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！

龙图腾网获悉国网辽宁省电力有限公司信息通信分公司;南京南瑞信息通信科技有限公司申请的专利一种基于多层通道注意力的网络安全实体识别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：CN119990129B 。

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：202510068949.3，技术领域涉及：G06F40/295；该发明授权一种基于多层通道注意力的网络安全实体识别方法及系统是由孟勐;周金磊;王钧天;王丹妮;张文杰;于海;张福良;刘育博;李云鹏;刘衍;周毅;俞皓;姜训;姜帆;胡尔同;贾雪;马腾鹏设计研发完成，并于2025-01-16向国家知识产权局提交的专利申请。

本一种基于多层通道注意力的网络安全实体识别方法及系统在说明书摘要公布了：本发明公开了一种基于多层通道注意力的网络安全实体识别方法和系统，属于网络安全实体识别技术领域。具体方法包括：对真实的网络安全实体文本数据集进行数据预处理；构建基于多层通道注意力的命名实体识别模型，将预处理后的网络安全实体文本数据集输入所述命名实体识别模型进行模型训练，得到训练好的命名实体识别模型；将实际网络安全实体文本数据集输入所述训练好的命名实体识别模型，输出标签序列；根据输出的标签序列识别实际网络安全实体文本数据集中每个词的实体类别，实现基于多层通道注意力的网络安全实体识别。本发明能够精确识别网络安全文本中的多种实体类型，提升网络安全事件的监控和分析能力。

本发明授权一种基于多层通道注意力的网络安全实体识别方法及系统在权利要求书中公布了：1.一种基于多层通道注意力的网络安全实体识别方法，其特征在于，包括： 对真实的网络安全实体文本数据集进行数据预处理； 构建基于多层通道注意力的命名实体识别模型，将预处理后的网络安全实体文本数据集输入所述命名实体识别模型进行模型训练，得到训练好的命名实体识别模型，包括： 基于BERT模型、BiLSTM模型、MSCA和CRF模型构建基于多层通道注意力的命名实体识别模型；将预处理后的网络安全实体文本数据集分为测试集和待训练数据集；所述命名实体识别模型采用5折交叉验证进行训练，将待训练数据集分为5份，进行5轮交叉验证，每一轮交叉验证中选取1份数据作为验证集，剩余的4份数据作为训练集，每轮交叉验证均得到一个最优命名实体识别模型，包括： 将单份训练集输入所述命名实体识别模型的BERT模型，生成上下文敏感的嵌入向量；将生成的嵌入向量输入到所述命名实体识别模型的BiLSTM模型进行文本序列的双向特征提取，得到双向整合特征； 将BiLSTM模型提取的双向整合特征传入所述命名实体识别模型的MSCA进行多尺度特征提取，得到多尺度特征，包括： 将BiLSTM模型提取的双向整合特征传入所述命名实体识别模型的MSCA，结合普通卷积和空洞卷积的多尺度卷积提取并融合，获取初步融合的特征，包括： MSCA设置普通卷积的卷积核为1×1和3×3，依据不同的普通卷积的卷积核分别对双向特征进行特征提取；通过在空洞卷积的卷积核中插入固定的空洞间隔，依据空洞卷积的卷积核提取出双向特征中与普通卷积不同感受野的特征；将所述普通卷积和空洞卷积提取出的特征均通过批归一化进行标准化处理，并利用加法操作将普通卷积和空洞卷积提取出的特征进行特征融合，得到初步融合特征； 再采用通道注意力机制为不同通道的初步融合特征分配权重，获取通道注意力加权的特征，再将初步融合的特征和通道注意力加权的特征进行融合，得到最终的多尺度特征；将生成的多尺度特征输入到所述命名实体识别模型的CRF模型，对多尺度特征中每一位置的标签进行解码，输出当前最优标签序列；重复将训练集中的其余单份训练集输入所述命名实体识别模型，经过4次训练后得到4个不同输出的最优标签序列的命名实体识别模型；采用学习率衰减策略，根据不同输出的最优标签序列的命名实体识别模型在验证集上的性能动态调整所述模型的学习率，将4个所述模型中最优性能的命名实体识别模型，判定为本轮交叉验证的最优命名实体识别模型；5折交叉验证后，采用测试集验证5个每轮交叉验证得到的最优命名实体识别模型，获取5折交叉验证的最优命名实体识别模型； 将实际网络安全实体文本数据集输入所述训练好的命名实体识别模型，输出标签序列； 根据输出的标签序列识别实际网络安全实体文本数据集中每个词的实体类别，实现基于多层通道注意力的网络安全实体识别。

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国网辽宁省电力有限公司信息通信分公司;南京南瑞信息通信科技有限公司，其通讯地址为：110801 辽宁省沈阳市和平区宁波路18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。