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！

龙图腾网获悉南京智能计算科技发展有限公司申请的专利一种基于多模态联邦主动学习的网络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：CN119210899B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202411698904.6，技术领域涉及：H04L9/40；该发明授权一种基于多模态联邦主动学习的网络异常检测方法是由叶嘉宾;李楠;孙祥;李晨阳;蔡晓燕;刘雪慧;黄雪芸;蒋梦设计研发完成，并于2024-11-26向国家知识产权局提交的专利申请。

本一种基于多模态联邦主动学习的网络异常检测方法在说明书摘要公布了：本发明公开了一种基于多模态联邦主动学习的网络异常检测方法，包括步骤：通过多模态特征聚合将若干种模态的数据进行融合，生成统一的特征表示；在联邦学习框架中引入主动学习机制，允许分布式节点根据自身数据的特性和分布情况自主选择学习策略；通过自适应学习优化策略应对分布式环境中的节点异构性；通过渐进式联邦同步机制优化通信效率并减少全局同步的频率；本方法通过结合多模态数据融合、联邦主动学习，在保护数据隐私的前提下，提高网络异常检测的精度和效率。

本发明授权一种基于多模态联邦主动学习的网络异常检测方法在权利要求书中公布了：1.一种基于多模态联邦主动学习的网络异常检测方法，其特征在于，包括步骤： S1，通过多模态特征聚合将若干种模态的数据进行融合，生成统一的特征表示； S2，在联邦学习框架中引入主动学习机制，允许分布式节点根据自身数据的特性和分布情况自主选择学习策略； S3，通过自适应学习优化策略应对分布式环境中的节点异构性； S4，通过渐进式联邦同步机制优化通信效率并减少全局同步的频率； 步骤S1包括： S101，若干种模态包括文本模态，从文本模态的数据源中提取文本特征，对于文本特征，将其进行上下文层级划分，每个层次的上下文通过双向编码器表示模型进行表征，形成文本模态的层次化上下文嵌入表示，并使用注意力机制在不同层次之间自适应地选择具有信息量的文本特征表示，表达式为： ； 其中，表示一个时间相关的自适应权重，随着时间步长t的变化动态调整，表示自注意力机制，表示与注意力权重相关的动态加权系数； S102，若干种模态包括视觉模态，从视觉模态的数据源中提取数据流数据，对于数据流数据通过多视角特征学习模型进行融合，表达式为： ； 其中，表示经过多视角融合后的视觉特征表示，表示第i个视角的自适应权重系数，表示几何变换矩阵，N表示视角总数，用于将第i个摄像头视角的特征对齐到与第j个摄像头视角一致的几何空间中，表示第i个摄像头视角提取的特征表示，表示第j个摄像头视角提取的特征表示，用来平衡几何一致性损失和特征融合过程中的整体损失，表示几何一致性约束损失函数； S103，若干种模块包括语音模态，从语音模态的数据源中提取语音通信数据，对于语音通信数据，通过微分信号分解与神经模态对齐机制进行融合，表达式为： ； 其中，表示语音特征表示，表示微分信号分解，将输入语音分解成若干语义成分，表示不同语义成分的权重，表示频率对齐操作，表示对齐权重，DTW表示时域对齐操作，T表示时间对齐参数，表示每个语义成分的贡献度，M表示语义成分数量； S104，基于模态差异化协同建模的自适应融合机制，主动利用模态差异，通过模态协同冲突解决机制，调节各模态特征的融合，表达式为： ； 其中，和表示任意模态的特征，表示不同的模态索引，和表示协同学习增强权重，控制其余模块对于当前k模态增强的影响程度，表示特征协同学习，表示控制冲突特征的权重，表示冲突特征，表示融合后的多模态特征； 步骤S2包括： S201，在分布式联邦学习模型中，每个节点自主选择学习策略，进行节点的多目标优化，节点的多目标优化函数表达式为： ； 其中，表示节点b的学习策略，表示第个因素的影响权重，表示融合后的多模态特征，表示与学习策略相关的第个因素之间的度量； S202，每个节点通过自监督信号，生成伪标签并通过无标签数据进行持续学习更新，表达式为： ； 其中，表示节点b在轮训练后的参数，表示当前的训练参数，表示学习率，用于控制参数的更新，表示损失函数的梯度，表示无标签数据集，表示损失函数，表示在未标注数据x上的误差，表示通过自监督生成的伪标签； S203，通过变化量动态评估机制和自适应通信控制策略动态调整通信频率，表达式为： ； 其中，表示节点在第t轮的通信触发概率，用于决定是否与全局模型进行同步，表示参数变化量，为设定的变化阈值，为调整参数，表示以自然数e为底的指数函数； 步骤S3包括： S301，基于自适应学习优化策略，通过Q-learning学习算法动态调整任务分配策略，表达式为： ； 其中，表示节点的任务分配策略，表示节点的计算资源、存储资源和网络带宽，表示当前节点任务执行动作任务分配的长期累积奖励函数，表示折扣因子，用于权衡即时奖励和长期奖励，表示数学期望值； S302，根据每个节点的资源状况，动态剪枝模型中的非关键层，进行轻量化，表达式为： ； 其中，表示分布式联邦学习模型的初始复杂度，表示节点的计算资源、存储资源和网络带宽，表示决定每个资源对于剪枝的影响权重参数，表示剪枝后的分布式联邦学习模型复杂度。

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南京智能计算科技发展有限公司，其通讯地址为：210000 江苏省南京市浦口区浦滨路211号基因大厦A座7楼；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”。