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！

龙图腾网获悉燕山大学申请的专利一种物联网入侵检测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：CN118473739B 。

龙图腾网通过国家知识产权局官网在2026-03-03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：202410568980.9，技术领域涉及：H04L9/40；该发明授权一种物联网入侵检测方法是由王倩;王学航;刘韩;孟伟伦设计研发完成，并于2024-05-09向国家知识产权局提交的专利申请。

本一种物联网入侵检测方法在说明书摘要公布了：本发明公开了一种物联网入侵检测方法，属于网络安全入侵检测领域，包括步骤1，将入侵检测数据集送入GWR‑GCN特征提取器提取源域和目标域的域不变特征；步骤2，定义Copula距离，分别考虑单一特征对数据分布的影响和不同特征之间相关性对数据分布的影响，进一步缩小源域、目标域特征分布的距离；步骤3，构建基于条件域对抗入侵检测模型进行攻击检测，通过在鉴别器中添加类信息条件，减少域偏移对跨域检测性能的影响，提高特征分布对齐的准确性，加强了模型在物联网入侵检测方面的跨领域检测能力。本发明能够更好的进行域不变特征提取和数据分布对齐，同时也具有更好跨领域入侵检测性能。

本发明授权一种物联网入侵检测方法在权利要求书中公布了：1.一种物联网入侵检测方法，其特征在于：包括以下步骤： 步骤1，将入侵检测数据集送入GWR-GCN特征提取器提取源域和目标域的域不变特征；其中GWR-GCN特征提取器通过将数据样本转化为图节点，对相关样本连接在一起构建出图结构数据，并通过图卷积的方法挖掘样本之间的关联信息；具体包括： 1.1，利用按要求增长网络GWR将入侵检测数据转换为图结构数据的算法流程如下： 假设是入侵检测数据集，每个数据样本代表一个节点，是所选样本节点的集合，表示第个节点，是第个节点权重向量；是边的集合，age表示边的权重，为权重阈值；为节点的访问强度，为初始访问强度，步骤如下： 1.1.1，从入侵检测数据集中随机选取两个节点样本和组成集合； 1.1.2，初始化边集为空集； 1.1.3，从入侵检测数据集中随机选取一个未选择过的样本作为新输入的样本节点； 1.1.4，对每个节点，计算其到新输入节点的距离； 1.1.5，选取最佳样本节点和次最佳样本节点； 1.1.6，如果边不存在则创建它，并设其权重age为0； 1.1.7，计算节点与最佳匹配节点的相似性； 1.1.8，如果小于相似性阈值，并且访问强度小于访问强度阈值，则在和之间添加一个新的节点，创建权向量：，创建边和并删除旧边； 1.1.9，否则，不增加新的样本节点，调整最佳样本节点及其邻居节点的位置：,，，为节点的访问强度，、为位置更新参数； 1.1.10，增加与相连的所有边的权重： 1.1.11，更新最佳匹配节点及其邻居节点的访问强度： 其中，为访问强度常数，、、为访问方程参数，为第个节点在第次被算法访问时对应的访问强度； 1.1.12，去除所有权重大于权重阈值的边，去除所有孤立样本结点； 1.1.13，若数据集中存在未被选取的样本，返回步骤1.1.3继续选取； 1.1.14，根据节点集和边集合构建出入侵检测数据集相对应的图结构数据G； 1.2，通过图卷积神经网络GCN对输入的图结构数据进行处理，挖掘相关联节点之间的特征信息，具体包括以下内容： 图卷积神经网络GCN是直接对图进行运算的神经网络；无向图由表示，其中是节点集合，代表边集合，是一个由个节点和相应特征组成的特征矩阵，为节点个数，为特征向量维度；给定邻接矩阵，每个图卷积神经网络GCN层都写成非线性函数： 其中，为输入特征矩阵，，为第1层特征矩阵；和分别是权重矩阵和偏置矩阵，是每个节点输出特征的维度；是一个非线性激活函数；是归一化对称邻接矩阵，计算为： 其中，是无向图的度矩阵，是单位矩阵；如果多个卷积层堆叠在一起，则聚合来自更远相连节点的信息： 其中，表示第层特征矩阵，和分别是第层图卷积神经网络GCN的权重矩阵和偏置矩阵；在入侵检测的图结构数据建立之后，图结构数据被输入到多层图卷积神经网络GCN中，通过对各个节点信息和各节点相关联信息的挖掘，最终提取出能够进行跨域学习的域不变特征； 最后，将经过多层图卷积神经网络GCN提取的特征数据输入到softtmax分类器中，对每个样本节点进行分类预测，Z是样本的预测结果，其中选取ReLU作为激活函数，计算各节点的交叉熵损失函数： 图卷积神经网络GCN通过堆叠卷积层来聚合来自各个相连节点的信息，这种方法考虑到节点本身和其他节点的相关系，有助于提取更加能表示全局信息的特征，从而在领域自适应中构建域不变特征； 步骤2，利用Copula分布对齐方法对步骤1中得到的源域和目标域的域不变特征进行分布对齐； 通过定义Copula距离将源域和目标域的总体特征分布差异分为单一特征边缘分布差异和特征之间联合分布差异，减小源域和目标域特征的边缘分布差异和联合分布差异，实现数据分布对齐； 基于copula距离的数据分布对齐方法具体包括： Sklar定理指出，任何多元分布都能够分解为边际分布和一个copula函数的乘积，反之亦然；因此，copula函数与边际分布能够恢复原来的多元分布；连续密度函数能够写成边际分布和Copula密度函数的乘积，如下式所示： 其中， 将数据分布总体差异划分为单一特征的边缘差异和不同特征之间的相关性差异两部分，不同特征之间的相关性差异通过Copula距离来度量；Copula是一个用于描述多个随机变量之间相互关系的函数，Copula能够分离多个随机变量的边缘分布与随机变量之间的依赖结构；通过使用Copula，能够更好地描述和建模多个特征之间的关系，而不受各自特征边缘分布的影响； 给定多随机变量，及其边缘分布和Copula密度函数则Copula熵定义为： 使用copula函数能够对随机向量中任何分量[]之间的相关程度进行清晰的定量化；特征和之间的相关性由公式10来表示： 其中，为[]的联合分布，、表示边缘分布，是密度函数；因此，对于特征和之间相互依赖关系的度量，等价为计算和的互信息； 设两个随机向量为和，其中，设和是和任意分量对[]和[]各自的累积联合分布；设为分布差的度量；定义[]和[]两者之间的copula距离为： 随机向量X和Y之间的copula距离为： 基于copula的数据分布对齐方法，以更多的关注不同特征之间的相互关系或依赖性的差异，加强对边缘差异和相关性差异的敏感性；在源域上，将源域特征的数据分布分解为m个特征边际分布和特征之间的copula距离，同时对目标域进行同样的处理；对源域和目标域之间的总体数据分布差异分成边际差异和copula距离两部分进行评估，通过分割联合特征分布的总体差异，能够确定边际特征差异和copula距离分别对数据分布对齐的贡献程度； 将边际差异和copula距离作为源域和目标域的总体数据分布差异，得到数据分布对齐的目标函数Distence，通过最小化目标函数实现源域和目标域的数据分布对齐： 其中，源特征和目标特征之间的copula距离表示为，单一特征边缘差异之和表示为，为源域特征和目标域特征，分别表示源域第个特征和目标域第个特征； 步骤3，构建基于条件域对抗入侵检测模型进行攻击检测。

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燕山大学，其通讯地址为：066004 河北省秦皇岛市海港区河北大街438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。