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！

龙图腾网获悉湖南科技大学申请的专利一种基于图对比聚类的加密流量分类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：CN121262158B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202511836349.3，技术领域涉及：H04L47/2441；该发明授权一种基于图对比聚类的加密流量分类方法及系统是由文吉刚;张西雨;谢鲲;陈宇翔设计研发完成，并于2025-12-08向国家知识产权局提交的专利申请。

本一种基于图对比聚类的加密流量分类方法及系统在说明书摘要公布了：本发明公开了一种基于图对比聚类的加密流量分类方法及系统，所述方法具体包括：将抓取的PCAP格式流量数据进行分组，并提取数据包的大小特征、方向特征与时间间隔特征，生成原始流量交互图；对原始流量交互图施加多种增强操作，生成平衡流量图数据集；对平衡流量图数据集中的每个流量交互图分别施加两种增强操作，生成双视图数据；将双视图数据输入共享编码器与投影头，通过编码映射至嵌入空间，获得对应的多视图图嵌入；基于多视图图嵌入构建正负样本对集合，利用监督对比损失和中心感知损失强化正负样本对集合的类内聚合与类间分离以训练模型。本发明实现了高鲁棒性、高区分度的加密流量识别与动态类别扩展能力。

本发明授权一种基于图对比聚类的加密流量分类方法及系统在权利要求书中公布了：1.一种基于图对比聚类的加密流量分类方法，其特征在于，所述方法具体包括： 将抓取的PCAP格式流量数据进行分组，并提取数据包的大小特征、方向特征与时间间隔特征，生成原始流量交互图，具体包括： 根据五元组信息将PCAP格式流量数据中的多个数据包进行分类，所述五元组信息包括源IP、目标IP、源端口、目标端口和协议； 将分类后的每个数据包映射为图节点，并以数据包的大小和方向作为节点属性； 在数据包节点之间建立边连接，根据相邻数据包的时间间隔设定边权重； 根据图节点、节点属性、边连接和边权重，构建原始流量交互图； 对原始流量交互图施加多种增强操作，生成平衡流量图数据集，所述增强操作包括随机节点增加操作、随机节点删除操作和随机边扰动操作，具体包括： 将多个原始流量交互图按照类别标签进行分类，并为每个类别标签设定对应的目标样本数量； 均匀随机选择一种增强操作，对每个原始流量交互图中的每个样本进行重复增强，直至各类别标签的原始流量交互图的数量达到目标样本数量，形成平衡流量图数据集； 其中，所述增强操作包括随机节点增加操作、随机节点删除操作和随机边扰动操作，所述随机节点增加操作用于模拟数据包重传，所述随机节点删除操作用于模拟数据包丢失，所述随机边扰动操作用于模拟网络时延波动； 对平衡流量图数据集中的每个流量交互图分别施加两种增强操作，生成双视图数据，具体包括： 将平衡流量图数据集输入多层GraphSN网络，通过可学习邻接矩阵调整机制进行节点级信息传播，生成分层节点特征； 将分层节点特征与原始节点特征进行拼接融合，通过读出操作获得图级表示； 将图级表示输入残差投影头，映射到低维嵌入空间得到最终特征表达； 基于最终特征表达，对平衡流量图数据集中的每个流量交互图分别施加两种增强操作，生成对应的双视图数据； 将双视图数据输入共享编码器与投影头，通过编码映射至嵌入空间，获得对应的多视图图嵌入； 基于多视图图嵌入构建正负样本对集合，利用监督对比损失和中心感知损失强化正负样本对集合的类内聚合与类间分离以训练多层GraphSN网络、共享编码器与投影头，具体包括： 基于多视图图嵌入，将同类样本及其增强视图设置为正样本对，将不同类样本设置为负样本对，构建正负样本对集合； 通过温度缩放余弦相似度函数计算正负样本对集合中样本间的相似度，根据相似度计算监督对比损失值； 根据正负样本对集合的聚类结构的类内紧致性约束、类间分离性约束和最近邻分类一致性约束计算中心感知损失值； 将监督对比损失值与中心感知损失值进行加权组合，形成总损失函数，并通过反向传播更新多层GraphSN网络、共享编码器与投影头的参数以实现类内聚合与类间分离的联合优化； 其中，所述根据正负样本对集合的聚类结构的类内紧致性约束、类间分离性约束和最近邻分类一致性约束计算中心感知损失值，具体包括： 根据正负样本对集合的样本分布确定多个类中心； 基于正负样本对集合的任一样本到对应类中心的加权距离，计算类内紧致性损失值； 根据各类中心的间距与自适应间隔边界的关系，通过非线性惩罚函数计算类间分离性损失值； 基于正负样本对集合的任一样本到对应类中心距离与到最近异类中心距离的间隔约束，计算最近邻分类一致性损失值； 将类内紧致性损失值、类间分离性损失值和最近邻分类一致性损失值进行加权求和，得到中心感知损失值； 基于Mahalanobis距离检测多视图图嵌入中的潜在新类样本，通过自适应谱聚类确定新类簇数并划分类别标签，具体包括： 基于多视图图嵌入中的已知类样本嵌入，计算各类别标签的特征均值向量和协方差矩阵，建立已知类统计分布模型； 计算待测样本与各类已知类样本嵌入的Mahalanobis距离，通过预设阈值判别条件，筛选出潜在新类样本集合； 对潜在新类样本集合构建相似度矩阵，通过归一化拉普拉斯矩阵的特征值间隙确定最优簇数，采用K-means聚类划分新类结构，获得多个新类簇； 为每个新类簇分配新类别标签，并更新模型参数以容纳新类别标签。

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湖南科技大学，其通讯地址为：411201 湖南省湘潭市雨湖区石马头；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。