買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉浙江電子口岸有限公司申請的專利基于AI的業務系統數據違規操作行為識別方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120086578B 。

龍圖騰網通過國家知識產權局官網在2025-08-15發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510591321.1，技術領域涉及：G06F18/213；該發明授權基于AI的業務系統數據違規操作行為識別方法及系統是由鄭云龍;張炳龍;沈周科設計研發完成，并于2025-05-08向國家知識產權局提交的專利申請。

本基于AI的業務系統數據違規操作行為識別方法及系統在說明書摘要公布了：本發明涉及數據識別技術，提供了一種基于AI的業務系統數據違規操作行為識別方法及系統，所述方法包括對原始數據進行采集；采用、特征嵌套生成的對抗網絡算法模型生成新樣本，利用新樣本擴充數據庫；將擴充后的數據置入基于動態自適應振蕩神經網絡算法特征提取模型中進行特征提取；將特征提取后的數據輸入到特征降維模型中降維；將特征降維后的數據輸入到分類器中進行分類器訓練；利用訓練完成的模型進行違規操作行為識別。本申請提供的基于AI的業務系統數據違規操作行為識別方法能夠實現結合動態自適應振蕩的神經網絡和基于邊界平滑的自編碼器算法進行特征提取與降維，顯著提高了模型的準確性、魯棒性與訓練效率。

本發明授權基于AI的業務系統數據違規操作行為識別方法及系統在權利要求書中公布了：1.基于AI的業務系統數據違規操作行為識別方法，其特征在于，所述方法包括： 對原始數據進行采集，獲取所述原始數據中的操作日志、業務記錄與用戶行為數據； 采用特征嵌套的對抗網絡算法模型生成新樣本，利用新樣本訓練采集的原始數據，實現數據擴充； 將擴充后的數據置入特征提取模型中，實現特征提取，所述特征提取模型基于動態自適應振蕩神經網絡算法建立； 將特征提取后的數據輸入到特征降維模型中進行降維訓練，所述降維模型基于邊界平滑的自編碼器組成； 將降維后的數據輸入到分類器中進行分類器訓練，利用訓練完成的模型進行違規操作行為識別； 所述分類器是基于特征降維模型輸出數據進行分類，分為數據的正常操作、違規操作、非法訪問操作、數據修改刪除操作與權限操作； 分類器模型訓練：將特征降維后的數據輸入到分類器中進行分類器模型的訓練，采用基于隨機跳變的極限學習機算法作為分類器模型，用以對特征降維后的數據進行分類；所述隨機跳變策略通過采用動態調整機制和跳躍策略來提升極限學習機在高維特征下的魯棒性，同時減少網絡的冗余和過擬合，以此提高分類模型的表現； 具體的，基于隨機跳變的極限學習機算法的訓練流程如下： 步驟1，構建極限學習機分類器，所述極限學習機采用單隱層前饋神經網絡架構，極限學習機分類器的基本原理表示為： 式中，是極限學習機的隱藏層的輸出矩陣；是輸出層的權重矩陣；是目標輸出矩陣； 在訓練極限學習機之前，需進行參數的初始化，初始化隱藏層的權重和偏置為隨機初始化，且初始化的參數服從于均值為0、方差為單位矩陣的正態分布； 且極限學習機的隱層的輸出的計算方式表示為： 式中，是極限學習機的輸入數據；為Sigmoid激活函數；為極限學習機的權重；為極限學習機的偏置； 步驟2，在極限學習機的訓練過程中，采用稀疏正則化項實現稀疏優化，損失函數的計算方式表示為： 式中，||||1是L1范數，用于實現權重的稀疏化；為極限學習機的稀疏正則化系數；||||為L2范數； 步驟3，在進行訓練時，采用隨機跳變的策略避免陷入局部最優解，通過隨機選擇某些權重項來進行改變，具體的，隨機選擇一部分權重矩陣的元素，并設定跳變概率，如果隨機生成的數小于概率，則該權重項進行跳變； 步驟4，重復迭代上述步驟，直至滿足預設的停止迭代條件，即表示模型訓練完成；預設的停止迭代條件為達到預設的最大迭代次數，預設的最大迭代次數設置為1000次； 通過上述訓練過程后，最終得到的極限學習機的輸出為： 式中，是極限學習機的模型輸出，對應不同的分類類別。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人浙江電子口岸有限公司，其通訊地址為：310000 浙江省杭州市拱墅區石橋路長城街22號301室；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。