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！

龙图腾网恭喜浙江大学;杭州高新区(滨江)区块链与数据安全研究院申请的专利一种基于在线连续学习的网络流量异常检测方法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：CN119299238B 。

龙图腾网通过国家知识产权局官网在2025-03-18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：202411829160.7，技术领域涉及：H04L9/40；该发明授权一种基于在线连续学习的网络流量异常检测方法是由王志波;李诺;卓书果;辛宇;王小航;任奎设计研发完成，并于2024-12-12向国家知识产权局提交的专利申请。

本一种基于在线连续学习的网络流量异常检测方法在说明书摘要公布了：本发明属公开了一种基于在线连续学习的网络流量异常检测方法，采用在线连续学习方式搭载基于小波变换的MLP神经网络对网络流量进行异常检测，具有持续自适应的智能检测能力，高效的系统性能，优异的检测效果，强大的实用性，解决了传统方法中模型遗忘问题，平衡了实时性和准确性，降低了资源消耗，提高了系统可扩展性，设置一个基于时间序列分析理论和小波变换的网络流量的重构模型，在显著提高计算效率的同时保持了对突发异常的高度敏感性。使用Haar小波对网络流量进行离散小波变换后仅采用单层MLP网络学习网络流量模式，这种轻量级的设计大大降低了资源占用，使系统能够灵活部署于各类网络设备，有效支持大规模网络环境下的异常检测任务。

本发明授权一种基于在线连续学习的网络流量异常检测方法在权利要求书中公布了：1.一种基于在线连续学习的网络流量异常检测方法，其特征在于，包括：1.设置一个基于时间序列分析理论和小波变换的网络流量的重构模型；2.设置1个能够存储500-2000个当前流量数据原型的局部数据缓冲区和1个能够存储500-2000个所有任务中的流量数据原型的全局数据缓冲区；3.获得至少20000个时间戳的正常网络流量数据流，并按照流量数据的时间顺序将流量数据存储在局部数据缓冲区；4.根据局部数据缓冲区的内容，提取当前流量数据原型并存储在全局数据缓冲区；5.从局部数据缓冲区和全局数据缓冲区中分别采样8-16个局部原型和全局原型；6.从正常网络流量数据流中获取8-16个当前网络流量；7.使用8-16个当前网络流量、局部原型和全局原型基于贝叶斯不确定性原理对重构模型进行训练，得到一个训练好的重构模型；8.通过训练好的重构模型计算重构误差作为异常分数；9.对于异常分数超过预先的阈值的网络流量认定为异常流量，否则为正常流量；10.每当部署该方法在新的网络设备时，重复步骤3-9；所述的设置一个基于时间序列分析理论和小波变换的网络流量的重构模型，具体为：按照时间窗大小为W的长度对网络流量特征进行截取，记为x，将x进行可逆归一化变换为均值为0，方差为1的矩阵x；通过离散小波变换DWT将x从时域转换到小波域：cD,cA＝DWTx；其中cD为网络流量在小波域的细节分量，cA为网络流量在小波域的估计分量；网络流量的细节分量cD和估计分量cA通过单层的线性变换层得到cD’和cA’CD’＝W1cD+B1，cA’＝W2cA+B2；其中W1、W2、B1和B2为可训练的参数；通过逆小波变换将cD’和cA’从小波域中还原回时域数据，并进行逆向可逆归一化还原数据为x’，计算x和x’之间的重构误差，并根据重构误差指导模型参数更新；所述的使用当前网络流量、局部原型和全局原型基于贝叶斯不确定性原理对重构模型进行训练，得到一个训练好的重构模型，具体为：对于重构模型M和训练数据x，使用Ld计算损失优化模型：Lax＝x-Mx2；通过基于贝叶斯不确定性理论，使用以下损失函数L用于更新网络异常检测模型： 其中，Bn、BL和BG分别为来自训练集、局部原型缓冲区和全局原型缓冲区，σ1、σ2和σ3是可学习的参数。

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浙江大学;杭州高新区(滨江)区块链与数据安全研究院，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866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”。