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！

龙图腾网获悉厦门大学申请的专利一种基于双分支模型的网络异常检测方法及装置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：CN119155214B 。

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：202411144834.X，技术领域涉及：H04L43/0805；该发明授权一种基于双分支模型的网络异常检测方法及装置是由唐余亮;王伊琳;戴宇;刘涵设计研发完成，并于2024-08-20向国家知识产权局提交的专利申请。

本一种基于双分支模型的网络异常检测方法及装置在说明书摘要公布了：一种基于双分支模型的网络异常检测方法及装置，涉及无线通信、人工智能及大数据分析。首先从通信终端获取性能时间序列数据进行数据预处理，包括过采样、欠采样以及特征选取；然后构建异常检测网络进行离线训练，将历史数据分别输入对比学习分支以及注意力机制分支，学习数据结构内部关联、先验关联以及序列关联并计算对比损失以及重构损失，通过联合优化多任务损失函数，得到异常检测网络；在线检测阶段使用离线阶段训练得到的异常检测网络进行网络异常检测并进行周期性反馈，将网络异常时刻数据收集至历史数据库，周期性更新异常检测网络参数。

本发明授权一种基于双分支模型的网络异常检测方法及装置在权利要求书中公布了：1.一种基于双分支模型的网络异常检测方法，其特征在于包括以下步骤： 1数据预处理：从通信终端获取KPI数据进行数据预处理，包括过采样、欠采样以及特征选取； 2构建并优化异常检测网络：将步骤1预处理后的数据输入离线训练模块构建异常检测网络并进行离线训练，将预处理后的数据分别输入对比学习分支以及注意力机制分支，学习数据结构内部关联、先验关联以及序列关联并计算对比损失以及重构损失，通过联合优化多任务损失函数，计算异常分数，得到优化后的异常检测网络； 所述将预处理后的数据分别输入对比学习分支以及注意力机制分支，其中包括：对比学习分支包含两个相同结构的子网络，均使用多层感知器将输入样本映射到低维嵌入；定义从单个设备测量的时间序列数据为其中，xi∈Rd表示时间t的观测值，d为时间序列维度；将原始序列复制多份,对每个时刻的多元时间序列数据在不同位置进行分片组合，即数据重组，根据指标个数确定分片大小k，分为s、b两部分，组合数为m＝d-k+1；和j＝j'时这两个互补的组合是一对正例对，其余组合均为负例对,表示对X的数据重组；通过对比学习学习一个特征空间，最大化正样本之间的相似性，同时最小化负样本之间的相似性，从而学习到数据结构内部的关联；对比损失Lc由以下交叉熵损失函数计算： 其中，代表第i个时间点在第j个指标位置的分片数据，m为分片重组后的组合数，exp指的是以自然常数e为底的指数函数，ln指的是以e为底数的对数函数，M·、N·代表对比学习两个子网络，超参数τ为对比损失的温度常数； 所述将预处理后的数据分别输入对比学习分支以及注意力机制分支，其中包括：由于单分支自注意力机制不能同时对先验关联和序列关联进行建模，使用多层具有双分支结构的自注意力机制；对于先验关联，采用一个可学习的高斯核来计算关于相对时间距离的先验；还对高斯核使用一个可学习的尺度参数σ，使得先验关联能够适应不同的时间序列模式； 初始化注意力机制参数查询Q、键K、值V、σ，其中，σ表示学习到的尺度，基于学习到的尺度生成先验关联，第i个元素对应第i个时间点； 具体来说，对于第i个时间点，其与第j个时间点的关联权重由高斯核计算： 其中，分别表示第l层中Q、K、V、σ的参数矩阵然后使用重缩放将关联权重转化为离散分布，定义为先验关联： 利用Softmax函数将注意力图沿最后一个维度进行归一化，每一行Series形成一个离散分布，序列关联定义为： 通过自注意力机制，定义关联偏差为先验关联和序列关联之间的对称KL散度，关联偏差表示这两个分布之间的信息增益；定义自注意力分支的重构损失Lrec为重构差异及关联偏差的加权： 其中，表示序列的重构，‖·‖F和‖·‖K分别表示Frobenius和K范数；L表示注意力层数；KL·||·表示在两个离散分布之间计算的KL散度；Ap和As分别代表先验关联和序列关联；θ用来权衡损失项，当θ0时扩大关联偏差； 3在线检测与反馈：在线检测阶段，使用步骤2得到的异常检测网络进行实时的网络异常检测，检测结果进行周期性反馈，将异常数据收集至历史数据库，根据周期性反馈的数据同，定期更新异常检测网络参数，优化检测结果。

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厦门大学，其通讯地址为：361005 福建省厦门市思明南路422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。