模型的CVOCA特征提取方法及系统，属于多模态特征提取技术领域，包括数据输入；数据预处理，对输入的数据进行处理，生成标准化输入；特征统一表示，利用跨模态统一编码器将视觉、文本、时序数据映射到统一特征空间；特征优化，基于动态特征优化器，动态调整模态权重、实现高效特征融合；上下文感知建模，捕捉长程时序依赖；对抗优化，通过对抗训练提升模型鲁棒性；特征存储与更新系统，采用专家网络与门控机制实现特征库动态更新；本发明解决现有网络行为分析技术在多模态数据融合、计算效率、对抗鲁棒性及动态适应性方面的缺陷，提升了技术性能和应用价值。

本发明授权基于多模态大模型的CVOCA特征提取方法及系统在权利要求书中公布了：1.一种基于多模态大模型的CVOCA特征提取方法，其特征在于：包括以下步骤： S1：数据输入，包括网络流量数据、日志文本数据、系统调用序列； S2：数据预处理，对网络流量数据、日志文本数据、系统调用序列进行处理，生成标准化输入，将原始流量数据转化为灰度频谱图； S3：特征统一表示，利用跨模态统一编码器将视觉、文本、时序数据映射到统一特征空间； S3包括以下子步骤： S31：视觉编码，采用改进的ViT‑B32模型，嵌入层增加局部敏感哈希模块，对灰度频谱图进行局部特征增强； S32：文本编码，基于BERT架构改进，引入动态位置编码； S33：对比学习对齐，设置双流对比损失函数，将视觉与文本特征空间对齐； 设置双流对比损失函数Lalign，强制视觉与文本特征空间对齐，具体为： 其中，S为余弦相似度，τ＝0.05，N为批次大小；vi表示第i个样本的视觉特征向量；vj表示第j个样本的视觉特征向量；ti表示第i个样本的文本特征向量；tj表示第j个样本的文本特征向量； S34：时序编码，采用Transformer编码器进行处理，将序列中的每个系统调用词向量转换为一个上下文感知的时序特征向量； S4：特征优化，基于动态特征优化器，动态调整模态权重、实现高效特征融合； S4包括以下子步骤： S41：引入可微分门控机制，基于MLP网络计算模态重要性权重； 具体为： 其中，Wm表示第m个元素的注意力权重；其中元素是单词对应的特征向量或图像区域对应的特征向量或序列位置对应的特征向量；fm为模态特征，C为全局上下文向量；为拼接操作，MLP表示多层感知机；Softmax表示softmax函数，用于将多层感知机的输出转换为概率分布，确保所有元素的注意力权重之和为1； S42：动态特征融合； 具体为： 其中，Projm为模态投影层，ffusion表示融合后的特征向量；m表示元素的索引；Wm表示第m个元素的注意力权重；fm为模态特征； S43：资源感知调度：根据设备显存实时状态动态调整特征切片大小； S5：上下文感知建模，采用因果Transformer结合局部注意力窗口，捕捉长程时序依赖； S6：对抗优化，通过对抗训练提升模型鲁棒性； S6包括以下子步骤： S61：对抗样本生成； 具体为： 其中，δ表示输入对抗性扰动量；∈表示扰动幅度；sign表示符号函数；表示梯度算子；L表示损失函数；fx表示模型对输入x的预测结果；y表示输入x的真实标签或期望输出； S62：基于FGSM算法，计算对抗损失； 具体为： 其中，δ表示输入对抗性扰动量；fx表示对输入x进行处理或映射后的输出值；fx+δ表示在输入上添加扰动δ后得到的新输出； S7：特征存储与更新系统，采用专家网络与门控机制实现特征库动态更新。

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恒安嘉新(北京)科技股份公司;厦门市公安局，其通讯地址为：100088 北京市海淀区知春路6号(锦秋国际大厦)三层B01；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。