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！

龙图腾网获悉广西师范大学申请的专利一种基于LSTM和注意力机制的网络入侵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：CN116502091B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202310494651.X，技术领域涉及：G06F18/214；该发明授权一种基于LSTM和注意力机制的网络入侵检测方法是由石凯文;钱俊彦;翟仲毅设计研发完成，并于2023-05-05向国家知识产权局提交的专利申请。

本一种基于LSTM和注意力机制的网络入侵检测方法在说明书摘要公布了：本发明公开了一种基于LSTM和注意力机制的网络入侵检测方法，包括如下步骤：1进行数据预处理、构建目标样本；2建立WGAN模型、合并新的训练样本；3建立基于LSTM和注意力机制的网络入侵检测模型；4获得的网络入侵检测模型中进行训练；5对模型进行性能测评。这种方法能提高检测准确率、少数类样本的检测率。

本发明授权一种基于LSTM和注意力机制的网络入侵检测方法在权利要求书中公布了：1.一种基于LSTM和注意力机制的网络入侵检测方法，其特征在于，包括如下步骤： 1下载NSL-KDD网络入侵数据集并进行数据预处理、构建目标样本：所述数据预处理即对数据进行整合、对其中字符型的属性进行数值化操作，然后进行归一化操作，包括： 1-1对原始样本进行预处理：具体为： 1-1-1对特征数据进行预处理即首先把数据集中值为空的数据列删除，然后把非数值型数据采用one-hot编码方式转化为数值型数据； 1-1-2采用归一化对数据集进行处理、提取数据集最后一列为分类标签，数据集按训练集：验证集的比例为8:2划分，其中，归一化的公式如公式1所示： 公式1x_max为特征值中的最大值，x_min为特征值中的最小值，x_norm为输出值，输出值在[0,1]之间； 1-2分离NSL-KDD数据集中数据量少于1000条数据为少数类数据，即U2R攻击类和R2L攻击类，采用WGAN对少数类样本进行过采样、采用随机欠采样技术对多数类样本进行欠采样平衡原始样本； 2建立WGAN模型对步骤1-2获取的数据进行数据增强，对正常流数据进行随机欠采样，合并成新的训练样本，具体为： 2-1首先定义生成器网络为G，判别器网络为D，输入为生成器随机噪声z和真实样本x，对于每个训练步骤，从真实数据集和生成器网络中生成的噪声z中随机抽取相同数量的样本； 2-2将真实样本x和生成器生成的样本Gz分别输入判别器网络，得到判别器对真实样本和生成样本的预测结果Dx和DGz，计算Wasserstein距离即Dx和DGz之间的差异，如公式2所示： Wasserstein＝E[Dx]-E[DGz]2， 其中E[]表示期望值即对样本进行平均计算； 2-3根据Wasserstein距离的值来更新生成器和判别器的参数，为了最大化Wasserstein距离，最小化判别器对生成图像的预测结果DGz，并最大化判别器对真实图像的预测结果Dx，重复步骤直到模型收敛； 2-4在NSL-KDD数据集中，利用随机欠采样技术在原始67343条正常流数据中随机选取50000条正常流数据； 2-5合并正常流数据、增强的少数类数据和未挑选类型的攻击数据为训练样本； 3建立基于LSTM和注意力机制的网络入侵检测模型：包括： 3-1采用长短期记忆网络LSTM进行数据集中的特征提取，具体为： 3-1-1采用长短期记忆网络LSTM中的输入门、遗忘门和输出门提取数据中的时序特征； 3-1-2对提取到的特征延深度方向堆叠； 3-2采用自注意力机制对特征进行更新：具体为： 将每次的输入定义为其中在LSTM中经过记忆单元计算得到每个时间步的输出Oi＝[O1,O2,......,Ot]和最后时间步的隐藏状态Ht，用函数g表示LSTM模型内部的操作，如公式3所示： 然后，建立每个时间步Oi对于Ht的权重，在时间步t时，采用公式4计算权重矩阵Keyt，Valuet，Query，得分et和权重at： 在公式4中，每个时间步的输出Ot经过线性变换后成为Key和Value，ωK，ωV和ωQ是神经网络的参数，经过每次反向传播更新，然后采用公式5将权重at和Valuet进行加权求和，得到向量Z： 公式5循环更新h次，得到z1，z2，...，zt，将z1，z2，...，zt进行拼接然后做一次线性变换后输出，如公式6所示： MultiHeadQ,K,V＝Concatz1,z2,...,ztωz6； 3-3采用softmax对数据进行分类：经过全连接层得到分类任务的预测值，如公式7所示： y＝Softmaxwi·MultiHeadQ,K,V+b7； 4将步骤2合并的训练样本输入到步骤3获得的网络入侵检测模型中进行训练：将训练集输入到网络入侵检测模型中进行训练时采用Adam优化器、学习率为0.0001、批次为64，所有数据都训练结束为一次循环，循环100次； 5采用准确率acc和F-measure值对模型进行性能测评： 进行性能测评的各个指标定义如公式8、公式9所示：

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广西师范大学，其通讯地址为：541004 广西壮族自治区桂林市育才路15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。