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(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉上海交通大學申請的專利信息安全知識實體關(guān)系連接預(yù)測方法、系統(tǒng)及介質(zhì)獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114579761B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-08發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210203550.8，技術(shù)領(lǐng)域涉及：G06F16/36；該發(fā)明授權(quán)信息安全知識實體關(guān)系連接預(yù)測方法、系統(tǒng)及介質(zhì)是由馬穎華;陳秀真;裘煒程;賴柏希;于海洋;馬進;段圣雄設(shè)計研發(fā)完成，并于2022-03-02向國家知識產(chǎn)權(quán)局提交的專利申請。

本信息安全知識實體關(guān)系連接預(yù)測方法、系統(tǒng)及介質(zhì)在說明書摘要公布了：本發(fā)明提供一種信息安全知識實體關(guān)系連接預(yù)測方法、系統(tǒng)及介質(zhì)，包括數(shù)據(jù)處理模塊：構(gòu)成圖數(shù)據(jù)，輸入圖卷積網(wǎng)絡(luò)表示模塊；對實體描述文本數(shù)據(jù)進行預(yù)處理，將輸出作為Word2Vec表示模塊的輸入；圖卷積網(wǎng)絡(luò)表示模塊：接收圖數(shù)據(jù)，訓(xùn)練TextGCN模型，并生成文本的圖卷積網(wǎng)絡(luò)表示向量；Word2Vec表示模塊：訓(xùn)練Word2Vec模型，并生成文本的Word2Vec表示向量；孿生網(wǎng)絡(luò)表示模塊：訓(xùn)練孿生網(wǎng)絡(luò)模型，并生成孿生網(wǎng)絡(luò)表示向量；連接判斷模塊：根據(jù)目標實體對各自的孿生網(wǎng)絡(luò)表示向量，計算兩者的歐氏距離，若距離小于閾值，則判斷為有連接。本發(fā)明能夠準確判斷實體間是否有連接，確保補足數(shù)據(jù)的正確性、減少人工分析成本。

本發(fā)明授權(quán)信息安全知識實體關(guān)系連接預(yù)測方法、系統(tǒng)及介質(zhì)在權(quán)利要求書中公布了：1.一種信息安全知識實體關(guān)系連接預(yù)測系統(tǒng)，其特征在于，包括： 數(shù)據(jù)處理模塊：將信息安全知識中的文本數(shù)據(jù)進行詞的抽取處理，采集信息安全知識的全部文本描述數(shù)據(jù)并進行數(shù)據(jù)預(yù)處理；將詞存在于實體的文本描述數(shù)據(jù)之中的關(guān)系，作為實體節(jié)點以及文本詞匯節(jié)點之間的關(guān)系，構(gòu)成圖數(shù)據(jù)；輸出圖數(shù)據(jù)，該圖數(shù)據(jù)作為圖卷積網(wǎng)絡(luò)表示模塊的輸入；輸出預(yù)處理后的實體描述文本數(shù)據(jù)，該實體描述文本數(shù)據(jù)作為Word2Vec表示模塊的輸入； 圖卷積網(wǎng)絡(luò)表示模塊：接收圖數(shù)據(jù)，訓(xùn)練TextGCN模型，并生成文本的圖卷積網(wǎng)絡(luò)表示向量； Word2Vec表示模塊：接收預(yù)處理后的實體描述文本數(shù)據(jù)，訓(xùn)練Word2Vec模型，并生成文本的Word2Vec表示向量； 孿生網(wǎng)絡(luò)表示模塊：合并圖卷積網(wǎng)絡(luò)表示向量和Word2Vec表示向量，訓(xùn)練孿生網(wǎng)絡(luò)模型，并生成孿生網(wǎng)絡(luò)表示向量； 連接判斷模塊：根據(jù)目標實體對各自的孿生網(wǎng)絡(luò)表示向量，計算兩者的歐氏距離，若距離小于閾值，則判斷為有連接； 其中，所述圖卷積網(wǎng)絡(luò)表示模塊包括：經(jīng)過數(shù)據(jù)處理后目標概念對CVE與CWE、或CAPEC與ATTCK的所有實體描述組成描述語料庫，保存為txt文件，格式為每行一個實體描述，即實體編號+實體英語描述；對所有描述，句子和單詞作為圖中的句節(jié)點和詞節(jié)點，計算詞節(jié)點與詞節(jié)點之間的PMI，作為兩者間邊的權(quán)重，根據(jù)節(jié)點和邊的關(guān)系構(gòu)造鄰接矩陣，對節(jié)點使用獨熱編碼構(gòu)造特征矩陣，鄰接矩陣和特征矩陣輸入圖卷積神經(jīng)網(wǎng)絡(luò)；正樣本指數(shù)據(jù)庫中已有連接的實體對，實體對的距離為兩實體表示向量的歐氏距離；負樣本生成方法為隨機替換正樣本實體對中的一個實體，且替換后不在正樣本集合中，計算損失函數(shù)后，用Adam優(yōu)化器更新模型參數(shù)，訓(xùn)練后得到所有實體的向量，作為各實體的圖卷積網(wǎng)絡(luò)表示向量； 所述孿生網(wǎng)絡(luò)表示模塊中，孿生網(wǎng)絡(luò)由兩個相同的模型組成，單個模型由兩層全連接層組成；訓(xùn)練時將訓(xùn)練集輸入網(wǎng)絡(luò)，正負樣本采集方法與圖卷積網(wǎng)絡(luò)相同，輸入目標實體對的Word2Vec表示向量和圖神經(jīng)網(wǎng)絡(luò)表示向量，各輸出50維孿生網(wǎng)絡(luò)句向量表示。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人上海交通大學，其通訊地址為：200240 上海市閔行區(qū)東川路800號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。