買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜四川警察學(xué)院;電子科技大學(xué)申請的專利一種對抗概念漂移的IoT惡意流量檢測裝置獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN116170212B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-04-15發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號(hào)為：202310148030.6，技術(shù)領(lǐng)域涉及：H04L9/40；該發(fā)明授權(quán)一種對抗概念漂移的IoT惡意流量檢測裝置是由張巖峰;牛偉納;胡佳;姚領(lǐng)風(fēng)設(shè)計(jì)研發(fā)完成，并于2023-02-22向國家知識(shí)產(chǎn)權(quán)局提交的專利申請。

本一種對抗概念漂移的IoT惡意流量檢測裝置在說明書摘要公布了：本發(fā)明公開了一種對抗概念漂移的IoT惡意流量檢測裝置，屬于惡意流量檢測技術(shù)領(lǐng)域，主旨在于解決惡意流量檢測系統(tǒng)處理在線的動(dòng)態(tài)物聯(lián)網(wǎng)流量數(shù)據(jù)時(shí)面對漂移數(shù)據(jù)魯棒性差的問題。主要方案包括先通過流量數(shù)據(jù)處理模塊提取成特征向量，根據(jù)特征向量得到初始檢測模型；將在線數(shù)據(jù)進(jìn)行特征提取和特征處理后，通過自動(dòng)編碼器壓縮后，送入初始模型檢測，若發(fā)出漂移預(yù)警則將特征向量收入自適應(yīng)窗口，否者，流量數(shù)據(jù)分類成功，之后繼續(xù)處理下一個(gè)數(shù)據(jù)；當(dāng)自適應(yīng)窗口開始收集數(shù)據(jù)時(shí)，一個(gè)自適應(yīng)窗口時(shí)間內(nèi)，漂移數(shù)據(jù)未超過自適應(yīng)窗口的一半，則清空自適應(yīng)窗口的特征項(xiàng)向量。否者，通過對自適應(yīng)窗口中收集的特征向量和代表子集重新來訓(xùn)練、更新檢測模型。

本發(fā)明授權(quán)一種對抗概念漂移的IoT惡意流量檢測裝置在權(quán)利要求書中公布了：1.一種對抗概念漂移的IoT惡意流量檢測裝置，其特征在于，包括以下模塊：流量數(shù)據(jù)處理模塊：先通過CICflowmeter工具對歷史流量數(shù)據(jù)的Pcap包進(jìn)行特征提取，得到流量數(shù)據(jù)的初步特征向量A；接著對特征向量A的特征進(jìn)行篩選、獨(dú)熱編碼和歸一化，得到特征向量B；初始模型訓(xùn)練模塊：通過對比學(xué)習(xí)的方法并結(jié)合自動(dòng)編碼器，將特征向量B中同類型的兩個(gè)樣本作為正樣本對，而不同類型的兩個(gè)樣本作為負(fù)樣本對，通過自動(dòng)編碼器將這些樣本對壓縮到低維空間，并構(gòu)建對比損失函數(shù)使正樣本對的歐式距離應(yīng)盡可能小，負(fù)樣本對的歐式距離盡可能大，接著聚類可以得到若干緊密的簇，再選取每簇的代表子集，得到初始檢測模型；概念漂移檢測模塊：將捕獲的在線流量數(shù)據(jù)的Pcap包，通過流量數(shù)據(jù)處理模塊得到特征向量C；將特征向量C通過初始模型訓(xùn)練模塊中自動(dòng)編碼器壓縮后輸入初始的檢測模型，計(jì)算特征向量C到最近簇質(zhì)心的距離D，若距離D的值與該簇內(nèi)點(diǎn)到簇質(zhì)心的中位數(shù)之差的絕對值大于設(shè)定閾值，則該流量數(shù)據(jù)認(rèn)定為發(fā)生漂移，發(fā)出漂移預(yù)警，并將該向量數(shù)據(jù)收入自適應(yīng)窗口，否則，則認(rèn)為未發(fā)生漂移，并將流量數(shù)據(jù)成功分類；概念漂移適應(yīng)模塊：隨著概念漂移檢測模塊不斷處理在線流量數(shù)據(jù)，自適應(yīng)窗口中特征向量數(shù)據(jù)會(huì)持續(xù)增多，當(dāng)在一個(gè)連續(xù)的自適應(yīng)窗口大小時(shí)間內(nèi)，漂移數(shù)據(jù)未超過自適應(yīng)窗口的一半，則清空自適應(yīng)窗口的特征項(xiàng)向量數(shù)據(jù)，否則，通過對自適應(yīng)窗口中收集的特征向量和代表子集重新來訓(xùn)練、更新檢測模型；初始模型訓(xùn)練模塊具體實(shí)現(xiàn)步驟如下：先通過自動(dòng)編碼器，將特征向量B壓縮到低維空間；再將壓縮后特征向量B中同類型的兩個(gè)樣本作為正樣本對，而不同類型的兩個(gè)樣本作為負(fù)樣本對，將正樣本對的歐式距離作為損失函數(shù)分子，而負(fù)樣本對的歐式距離作為損失函數(shù)分母，并通過最小化損失函數(shù)來拉近正樣本之間的距離，而推開負(fù)樣本間的距離，然后聚類可以得到若干緊密的簇的初始檢測模型；然后計(jì)算每類簇的質(zhì)心ci、簇內(nèi)每個(gè)樣本點(diǎn)到質(zhì)心ci的距離中的中位數(shù)di和絕對中位差MADi，i取值為0到簇?cái)?shù)，選取每簇內(nèi)包含在以質(zhì)心為中心di+MADi為半徑圓的點(diǎn)作為代表子集，并保留代表子集，根據(jù)每類簇的代表子集數(shù)量定義自適應(yīng)窗口大小為W。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人四川警察學(xué)院;電子科技大學(xué)，其通訊地址為：646099 四川省瀘州市龍透關(guān)路186號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。