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！

龙图腾网获悉江西警察学院申请的专利一种基于跨模态对齐的网络行为表征学习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：CN120934914B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202511462545.9，技术领域涉及：H04L9/40；该发明授权一种基于跨模态对齐的网络行为表征学习方法及系统是由邹航菲;邵国林;郑英豪;魏嘉鲲;徐健锋;涂敏;黄学坚;吴胜益;周颖;欧阳欢设计研发完成，并于2025-10-14向国家知识产权局提交的专利申请。

本一种基于跨模态对齐的网络行为表征学习方法及系统在说明书摘要公布了：本发明公开了一种基于跨模态对齐的网络行为表征学习方法及系统，属于人工智能与网络安全领域。该方法包括：从网络行为中提取统计特征、包长序列和载荷序列三种模态的数据；为各模态设计独立的特征提取网络，将其映射至统一的共享语义空间；引入一种双重对比约束机制进行跨模态对齐学习，通过一个复合损失函数进行优化：一方面，通过最小化同一样本的不同模态特征间的距离，实现组内聚合；另一方面，通过一个预设间隔拉远不同样本的对应模态特征，实现组间区分；有效抑制了模型对偶然性模式的学习，增强了对攻击本质特征的捕捉能力。本方法能够显式建模跨模态结构关系、挖掘本质攻击模式，以提升IoT攻击检测的泛化能力。

本发明授权一种基于跨模态对齐的网络行为表征学习方法及系统在权利要求书中公布了：1.一种基于跨模态对齐的网络行为表征学习方法，其特征在于，包括以下步骤： 获取网络行为样本，并从所述网络行为样本中提取统计特征数据、包长序列数据和载荷字节序列数据； 利用独立的特征提取网络，将所述统计特征数据、所述包长序列数据和所述载荷字节序列数据分别映射为共享语义空间中的第一模态特征向量、第二模态特征向量和第三模态特征向量； 基于联合损失函数对所述独立的特征提取网络进行训练，所述训练的过程施加模态对齐，所述模态对齐为基于样本排斥约束的条件下，进行最小化源自同一网络行为样本的所述第一模态特征向量、所述第二模态特征向量和所述第三模态特征向量两两之间的距离，所述样本排斥约束为最大化源自不同网络行为样本的对应模态特征向量之间的距离；所述联合损失函数是通过对分类损失、用于实现所述模态对齐约束的组内模态对齐损失和用于实现所述样本排斥约束的组间模态排斥损失进行加权求和得到的； 所述组内模态对齐损失的计算方式为：针对同一网络行为样本，计算所述第一模态特征向量与所述第二模态特征向量间的第一余弦距离、所述第一模态特征向量与所述第三模态特征向量间的第二余弦距离、以及所述第二模态特征向量与所述第三模态特征向量间的第三余弦距离；将所述第一余弦距离、所述第二余弦距离和所述第三余弦距离求和，得到所述组内模态对齐损失； 所述组间模态排斥损失的计算方式为：针对两个不同的网络行为样本，计算两个不同的网络行为样本的第一模态特征向量之间的第四余弦距离、第二模态特征向量之间的第五余弦距离、以及第三模态特征向量之间的第六余弦距离；将所述第四余弦距离、所述第五余弦距离和所述第六余弦距离求和，得到距离之和，再利用预设边距参数减去所述距离之和，得到所述组间模态排斥损失； 将经过训练后得到的所述第一模态特征向量、所述第二模态特征向量和所述第三模态特征向量进行融合，以生成融合特征向量，并基于所述融合特征向量对所述网络行为样本进行分类。

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江西警察学院，其通讯地址为：330000 江西省南昌市新建区梅岭大道1666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。