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！

龙图腾网获悉江苏大学申请的专利基于双层注意力和时空特征并行融合的SDN网络异常流量分类装置及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：CN116684133B 。

龙图腾网通过国家知识产权局官网在2025-12-12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：202310646614.6，技术领域涉及：H04L9/40；该发明授权基于双层注意力和时空特征并行融合的SDN网络异常流量分类装置及方法是由李致远;徐晓萍;毕俊蕾设计研发完成，并于2023-06-01向国家知识产权局提交的专利申请。

本基于双层注意力和时空特征并行融合的SDN网络异常流量分类装置及方法在说明书摘要公布了：本发明公开了基于双层注意力和时空特征并行融合的SDN网络异常流量分类装置及方法，1将数据集转换成一维字节序列和二维数字矩阵，并进行批归一处理；2L2‑BiTCN模型：将字节序列传入一层BiTCN模型，通过字节注意力机制计算得出字节数据的权重分布，得到字节数据包向量；再将带字节权重的数据包向量作为输入，传入二层BiTCN模型，通过数据包注意力机制计算得出数据包的权重分布，得到流时序特征向量f1；3CNN模型：将数字矩阵传入CNN模型，使用不同大小的卷积核进行两轮卷积和平均池化操作，将得到的局部特征矩阵进行Flatten降维，再对一维张量进行Concat连接，得到流空间特征向量f2；4融合f1和f2得到时空特征向量f，使用Softmax分类器得出最终的流量类别。

本发明授权基于双层注意力和时空特征并行融合的SDN网络异常流量分类装置及方法在权利要求书中公布了：1.基于双层注意力和时空特征并行融合的SDN网络异常流量分类方法，其特征在于，包括如下步骤： S1:对原始流量数据进行预处理，生成一维网络流量字节序列和二维数字矩阵，对网络流量序列进行批归一化处理； S2:将S1处理过的数据输入L2-BiTCN+CNN模型进行训练或处理，L2-BiTCN+CNN模型包括L2-BiTCN模型和CNN模型，L2-BiTCN模型用于捕获关键字节和数据包的时序特征f1，CNN模型用于得到不同数据包内字节的空间特征f2， 所述S2的L2-BiTCN模型包括字节层次和数据包层次，字节层次包含字节嵌入层、BiTCN层、字节注意力层，数据包层次包含数据包嵌入层、BiTCN层、数据包注意力层；在第一层卷积层的前面加入批归一化层，并在TCN层、注意力层、全连接层采取权值归一化处理； 所述L2-BiTCN模型训练或处理数据的步骤如下： 步骤1：将字节序列作为输入传到字节层次中的嵌入层，用xit表示一个数据包的字节信息词向量，其中xit＝bite，bit表示第i个数据包中的第t个字节数据，e∈RT*d表示词向量矩阵，T表示数据包中的字节数量，d表示词向量维度，Xi＝{xi1,xi2,…,xit,…xiT}表示第i个数据包字节信息词向量的集合； 步骤2：将词向量集合Xi＝{xi1,xi2,…,xit,…xiT}输入到字节层次中的BiTCN层，并进行批归一化处理，之后TCN对输入的字节数据词向量进行编码； 步骤3：引入字节注意力机制，计算字节的权重分布，对重要的特征赋予更高的权重，获得带字节权重的数据包向量pi； 步骤4：获得带字节权重的数据包向量pi之后，将其作为输入数据传进数据包层次的BiTCN层中； 步骤5：数据包层次的BiTCN层对输入的数据包向量pi进行编码； 步骤6：引入数据包注意力机制，计算数据包的权重分布，对重要的特征赋予更高的权重，最终得到时序特征f1； S3:将时序特征f1和空间特征f2相融合生成流量时空特征向量f，并输入到Softmax分类器，得出最终的流量类别。

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江苏大学，其通讯地址为：212013 江苏省镇江市京口区；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。