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！

龙图腾网恭喜中国海洋大学申请的专利基于类别不平衡数据的异常行为识别方法、系统及设备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：CN117421662B 。

龙图腾网通过国家知识产权局官网在2025-03-14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：202311365953.3，技术领域涉及：G06F18/2411；该发明授权基于类别不平衡数据的异常行为识别方法、系统及设备是由许艳;安博;翁福添;王岩;李思彤设计研发完成，并于2023-10-20向国家知识产权局提交的专利申请。

本基于类别不平衡数据的异常行为识别方法、系统及设备在说明书摘要公布了：本发明提供的一种基于类别不平衡数据的异常行为识别方法、系统及设备，涉及异常行为数据检测技术领域。方法包括：利用用户行为数据集中的多个负样本对VGrow网络进行训练，得到可以生成或重建负样本的VGrow网络；基于异常检测方法得到Ano‑VGrow网络，包括训练后的生成器和判别器；根据用户实时行为数据的样本分布，生成实时随机向量；将实时随机向量输入训练后的VGrow网络，得到生成器的实时生成样本，以及判别器的实时判别结果；根据实时生成样本和实时判别结果，确定用户实时行为数据对应的行为类别。本发明通过构建Ano‑VGrow网络，能够解决异常行为识别过程中的数据类别不平衡问题。

本发明授权基于类别不平衡数据的异常行为识别方法、系统及设备在权利要求书中公布了：1.一种基于类别不平衡数据的异常行为识别方法，其特征在于，包括：获取用户行为数据集；确定用户行为数据集中对应行为类别为正常行为的用户行为数据为负样本，确定用户行为数据集中对应行为类别为异常行为的用户行为数据为正样本；基于异常检测方法，利用用户行为数据集中的多个负样本对VGrow网络进行训练，得到Ano-VGrow网络；所述VGrow网络包括依次连接的生成器和判别器；所述生成器包括依次连接的第一输入端、第一全连接层、第一线性整流函数、第二全连接层和第一输出端；所述判别器包括依次连接的第二输入端、第三全连接层、第二线性整流函数、第四全连接层和第二输出端；所述第一输出端与所述第二输入端连接；所述Ano-VGrow网络包括训练后的生成器和训练后的判别器；获取用户实时行为数据；根据用户实时行为数据的样本分布，生成实时随机向量；将所述实时随机向量输入训练后的生成器，得到实时生成样本；将所述实时生成样本输入训练后的判别器，得到实时判别结果；根据所述实时生成样本和所述实时判别结果，确定用户实时行为数据对应的行为类别；基于异常检测方法，利用用户行为数据集中的多个负样本对VGrow网络进行训练，得到Ano-VGrow网络，包括：将样本分布生成的随机向量Wi输入生成器中得到初始粒子Zi＝GθWi，θ为生成器参数；对判别器使用第一损失函数更新判别器参数Φ，第一损失函数L为： 其中，D·表示判别器的输出，xi表示来自真实数据的样本，Gwi表示生成器生成的样本；训练判别器得到生成数据与真实分布的密度比，基于密度比优化更新粒子，得到最优粒子；利用第二损失函数更新生成器参数，第二损失函数为： 其中，zi代表输入到生成器中的随机变量；用训练集中负类样本训练整个VGrow网络框架，再用生成器生成负类样本生成数据，利用负类样本生成数据与训练集数据进行异常值检测分数计算，利用异常值检测分数函数确定异常值检测分数；判断所述异常值检测分数是否大于异常值检测分数阈值，得到判断结果；若所述判断结果为是，则确定用户存在异常行为；若所述判断结果为否，则确定用户为正常行为；所述异常值检测分数函数为：Lz＝1-λ·LRz+λ·LDz；其中，LRz＝∑|x-Gz|；LDz＝∑|fx-fGz|；式中，Lz为异常值检测分数函数；λ为权重；LRz为残差损失；LDz为判别器损失；x为用户实时行为数据；Gz为实时生成样本；fx为用户实时行为数据的实时判别结果；fGz为实时生成样本的实时判别结果。

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中国海洋大学，其通讯地址为：266100 山东省青岛市崂山区松岭路238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”。