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！

龙图腾网获悉江苏省市场监督管理局数据中心申请的专利基于周期模式挖掘与增量学习的日志异常行为检测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：CN120407336B 。

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：202510732211.2，技术领域涉及：G06F11/30；该发明授权基于周期模式挖掘与增量学习的日志异常行为检测方法及系统是由郭锦华;卜意磊;张文茜;南乐;王瑶;朱涛;殷文浩;袁伟建;蔡苏平;李青;呼晓瑶;施勤;李嘉硕;庞文迪;曹卫;唐建;陆晓设计研发完成，并于2025-06-03向国家知识产权局提交的专利申请。

本基于周期模式挖掘与增量学习的日志异常行为检测方法及系统在说明书摘要公布了：本发明公开了基于周期模式挖掘与增量学习的日志异常行为检测方法及系统，涉及系统异常监测技术领域。该方法包括：获取原始日志数据并执行预处理操作；通过时间频率分析提取主要周期频率分量构成周期集合，划分周期稳定部分序列与瞬态变化部分序列并分别使用周期建模机制和瞬态建模机制进行建模；构建联合预测模型，引入蒙特卡洛Dropout估计不确定性，并采用贝叶斯加权生成预测值；通过周期残差、瞬态残差与整体残差判定异常，结合转移熵分析识别异常因果路径；采用记忆样本驱动的回放与蒸馏机制执行增量训练，并动态调整建模结构参数。本发明具备周期规律建模、非稳态行为表达、预测融合、异常因果识别与模型持续学习能力。

本发明授权基于周期模式挖掘与增量学习的日志异常行为检测方法及系统在权利要求书中公布了：1.基于周期模式挖掘与增量学习的日志异常行为检测方法，其特征在于，所述方法包括： 获取市场监管平台的原始日志数据，并执行时间戳标准化、日志模板归一化与关键字段抽取的预处理操作，构建按时间顺序排列的日志指标序列作为输入序列； 对所述输入序列执行周期模式挖掘，采用时间频率分析方法提取前N个能量谱峰的频率分量构成正常行为的周期集合，根据所述周期集合将输入序列划分为周期稳定部分序列与瞬态变化部分序列； 对所述周期稳定部分序列采用周期建模机制进行编码，所述周期建模机制采用线性编码器，并引入周期稳定性评分驱动的自适应线性约束以增强跨时段一致性； 对所述瞬态变化部分序列使用瞬态建模机制进行建模，所述瞬态建模机制包括对瞬态变化部分序列执行变分模态分解以提取若干本征模态函数分量，并选择高频非稳态分量输入固定维度的Koopman动态编码-解码器结构，在编码器输出的状态空间中引入Koopman线性算子建模状态演化，并通过动态模态分解进行在线估计； 将所述周期建模机制与所述瞬态建模机制组成联合预测模型，引入蒙特卡洛Dropout估计预测不确定性，并基于贝叶斯加权生成最终的预测值；将所述周期建模机制与所述瞬态建模机制组成联合预测模型，包括： 周期稳定部分序列基于周期建模机制生成对应的预测输出，瞬态变化部分序列基于瞬态建模机制生成对应的预测输出； 在周期建模机制与瞬态建模机制的预测过程中分别引入蒙特卡洛Dropout执行多次前向传播，生成多个预测输出样本，并基于多个预测输出样本计算周期建模机制与瞬态建模机制的预测均值与预测方差用于不确定性估计； 基于周期建模机制与瞬态建模机制的预测方差构建贝叶斯加权策略，令权重与预测方差成反比分配，生成最终的预测值，融合公式如下： ； 其中，和分别为周期建模机制与瞬态建模机制的预测输出，和分别为周期建模机制与瞬态建模机制的预测方差； 在预测融合过程中引入置信门控机制，当周期建模机制与瞬态建模机制的预测方差之间的差异超过设定的差异阈值时，跳过贝叶斯加权，直接选择预测方差小的建模机制预测输出作为最终的预测值； 所述联合预测模型在运行过程中持续执行动态预测输出、不确定性估计与贝叶斯加权融合，用于支持周期残差、瞬态残差与整体残差的计算过程； 将实时的日志指标序列输入所述联合预测模型生成预测值，计算周期残差、瞬态残差及整体残差并与预设的异常阈值进行比较，若超出所述异常阈值，则输出异常告警，并执行残差传播分析，采用转移熵识别异常因果路径与潜在根因。

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苏省市场监督管理局数据中心，其通讯地址为：211000 江苏省南京市鼓楼区草场门大街107号龙江大厦16楼；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。