買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜北京鵬鵠物宇科技發展有限公司申請的專利基于多模態條件對抗領域適應的空天地網絡入侵檢測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115412324B 。

龍圖騰網通過國家知識產權局官網在2025-05-06發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202211009783.0，技術領域涉及：H04L9/40；該發明授權基于多模態條件對抗領域適應的空天地網絡入侵檢測方法是由李源;許海濤;徐佳康;楊仁金;時月紅設計研發完成，并于2022-08-22向國家知識產權局提交的專利申請。

本基于多模態條件對抗領域適應的空天地網絡入侵檢測方法在說明書摘要公布了：本發明提供一種基于多模態條件對抗領域適應的空天地網絡入侵檢測方法。涉及空天地網絡分布式領域，為解決當前對抗式領域自適應方法由于對抗學習的平衡問題帶來的弊端問題而發明。本發明提供的技術方法包括：基于特征融合的多模態條件對抗領域自適應方法是空天地網絡分布式入侵檢測架構的核心，通過模型的域自適應訓練為每個網絡域提供適合域環境的最佳檢測模型。對抗式領域自適應方法繼承了生成對抗網絡的優點，不需要假定數據服從某種分布，然后利用極大似然估計數據的分布，也不依賴于任何事先的假設，同時模型訓練更簡單、更多樣化。該方法可以應用在空天地網絡入侵檢測研究中。

本發明授權基于多模態條件對抗領域適應的空天地網絡入侵檢測方法在權利要求書中公布了：1.基于多模態條件對抗領域適應的空天地網絡入侵檢測方法，其特征在于，包括以下步驟：步驟1，構建基于特征融合的多模態條件對抗領域適應網絡模型；模型使用Fs、Fm、Ft三個特征提取網絡，三個特征提取網絡均采用ShuffleNet_Lite_ECA網絡；Fs、Ft分別用于提取源域和目標域的特有特征，Fm用于提取領域間的域不變特征；Fs、Fm提取的特征融合后傳入分類器C進行監督訓練；源域數據訓練的分類器學習到目標域的信息，然后Fm提取的特征與源域數據的分類標簽按照多線性映射方法處理后輸入對抗網絡的判別器D中進行域判別；步驟1中，還包括在目標函數中引入特征對齊損失懲罰項進行特征對齊，采用CORAL算法計算特征間差異，對源域和目標域特征分布的二階統計量進行對齊，從而縮小兩個領域的特征分布差異；CORAL差異計算公式為： d為特征維度，CS和CT分別為源域和目標域的特征協方差矩陣： 1為所有元素為1的列變量，MS為每批次數據中包含的NS個源域數據樣本的特征，MT為每批次數據中包含的NT個目標域數據樣本的特征；步驟2，構建目標函數；學習目標域的兩個特征提取網絡、一個領域判別器和一個分類器，用于在目標域上執行入侵檢測任務；步驟2具體的：定義源域數據代表源域數據中第i個樣本，代表源域中第i個樣本的標簽，Ns代表源域中樣本的數量，源域數據服從的分布記為Ps；同樣，定義目標域數據代表目標域數據中第i個樣本，與源域不同的是目標域沒有標簽，Nt代表目標域樣本的數量，目標域數據服從的分布記為Pt，并且定義為兩個域的樣本集合，同時定義di為第i個樣本的域標簽，di＝0代表源域，di＝1代表目標域；步驟2中目標函數分為三部分；1分類器C產生的有監督訓練的分類損失將源域提取的特有特征與Fm提取的混淆特征融合后傳入C中進行監督學習；分類器C對有標簽的源域數據進行監督訓練，使用交叉熵損失進行優化： 代表特征生成網絡Fs的參數，代表特征混淆網絡Fm的參數，θC代表分類器C的參數，Lc代表交叉熵損失；2條件域分類損失條件域對抗訓練損失整體優化目標為： Ladv-s、Ladv-t分別為源域數據和目標域數據在特征提取網絡Fm與判別器D上的對抗誤差項： 表示源域數據經過Fs和Fm后的融合特征在分類器C上的預測標簽，表示目標域數據經過Ft和Fm后的融合特征在分類器C上的偽預測標簽；T·為特征與預測標簽的多線性映射條件融合策略，fm表示Fm提取的特征，c為分類標簽，和dc分別表示向量fm和c的維數，是多線性映射，使得條件域判別器捕獲fm和c的多模態信息和聯合分布；H·為用于衡量樣本預測類別不確定性大小的熵；ωH·表示根據熵值大小計算出的熵權重；3域間CORAL對齊損失根據式3，域間CORAL特征對齊損失為： d為特征維度，CS和CT分別為源域和目標域的特征協方差矩陣；F-MCADA的最終訓練目標函數為： α、β為損失權重系數。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人北京鵬鵠物宇科技發展有限公司，其通訊地址為：100043 北京市石景山區實興大街30號院；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。