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！

龙图腾网获悉西藏大学申请的专利基于深度学习图神经网络理论的威胁节点感知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：CN116527346B 。

龙图腾网通过国家知识产权局官网在2026-02-06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：202310426785.8，技术领域涉及：H04L9/40；该发明授权基于深度学习图神经网络理论的威胁节点感知方法是由杨进;朱云飞;群诺;倪胜巧;陈晨;李果设计研发完成，并于2023-04-20向国家知识产权局提交的专利申请。

本基于深度学习图神经网络理论的威胁节点感知方法在说明书摘要公布了：本发明公开了基于深度学习图神经网络理论的威胁节点感知方法，以提高网络安全性能，威胁节点的检测效率和正确率，包括：将原始数据流量进行数据清洗，并利用Apriori算法进行信息关联规则生成，再进行特征转换和数据预处理的步骤，得到能预处理数据；基于关联规则，将涉及到的节点之间的关系构建出舆情关键节点拓扑结构；利用图的傅里叶变换，将时域信号转换为频域，利用拉普拉斯矩阵求解特征值，构建舆情信息的谱域图模型；定义图神经网络的结构，使用预处理数据和舆论关键节点拓扑结构来训练谱域图模型；之后使用交叉验证集来检测谱域图模型的预测结果是否正确，并计算谱域图模型的准确率、精确率、召回率和F1得分指标。

本发明授权基于深度学习图神经网络理论的威胁节点感知方法在权利要求书中公布了：1.基于深度学习图神经网络理论的威胁节点感知方法，其特征在于：包括下述步骤： 1将原始数据流量进行数据清洗，并利用Apriori算法进行信息关联规则生成，再继续进行特征转换和数据预处理的步骤，以得到节点特征矩阵和进行谱域图模型训练的预处理数据； 2经步骤1后，将节点特征矩阵和网络会话信息节点的邻接矩阵组合在一起，构建出舆情关键节点的拓扑结构； 3利用图的傅里叶变换，将步骤2拓扑结构的时域信号转换为频域，利用拉普拉斯矩阵求解特征值，构建舆情信息的谱域图模型；并定义图神经网络的结构，将预处理数据和舆论关键节点的拓扑结构输入改进的谱图卷积网络架构的图神经网络进行训练；改进的谱图卷积网络将学习提取区分特征并根据图中节点的拓扑信息对威胁节点进行分类；其中，所述改进的谱图卷积网络架构包括： 输入层：输入层将图形信号X作为输入，它是一个NxF矩阵，其中N是图形中的节点数，F是每个节点的特征数； 改进的图卷积层：采用谱分解卷积在图上进行卷积操作，对拉普拉斯矩阵进行谱分解，得到其特征值和特征向量，然后将特征向量作为滤波器的系数，对输入的图信号进行频谱过滤，从而提高图信号的频谱过滤能力，增强模型的分类性能； 改进的图注意力机制层：用于捕捉节点之间的重要性，从而对节点特征进行加权聚合，在改进的图注意力机制层中，使用多头注意力机制，使它让模型学习多个不同的注意力表示，从而加强对不同节点的关注程度，提高威胁节点的感知能力；每个节点都有一个向量表示其特征，图注意力机制将这些向量作为输入，并将它们映射到一个注意力向量上；然后，注意力向量被用来计算每个节点的加权和；改进的图注意力机制层的输出是一个新的图信号X”，它是一个NxF”矩阵，其中F”是每个节点的输出特征数； 输出层：将经过多层图卷积和池化操作后的节点特征作为输入，使用softmax函数将它们映射到一个概率分布上，该概率分布表示每个节点属于每个类别的概率；该输出层的输出用来进行节点分类任务，其数学表达式如下：其中，是汇集层上第j个节点的特征，WL和bL是汇集层到输出层的权重和偏置，softmax是激活函数，yi是节点i属于不同类别的概率分布，N是图形中的节点数； 4完成谱域图模型的训练之后，对谱域图模型进行测试和评估：使用预处理数据中的交叉验证集来检测谱域图模型的预测结果是否正确，并计算谱域图模型的准确率、精确率、召回率和F1得分指标。

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西藏大学，其通讯地址为：850000 西藏自治区拉萨市城关区藏大东路10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。