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！

龙图腾网获悉重庆邮电大学申请的专利SDN环境下基于改进的残差卷积网络的细粒度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：CN115688000B 。

龙图腾网通过国家知识产权局官网在2026-01-13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：202211333871.6，技术领域涉及：G06F18/241；该发明授权SDN环境下基于改进的残差卷积网络的细粒度流量分类方法是由苏畅;刘艳清;谢显中设计研发完成，并于2022-10-28向国家知识产权局提交的专利申请。

本SDN环境下基于改进的残差卷积网络的细粒度流量分类方法在说明书摘要公布了：本发明涉及一种SDN环境下基于改进的残差卷积网络的细粒度流量分类方法，属于软件技术领域。为了提供更细粒度的应用感知流量分类，让网络运营商更好地分析网络组成以及管理和调度网络资源，对这些特定应用程序进行细粒度分类非常重要。传统方法倾向于基于协议对流量进行分类，这是粗粒度的分类，受计算机视觉方面研究的启发，本文将残差卷积网络的方法应用于网络流量的识别分类中，该方法解决了传统深度学习方法进行细粒度网络流量识别过程中随着网络深度的增加而出现的网络退化问题，能够有效学习更深层的网络特征进而实现细粒度的网络流量分类。

本发明授权SDN环境下基于改进的残差卷积网络的细粒度流量分类方法在权利要求书中公布了：1.SDN环境下基于改进的残差卷积网络的细粒度流量分类方法，其特征在于：该方法包括以下步骤： S1：对网络流量类别进行分类，定义网络流量拆分粒度； S2：在软件定义网络SDN中进行流量分类任务； S3：数据准备、数据预处理、数据可视化； S4：设计基于残差卷积网络的细粒度流量分类系统，具体为： 若将每一层都视为一个非线性函数，则整个网络视为一个复合的非线性多元函数： Fx=fn...f3f2f1x*w1+b1*w2+b2... 其中：Fx表示神经网络的输出，f表示激活函数处理之后的结果函数，x代表神经网络的输入，w代表权重，b代表偏置；这种链式结构的输出会随着网络层数以及激活函数的大小而呈指数级的变化，也就是深度学习中典型的的梯度爆炸和梯度消失问题； 深度残差网络是由一个个的残差模块堆叠而成，残差块的结构如下： 残差块分为恒等映射和残差映射两部分；设神经网络的输入是X，期望输出是Hx，通过直接映射的方式，直接把输入X传到输出，如果Fx和X的通道相同，则直接相加输出结果为Hx=Fx+X，如果Fx和X的通道不相同，则利用卷积神经网络中特殊的一维卷积核调整通道数使之与Fx通道相同，输出结果为：Hx=Fx+WX，当Fx=0时，两种情况下的输出结果为：Hx=X，即恒等映射； 1卷积层 设输入形状是nh*nw，卷积核的形状是kh*kw，填充大小为p，步长为s，那么输出形状为： 完整的特征图是通过多个卷积核来获得的，第l层第k个特征图在位置i,j的输出表示如下： 其中，和分别是第l层的第k个卷积核的权重向量和偏置项，是以第l层位置i,j为中心的感受野； 对于每个Mini-Batch，一次训练过程里面包含m个训练实例，对隐层内每个神经元的激活值进行如下变换： 卷积层的最后往往需要使用非线性激活函数，生成输入输出之间的非线性映射，进一步增强网络的特征学习能力，激活函数处理之后的输出表示为： 2自适应平均池化层 设padding为0，池化核的大小表示为： 在残差卷积网络中，从IDX文件中读取batch_size=n张，大小为I=28*28*1的灰度流量图片；然后经过两个残差层，每个残差层包括卷积层、批量归一化层和激活函数层，使用batchnorm和relu函数对网络结果进行优化，再通过一个卷积层和归一化层将其转化为n_classes个特征图，最后通过自适应平均池化层AdaptiveAvgPool2d输出每个类别的特征值。

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重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2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。