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！

龙图腾网获悉云仓库(广东)信息科技有限公司申请的专利一种基于深度学习的网络安全预警方法及系统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：CN118353667B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202410480444.3，技术领域涉及：H04L9/40；该发明授权一种基于深度学习的网络安全预警方法及系统是由钟文设计研发完成，并于2024-04-22向国家知识产权局提交的专利申请。

本一种基于深度学习的网络安全预警方法及系统在说明书摘要公布了：本发明公开了一种基于深度学习的网络安全预警方法及系统，方法包括：从网络流量中获取网络流量数据；构建生成对抗网络攻击数据，训练和优化鉴别器；根据网络流量数据的特征构建时间序列模型和设定异常检测规则；设计动态调整的联邦学习框架对各节点的性能进行优化学习；构建周期性更新机制，定期从中央服务器获取模型更新；在关键网络节点部署感应器，实时监控网络流量数据，并对数据进行分析和异常检测，当存在异常情况及时发出警报。本发明提高了网络安全系统的防御效能和智能化水平，还增强了其适应性和实用性，使其能够有效应对现代网络安全威胁。这些特点使得本发明在网络安全领域具有显著的技术进步和实用价值。

本发明授权一种基于深度学习的网络安全预警方法及系统在权利要求书中公布了：1.一种基于深度学习的网络安全预警方法，其特征在于，所述方法包括： S1、从网络流量中获取网络流量数据，对网络流量数据进行预处理，构建基于强化学习的动态自适应模型对实时数据进行动态调整； S2、构建生成对抗网络攻击数据，训练和优化鉴别器，包括： S201、输入随机噪声向量到生成器输出合成的网络攻击数据样本，再输入真实数据样本或生成器输出的合成样本到鉴别器输出单个标量； S202、引入边缘损失更新生成器损失函数和鉴别器损失函数，并对生成器和鉴别器进行训练，表示如下 ； 其中，表示预设的边界距离，表示控制边界损失重要性的超参数，表示生成样本与真实样本之间的欧几里得距离； ； 其中，表示用于调整对真实样本过度自信的惩罚项； S203、采集不同网络层的流量数据，对每个网络流量数据进行特征提取和标注，再对网络流量数据进行预处理，形成数据集，将数据集分为训练集、验证集和测试集，设定评估指标对网络进行评估，将生成对抗网络生成的攻击样本定期集成到现有安全系统的训练数据中，用于提升系统对未知攻击的识别能力，定期更新集成生成对抗网络模型，以包括新出现的攻击模式和策略，确保生成的攻击样本始终反映最新的威胁； 所述对每个数据包或流进行特征提取和标注，具体如下： 对每个网络流量数据进行特征提取，特征向量表示为，其中每个表示数据中的一个特征； 手动或使用自动化工具标注数据集，标签表示数据包是否为恶意行为，，其中1表示恶意，0表示正常； S3、根据网络流量数据的特征构建时间序列模型和设定异常检测规则，使用机器学习增强检测规则，将时间序列模型部署实时监控系统中实时获取网络流量数据检测潜在威胁，同时设定动态适应性指标检测当前时间序列模型的性能；其中，所述动态适应性指标表示如下： ； 其中，表示在测试期间正确检测到的新攻击类型的数量；表示测试期间出现的新攻击类型总数；表示从攻击发生到被检测到的平均时间；表示权重系数； S4、设计动态调整的联邦学习框架对进行网络流量监控的各节点的性能进行优化学习，基于各节点的数据自动调整模型参数，实时监控并反馈数据，通过自适应调整学习率实现跨节点性能比较和模型共享； S5、构建周期性更新机制，定期从中央服务器获取模型更新； S6、在关键网络节点部署感应器，实时监控网络流量数据，并对数据进行分析和异常检测，当存在异常情况及时发出警报； 所述S1具体包括： S101、从网络流量中收集网络流量数据，将网络流量数据按时间窗口分批处理，利用自动编码器作为特征提取器将网络流量数据转换成一个低维特征向量，即，其中，代表编码器的参数，再使用降噪自编码器增强模型对噪声的鲁棒性； S102、构建所述基于强化学习的动态自适应模型，如下所示： 设计一个神经网络分类器以特征向量为输入，输出威胁评估概率,其中，是Sigmoid激活函数，用于二分类； 采用在线学习策略，允许模型实时更新，当新数据到来时，使用小批量梯度下降方法实时更新网络参数和； 实施自适应学习率，用于调整参数更新速率； S103、定义一个动态阈值，若威胁评估概率＞动态阈值，则识别潜在威胁； S104、实施自动化响应策略，同时响应策略根据威胁等级和类型自动调整； S105、通过定期回顾模型的表现和误差分析，调整模型结构和参数，同时使用反馈数据进行模型再训练； 所述S4具体包括： S401、对网络中的各个节点进行初始评估，表示如下： ； 其中，表示节点的节点评分，表示效率，表示数据质量，表示计算能力，表示权重系数； S402、根据节点评分，动态地将节点分为高性能节点和低性能节点； S403、各节点实时监控网络流量，通过强化学习算法调整节点之间的信息交换频率和数据处理策略，表示如下： ； 其中，表示在状态采取行动的质量函数，表示奖励函数，表示学习率，表示折扣因子； S404、根据从各节点收集的数据和反馈，自动调整全局模型的参数，并部署到所有的节点； S405、设定并监测关键性能指标，采集指标数据进行分析，自动调整学习参数和数据同步策略，再根据模型在不同节点的表现自适应调整学习率优化联邦学习过程，定期比较不同节点递交的模型性能，识别表现最优的模型并将其参数或策略推送到其他节点； 所述再根据模型在不同节点的表现自适应调整学习率优化联邦学习过程，其中，学习率调整函数表示如下： ； 其中，表示初始学习率，表示调整强度系数，表示第个节点在时间的误差率。

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云仓库(广东)信息科技有限公司，其通讯地址为：510000 广东省广州市天河区灵山东路4号801室(部位 : 801)；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。