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！

龙图腾网获悉同方知网数字科技有限公司申请的专利一种融合深度学习的异常资源占用实时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：CN121093239B 。

龙图腾网通过国家知识产权局官网在2026-02-24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：202511639986.1，技术领域涉及：G06F18/2433；该发明授权一种融合深度学习的异常资源占用实时预警方法及系统是由袁合钊;董凯凯;乔峤;张佳秋;陈绍华;代景旭;赵鑫淼设计研发完成，并于2025-11-11向国家知识产权局提交的专利申请。

本一种融合深度学习的异常资源占用实时预警方法及系统在说明书摘要公布了：本发明涉及数据处理技术领域，具体公开了一种融合深度学习的异常资源占用实时预警方法及系统，包括：采集系统的调用事件流，基于调用事件流构建分层动态资源有向图；基于分层动态资源有向图，利用分层图注意力网络进行优化并提取其拓扑特征，基于拓扑特征引入时间感知机制生成描述系统资源交互模式演化的时序拓扑图嵌入序列；基于时序拓扑图嵌入序列，使用层次化变分自编码器模型结合异常重建机制引导进行优化训练，计算当前交互模式与正常健康模式的偏离程度，获得模式异常分数序列；分析模式异常分数的连续偏离情况，在宏观资源指标出现异常之前，对异常资源占用进行实时预警。

本发明授权一种融合深度学习的异常资源占用实时预警方法及系统在权利要求书中公布了：1.一种融合深度学习的异常资源占用实时预警方法，其特征在于，所述方法包括： 采集系统的调用事件流，基于调用事件流构建分层动态资源有向图，具体包括进程层和资源层； 基于分层动态资源有向图，利用分层图注意力网络进行优化并提取其拓扑特征，基于拓扑特征引入时间感知机制生成描述系统资源交互模式演化的时序拓扑图嵌入序列； 基于时序拓扑图嵌入序列，使用层次化变分自编码器模型结合异常重建机制引导进行优化训练，计算当前交互模式与正常健康模式的偏离程度，获得模式异常分数序列； 分析模式异常分数的连续偏离情况，在宏观资源指标出现异常之前，对异常资源占用进行实时预警； 所述利用分层图注意力网络进行优化并提取其拓扑特征包括： 对分层动态资源操作有向超图的每个节点随机初始获得高维特征向量，收集不同层级内所有节点的高维特征向量，以及层内节点间有向边的权重，对于每个所属层级的每个节点，遍历其所有邻居节点，获取节点与邻居节点之间的注意力权重； 对分层动态资源操作有向超图的每个所属层级的节点特征更新； 更新完成特征表示后，对确定需要进行层间交互的节点对，再次获取节点对之间的层间注意力权重，利用层间注意力权重，对跨层节点的特征进行加权融合，得到包含层间交互信息的节点特征； 通过分层图注意力网络的l层网络进行迭代完成分层动态资源有向图的优化，基于优化后的分层动态资源有向图再次输入到分层图注意力网络中，获得拓扑特征； 所述使用层次化变分自编码器模型结合异常重建机制引导进行优化训练包括： 采集正常和异常状态下的时序拓扑图嵌入序列，所述时序拓扑图嵌入序列包括正常序列和异常序列； 设计一个同时考虑正常序列的正常样本拟合和异常序列的异常样本偏离的全局损失函数；所述全局损失函数包括基于正常样本的变分下界损失与正常序列的乘积和基于异常引导系数与异常样本的异常损失及异常序列的乘积； 在训练过程中，通过反向传播算法基于正常样本的变分下界损失与正常序列的乘积，优化正常样本的变分下界损失；基于异常引导系数与异常样本的异常损失及异常序列的乘积，优化异常样本的异常损失。

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同方知网数字科技有限公司，其通讯地址为：100192 北京市海淀区西小口路66号中关村东升科技园B-2号楼二层；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。