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！

龙图腾网获悉四川广播电视监测中心申请的专利一种基于自注意力深度自编码神经网络的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：CN121037112B 。

龙图腾网通过国家知识产权局官网在2026-01-23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：202511553653.7，技术领域涉及：H04L9/40；该发明授权一种基于自注意力深度自编码神经网络的入侵检测方法是由彭丽维;聂鹏;李庆龙设计研发完成，并于2025-10-29向国家知识产权局提交的专利申请。

本一种基于自注意力深度自编码神经网络的入侵检测方法在说明书摘要公布了：本发明涉及入侵检测技术领域，公开了一种基于自注意力深度自编码神经网络的入侵检测方法，包括获取待检测入侵行为的网络流数据；构建自注意力深度自编码神经网络模型并进行预训练；所述自注意力深度自编码神经网络模型包括逐层映射的前向神经网络模块、注意力模块和后处理模块；利用逐层映射的前向神经网络模块对网络流数据进行逐层映射，提取多层次的网络流特征；利用注意力模块对多层次的网络流特征进行特征空间注意力和网络层间注意力的加权融合，得到网络流深度融合特征；利用后处理模块对网络流深度融合特征进行分类，得到入侵检测结果。本发明通过挖掘网络入侵行为的深度融合特征，从而实现入侵行为的有效识别。

本发明授权一种基于自注意力深度自编码神经网络的入侵检测方法在权利要求书中公布了：1.一种基于自注意力深度自编码神经网络的入侵检测方法，其特征在于，包括以下步骤： 获取待检测入侵行为的网络流数据； 构建自注意力深度自编码神经网络模型并进行预训练；所述自注意力深度自编码神经网络模型包括逐层映射的前向神经网络模块、注意力模块和后处理模块； 利用逐层映射的前向神经网络模块对网络流数据进行逐层映射，提取多层次的网络流特征；其中利用逐层映射的前向神经网络模块对网络流数据进行逐层映射时的网络映射参数训练方法包括： 以最小化数据空间与重构数据空间的重构误差和样本空间的局部结构保持误差为学习目标，具体为： ； 其中，min为取最小值函数，F为总目标函数，H为网络映射参数，为第l层隐含层对应的重构参数矩阵，为第l层隐含层的输出特征，为第l层隐含层输出特征映射后的特征数据，,为正则化参数，tr为矩阵的迹，M为约束矩阵，为第l层隐含层与第l+1层隐含层之间的网络映射参数，为范数，T为转置操作； 计算各层隐含层的网络映射参数，包括： 随机初始化各层隐含层的网络映射参数，根据各层隐含层的初始网络参数确定各层隐含层的初始特征映射结果； 根据各层隐含层的初始特征映射结果，利用总目标函数计算各层隐含层对应的重构参数矩阵；具体为： ； 其中，I为单位矩阵； 根据各层隐含层对应的重构参数矩阵，利用网络参数近似模型计算各层隐含层的特征映射结果；具体为： ； 根据各层隐含层的特征映射结果，利用总目标函数重新计算各层隐含层对应的重构参数矩阵； 根据重新计算的各层隐含层对应的重构参数矩阵计算各层隐含层的网络映射参数，具体为： ； 利用注意力模块对多层次的网络流特征进行特征空间注意力和网络层间注意力的加权融合，得到网络流深度融合特征；包括： 设定特征空间加权矩阵，根据多层次的网络流特征计算特征空间权重向量并进行归一化处理； 根据归一化后的特征空间权重向量和多层次的网络流特征计算各层隐含层对应的特征空间注意力特征； 设定网络层间转换矩阵，根据各层隐含层对应的特征空间注意力特征计算各层隐含层转换后的网络层间注意力特征； 设定网络层间加权矩阵，根据各层隐含层转换后的网络层间注意力特征计算各层隐含层对应的网络层间权重矩阵并进行归一化处理； 根据归一化后的网络层间权重矩阵和各层隐含层转换后的网络层间注意力特征计算网络流深度融合特征； 利用后处理模块对网络流深度融合特征进行分类，得到入侵检测结果，包括： 计算网络流深度融合特征到各个类别球心的欧氏距离； 根据计算的各个欧氏距离构建深度距离特征，并进行归一化处理； 根据归一化后的深度距离特征计算类别预测概率，得到入侵检测结果。

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四川广播电视监测中心，其通讯地址为：610095 四川省成都市红星中路119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。