申请/专利权人：电子科技大学

申请日：2022-08-31

公开（公告）日：2022-12-02

公开（公告）号：CN115422914A

主分类号：G06F40/216

分类号：G06F40/216;G06F40/30;G06F40/284;G06F40/237;G06F16/35;G06N3/04;G06N3/08;H04L61/5007;H04L101/659

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.12.20#实质审查的生效;2022.12.02#公开

摘要：本发明属于神经网络和IPV6地址预测技术领域，尤其是涉及一种基于深度学习的活跃IPV6地址预测方法。本发明通过分析IPv6地址结构和分配方式，结合已有的传统语言模型和目标成算法，提出了一种基于深度学习的算法6LMNS，来预测潜在的活跃IPV6地址。6LMNS包括地址向量空间映射模型Add2vec和语言训练模型GPT‑IPv6，同时引入核心采样替代传统贪心搜索解码。经验证，与其他目标生成算法相比，6LMNS生成的地址拥有更好的多样性，以及更高的活跃率。

主权项：1.一种基于深度学习的活跃IPV6地址预测方法，其特征在于，包括以下步骤：S1、构建IPV6地址词序列，具体为：通过地址词来表示十六进制的IPV6地址的每一个nybble，定义IPV6地址中第i个nybble的值为Vi，定义索引i为Si，i为正整数且1≤i≤32，则将第i个地址词表示为ViSi，从而对每一个位置的nybble值在地址词中均单独赋予语义，将整个IPV6地址的每一位nybble值转化为地址词，则构成一条IPV6地址的词序列；S2、采用S1的方法对获取的所有IPV6地址集进行处理，根据获得的所有词序列构成词汇表，基于词汇表进行训练数据的构建，具体为：从一条词序列中选择一个地址词ViSi作为输入词，将ViSi前后的地址词作为背景词从而生成训练样本，选择背景词的范围是以ViSi作为中心并且窗口大小为5，即采用Vi-2Si-2、Vi-1Si-1、Vi+1Si+1、Vi+2Si+2作为背景词Vi±nSi±n，获得的训练样本对为ViSi，Vi-2Si-2ViSi，Vi-1Si-1ViSi，Vi+1Si+1ViSi，Vi+2Si+2，并且当作为背景词的地址词不存在时，对应的组合为空；对词汇表中的所有词序列进行训练数据的构建从而获得训练数据集；S3、采用Word2Vec算法，将ViSi作为输入，背景词Vi±nSi±n作为期望输出进行训练，并输出词向量；具体的：对每一个训练样本对ViSi，Vi±nSi±n，输入ViSi进入一个二层神经网络，输出S1中得到的词汇表中每个词的概率，再将背景词作为标签，采用LogSoftmax损失函数进行训练，二层神经网络的隐藏层的参数矩阵的每一行Ui与词汇表的每个词ViSi具有一一对应关系，待算法收敛后，将隐藏层的参数矩阵作为IPV6地址词的词向量编码矩阵输出，词向量编码矩阵记为U；S4、采用GPT算法进行训练，将真实IPV6地址数据集的每条样本16位前缀按照S1的方式构成地址词序列{ViSi}作为输入，再采用S3中得到词向量矩阵U对输入种子集进行词向量编码，得到输入地址词向量序列{Ui}，剩下的16位后缀以同样的方式得到目标地址词向量序列{Ui'}，将{Ui}输入GPT网络预测{Ui'}以提升GPT网络的IPV6地址词预测能力；S5、生成新的地址：将S4中得到的{Ui}输入收敛的GPT网络中，根据余弦相似度生成采样概率分布，通过核心采样解码策略，将GPT网络输出的词与输入的词重新组合，生成一个新的地址，从而完成活跃IPV6地址的预测。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于深度学习的活跃IPV6地址预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD