USPTO《2024年7月主题适格示例集》全译（一）

#本文仅代表作者观点，不代表IPRdaily立场，未经作者许可，禁止转载#

“接受审查的权利要求并不一定要照搬示例权利要求才能主题适格。所有权利要求都将根据其最宽泛合理解释进行适格分析。”

来源：IPRdaily中文网（iprdaily.cn）

翻译：杜衡

以下示例应与美国专利商标局关于主题适格的指南结合使用，该指南已纳入《专利审查操作指南》（MPEP）2106[1]，并在《2024 年专利主题适格更新指南，包括人工智能方面》中进行了讨论。下面的示例是虚拟的，仅用于解释如何使用MPEP 2106进行的权利要求分析，以及解释如下要点表中指出的特定议题。这些示例应根据下文所述的事实模式进行解释，因为其他事实模式可能会产生不同的适格结果。接受审查的权利要求并不一定要照搬示例权利要求才能主题适格。所有权利要求都将根据其最宽泛合理解释进行适格分析。

请注意，此处提供的示例从第47号开始连续编号，因为之前发布了46个示例[2]。这些示例的附录1包含了美国专利商标局所有49个适格示例的综合索引。

这些示例仅用于说明专利主题适格分析。最终必须对所有权利要求进行分析，以确定其是否符合可专利性的每一项要求[3]。下文提供的分析不涉及101条规定的主题适格以外的其他考虑因素。

示例47.异常检测

本示例说明了如何对权利要求进行适格分析，这些权利要求记载了具体的人工智能限定，特别是使用人工神经网络识别或检测异常情况。权利要求 1适格，因为它属于一种法定类别，并且没有记载任何司法排除对象。权利要求 2不适格，因为它记载了一种司法排除对象（抽象想法），而且权利要求作为一个整体没有将排除对象融入到实际应用之中（因此是针对抽象想法），而且权利要求没有提供明显超过排除对象的内容（没有提供发明构思）。权利要求 3适格，因为它虽然记载了一种司法排除对象（抽象想法），但权利要求作为一个整体通过提高网络安全性将排除对象融入到实际应用中。

背景技术

本发明旨在使用人工神经网络（ANN）来识别或检测异常情况。与传统的异常检测方法相比，使用经过专门训练的人工神经网络来检测异常现象实现了许多改进，包括更准确地检测异常现象。该应用程序还提供了训练ANN的方法，从而缩短了训练时间，并提供了更准确的异常检测模型。

ANN是一种机器学习模型，用于执行各种复杂任务，包括图像识别、语音识别、模式识别和异常检测。ANN是一种受生物启发的算法，可从训练数据中学习。可通过软件、硬件或软硬件结合来实现ANN。示例性ANN的结构有一系列层，每个层包括一个或多个神经元，排列在一个或多个神经元阵列中。在一个示例性实施例中，神经元可包括寄存器、微处理器和至少一个输入。每个神经元根据激活函数产生输出或激活，激活函数使用前一层的输出和一组权重作为输入。神经元阵列中的每个神经元可通过突触电路连接到另一个神经元。突触电路可包括用于存储突触权重的存储器。示例性ANN可以是具有输入层、输出层和多个全连接隐藏层的深度神经网络。ANN在异常检测中特别有用，因为它们可以有效地提取线性和非线性关系中的特征。在某些实施例中，ANN可由专用集成电路 (ASIC) 实现。ASIC可针对特定的人工智能应用进行专门定制，与传统的CPU相比，具有更强的计算能力并能降低电能功耗。

在某些实施例中，训练数据是通过计算机接收连续数据，并利用计算机将连续数据离散化来生成的。在某些实施例中，连续数据可以通过网络远程接收。连续数据可以是历史数据，神经网络可以利用这些数据学习模式，以识别或检测潜在的异常情况。连续数据是被测量的数据，可以有任意可能值。使用离散数据而非连续数据来训练机器学习模型可能更具优势。离散数据可以计数，且数值的量是有限的。任何类型的离散化方法都可用于将连续数据转换为离散数据，包括二值化、聚类以及数值离散化。然后使用任何已知的训练技术对ANN进行训练，生成一个训练好的神经网络，用于检测异常情况。训练好的ANN会监控输入的数据集，以检测异常情况。如果训练好的ANN检测到一个或多个异常点，它还会分析检测到的异常点，生成异常数据，这些数据可以输出给用户和/或用于重新训练ANN。例如，异常数据可以解释异常类型或异常原因。

传统的反向传播算法和传统的梯度下降算法可用于训练神经网络。梯度下降算法是一种优化算法，用于使可变实值多元函数最小化。梯度下降算法首先初始化参数值，然后进行梯度下降计算，利用数学计算迭代调整参数值，使其损失函数最小化，从而优化神经网络。反向传播是计算导数的数学过程，而梯度下降则是利用计算出的导数调整模型参数，使损失函数最小化的过程。反向传播是一种利用梯度下降对ANN进行监督学习的数学计算方法。只要给定一种ANN和误差函数，就能用反向传播计算出相对于神经网络权重的误差函数梯度。

异常检测是一项重要任务，对任何行业都有影响，因为它可以识别偏离预期数据或通常模式的异常数据。例如，入侵检测系统可以使用所公开的异常检测方法来改进对恶意网络数据包的检测。异常检测的难点在于系统必须确定正常数据和异常数据之间的界限，并准确地将数据分类为正常数据或异常数据。在接近临界和基于特定应用领域的情况下，正常数据和异常数据之间的界限可能很难确定。例如，在网络安全或医学领域，微小的变化可能会引发异常识别；而在敏感度较低的应用领域，相对较大的偏差可能会被视为正常。此外，恶意行为者可能会试图将异常情况伪装成正常活动。与使用传统方法进行异常检测相比，本应用提供了使用训练好的ANN进行快速、准确地识别异常的解决方案。

在某些实施例中，ANN可以检测网络中的异常情况，异常情况表明存在潜在的网络入侵或恶意攻击。如果ANN检测到网络流量中的一个或多个异常，ANN还可以确定检测到的异常是否与恶意数据包有关。如果检测到的异常与恶意数据包有关，则ANN可使网络设备丢弃恶意数据包，并阻止来自恶意数据包发送方的未来流量。通过自动检测网络入侵或其他恶意攻击，本发明可以自动地、积极地修复网络攻击，从而增强网络安全性。在某些实施例中，系统可使用各种检测技术来检测潜在恶意网络数据包和潜在恶意网络数据包的来源，并可提醒网络管理员注意潜在问题。系统可通过追踪操作或使用软件工具检测潜在恶意网络数据包的来源。所披露的系统可检测网络入侵并采取补救措施，包括自动丢弃可疑数据包和阻止来自可疑源地址的流量，而无需向网络管理员发出警报。与传统的网络修复解决方案不同，所披露的方法和系统能够识别恶意网络数据包并采取修复措施，包括实时丢弃可疑数据包和阻止来自可疑源地址的流量。所披露的系统可根据ANN实时识别的异常情况自动丢弃可疑数据包并阻止来自可疑源地址的流量，从而避免了等待网络管理员对网络入侵做出反应所带来的延迟，提高了网络安全性。

权利要求

[权利要求 1] 一种用于人工神经网络 (ANN) 的专用集成电路 (ASIC)，该 ASIC 包含：
以阵列形式组织的多个神经元，其中每个神经元包括寄存器、微处理器和至少一个输入；以及多个突触电路，每个突触电路包括用于存储突触权重的存储器，其中每个神经元通过多个突触电路之一与至少一个其他神经元连接。

[权利要求 2] 一种使用人工神经网络（ANN）的方法，包括：
(a) 在计算机上接收连续的训练数据；
(b) 通过计算机将连续训练数据离散化，以生成输入数据；
(c) 计算机根据输入数据和选定的训练算法训练 ANN，以生成训练好的 ANN，其中选定的训练算法包括反向传播算法和梯度下降算法；
(d) 使用训练好的ANN检测数据集中的一个或多个异常点；
(e) 使用训练好的ANN分析一个或多个检测到的异常，以生成异常数据；
(f) 从训练好的ANN输出异常数据。

[权利要求3] 一种使用人工神经网络（ANN）检测恶意网络数据包的方法，包括：
(a) 由计算机训练，ANN基于输入数据和选定的训练算法，以生成训练好的ANN，其中选定的训练算法包括反向传播算法和梯度下降算法；
(b) 使用训练好的ANN检测网络流量中的一个或多个异常点；
(c) 确定至少一个检测到的异常与一个或多个恶意网络数据包有关；
(d) 实时检测与一个或多个恶意网络数据包相关联的源地址；
(e) 实时丢弃一个或多个恶意网络数据包；
(f) 阻止来自源地址的未来流量。

分析

权利要求1适格。

权利要求的解释：根据最宽泛合理解释，权利要求的术语被推定为具有与本领域普通技术人员对说明书的解释一致的常规含义。参见《专利审查操作指南》（MPEP）2111。

该权利要求记载了一种用于人工神经网络（ANN）的专用集成电路（ASIC）。虽然背景资料解释说 “人工神经网络可以通过软件、硬件或软件与硬件的组合来实现”，但对权利要求中的人工神经网络最宽泛合理解释是需要硬件的，因为权利要求中的ASIC是一种实体电路。

步骤1：适格分析的这一部分评估权利要求是否属于任何法定类别[4]。参见 MPEP 2106.03。该权利要求记载了一个实现ANN的ASIC。该权利要求关于实体电路，它是一种机器和/或制造物，属于法定发明类别之一。(步骤1：是）。

步骤2A的分支一：这部分的适格分析评估权利要求是否记载了司法排除对象。正如 MPEP 2106.04 第II小节所解释的，当司法排除对象在权利要求中被“阐释”或者“描述”时，该权利要求“记载”了司法排除对象。在该权利要求中没有记载司法排除对象。该权利要求记载了多个神经元，这些神经元是由寄存器和微处理器组成的硬件组件，以及多个突触电路，它们共同构成了一个 ANN。该权利要求未涉及任何抽象想法，如数学概念、思维过程，或组织人类活动的方法，如基本经济概念或人际交往管理[5]。参见 MPEP 2106.04(a)(2)。虽然ANN可以使用数学进行训练，但权利要求中并没有记载数学概念。由于该权利要求没有记载司法排除对象（步骤2A的分支一：否），因此它与司法排除对象无关（步骤2A：否）。权利要求适格。

权利要求2不合格。

权利要求的解释：根据最宽泛合理解释，权利要求的术语被推定为具有与本领域普通技术人员对说明书的解释一致的常规含义。参见《专利审查操作指南》（MPEP）2111。

步骤(a)和(b)记载了接收连续训练数据并将其离散化，以生成输入数据。术语“连续数据”被认为具有其常规含义，即任何被测量的数据，可以具有任意数量的可能值。离散数据的常规含义，正如背景材料第三段所支持的，是指可以计数、数值数量有限、更适合用作训练数据的数据。

权利要求没有对如何接收连续数据做出任何限定，但背景材料支持“接收”的常规含义，即包括通过网络远程接收数据。该权利要求也没有限定“离散化 ”的常规含义，正如背景技术中解释的那样，离散化包括任何已知的离散化方法，包括二值化和聚类、以及数值离散化，例如对连续数据值进行四舍五入或执行其他可以用思维进行的基本数学计算（见背景技术第三段）。步骤(c)记载了使用选定算法训练ANN。训练算法是反向传播算法和梯度下降算法。如果根据背景技术给出的最宽泛合理解释，反向传播算法和梯度下降算法都是数学计算。这些术语的常规含义是优化算法，通过一系列数学计算来计算神经网络参数。背景技术第四段支持这一常规含义，指出“梯度下降算法首先初始化参数值，然后进行梯度下降计算，利用数学计算迭代调整参数值，使其损失函数最小化”。背景技术还指出，“反向传播是使用梯度下降法对ANN进行监督学习的一种数学计算方法”。

步骤(a)、(b)和(c)均由计算机执行。所提及的计算机具有较高的通用性，即作为执行通用计算机功能的通用计算机。

步骤(d)记载了使用训练好的ANN检测数据集中的一个或多个异常点。该权利要求没有提供关于训练好的ANN如何运行或如何进行检测的任何细节，“检测”的常规含义包括智力观察或评估，例如，计算机程序员对数据集异常的智力识别。

步骤(e)包括使用训练好的人工神经网络分析一个或多个检测到的异常，以生成异常数据。分析步骤既包括确定已检测到异常，也可进一步包括提示异常的类型或原因。“分析”的常规含义包括评估信息，在本权利要求中仅限于评估检测到的异常，以便由训练好的ANN生成异常数据。该权利要求并不限定分析（评估）的执行方式，而且检测到的异常点本身并不限定分析的方式。如背景技术的说明所述，“异常数据可以解释异常类型或异常原因”。“该权利要求没有包括任何解释对检测到的异常进行分析的额外细节。

关于步骤(f)，输出异常数据的步骤仅要求使用训练好的ANN进行通用输出。权利要求并没有对数据输出的方式施加任何限定，也没有要求使用任何特定的组件来输出异常数据。

根据权利要求中词语的本意，对权利要求 2 的最宽泛合理解释是一种方法，该方法在计算机上接收连续训练数据，使用计算机使得连续训练数据离散化以生成输入数据，使用输入数据和选定的反向传播算法和梯度下降算法训练 ANN，使用训练好的ANN检测和分析数据集中的异常，并从训练好的ANN输出异常数据。所声称的离散化、检测和分析步骤包括智力选择或评估；所声称的离散化和使用反向传播算法及梯度下降算法进行的训练，包括执行数学计算。

步骤1：这部分适格分析评估权利要求是否属于任何法定类别。参见 MPEP 2106.03。该权利要求记载了至少一个步骤或行为，包括接收连续的训练数据。因此，该权利要求涉及一种方法，而方法是发明的法定类别之一。(步骤1：是）。

步骤2A分支一：这部分的适格分析评估权利要求是否记载了司法排除对象。正如MPEP 2106.04第II小节所解释的，当司法排除对象在权利要求中被“阐释”或“描述”时，权利要求就“记载”了司法排除对象。

如上所述，对步骤(b)、(d)和(e)最宽泛合理解释是，这些步骤属于抽象想法中的思维过程类别，因为它们涵盖了人类头脑中的概念，包括观察、评价、判断和鉴定。参见MPEP 2106.04(a)(2)第III小节。

具体地说，步骤(b)记载了对连续训练数据进行离散化处理以生成输入数据的过程，这些过程包括对连续数据进行舍入、二值化或聚类，这些过程可能实际上是在人类头脑中通过观察、评估、判断和鉴定进行的。例如，所声称的连续数据离散化包括观察连续数据和执行评估，例如对连续数据进行四舍五入。步骤 (d) 提及使用训练好的ANN检测数据集中的一个或多个异常点。根据说明书最宽泛合理解释，“检测”包括在头脑中实际进行的智力观察或评估。例如，所声称的检测数据集中的异常包括观察数据集中的数据，并通过比较异常数据和非异常数据进行评估。步骤(e)包括使用训练好的ANN分析一个或多个检测到的异常，以生成异常数据。步骤(e)包括执行评估、判断和鉴定，以对检测到的异常情况做出判断。根据说明书最宽泛合理解释，“分析”包括通过观察、评估、判断和鉴定在人类头脑中实际执行的思维过程。参见MPEP 2106.04(a)(2)第III小节。

如上所述，对步骤(b)中离散化的最宽泛合理解释也包括可以在头脑中进行的数学概念（如数值的四舍五入）。步骤(c)需要具体的数学计算（反向传播算法和梯度下降算法）来执行ANN的训练，因此包含数学概念。

“除非一项权利要求明确地记载了不同的排除情况，如自然规律和抽象想法，否则应注意不要将权利要求解析为多种排除情况，尤其是包含抽象想法的权利要求。”MPEP 2106.04第II.B小节。然而，如果可能的话，审查员应将这些限定合在一起作为一种的抽象想法来考虑，而不是作为多种单独的抽象想法来单独分析。“例如，在一项权利要求中包含了一系列步骤，这些步骤既记载了思维步骤，也记载了数学计算，审查员应在步骤 2A 的分支一中，将该权利要求确定为同时记载了思维过程和数学概念，以便在审查记录中清楚地进行分析。” MPEP 2106.04第II.B小节。然而在此情况下，最高法院对此类权利要求的处理方式与记载单一司法排除对象的权利要求相同。出处同上。（在 Bilski 诉 Kappos 案中论述，561 U.S. 593 (2010)）。在本案中，步骤(b)、(d)和(e)属于抽象想法中的思维过程类别，步骤(b)和(c)属于抽象想法中的数学概念类别。(b)-(e)的限定被一并视为单一的抽象想法而作进一步分析。(步骤 2A的分支一：是）。

步骤 2A分支二：这部分的适格分析评估的是权利要求作为一个整体是否将所记载的司法排除对象融入到排除对象的实际应用中，或者权利要求是否“针对”司法排除对象。这一评估是通过以下方式进行的：（1）确定权利要求中除了司法排除对象之外是否还记载了任何附加元素；（2）对这些附加元素进行单独评估和组合评估，以确定权利要求作为一个整体是否将排除对象融入[6]到实际应用中。参见MPEP 2106.04(d)。该权利要求记载了以下附加元素：“(a) 在计算机上接收连续的训练数据”，在限定(d)和(e)中“使用训练好的 ANN”，以及“(f) 从训练好的ANN输出异常数据”。权利要求还提到步骤(b)和(c)由计算机执行。

“(a)在计算机上接收连续的训练数据”和“(f)从训练好的ANN输出异常数据”这两项限定仅仅是数据收集和输出的高度概括，因此是解决方案之外的次要行为[7]。见 MPEP 2106.05(g)（“限定是否重要”）。此外，所有使用所记载的司法排除对象，都需要这种数据收集和输出，因此，这些限定并没有对权利要求施加任何有意义的限定。这些限定只是必要的数据收集和输出。参见 MPEP 2106.05。

此外，(a)、(b)和(c)的限定是由计算机执行的。计算机以高度概括的形式记载。在限定(a)中，计算机被用作执行接收数据的通用计算功能工具。参见 MPEP 2106.05(f)。在 (b)和(c)的限定中，计算机被用来执行一种抽象想法，如上步骤 2A的分支一中所述，因此，它只不过是对使用通用计算机应用排除对象的指示。参见MPEP 2106.05(f)。

在(d)和(e)的限定中记载了“使用训练好的ANN”，这只不过是指示在通用计算机上实现一种抽象想法。参见 MPEP 2106.05(f)。MPEP 2106.05(f)提供了以下考虑因素，用于确定一项权利要求是否仅仅是以“应用它”（或等同于“应用它”）的措辞记载了司法排除对象，例如仅仅是指示在计算机上实现抽象想法：(1) 权利要求是否仅仅记载了解决的想法或者后果，即权利要求没有记载如何实现问题解决方案的细节；(2) 权利要求是否仅仅将计算机或其他机器作为执行现有程序的工具；(3)司法排除对象应用的特殊性或者普遍性。

司法排除对象“使用训练好的ANN检测数据集中的一个或多个异常点”和“使用训练好的ANN分析一个或多个检测到的异常点以生成异常数据”，运用了“使用训练好的ANN”。训练好的ANN被泛泛地用于对抽象想法的应用，而没有对训练好的ANN如何发挥作用作出任何限定。相反，这些限定只记载了“检测一个或多个异常点”和“分析一个或多个检测到的异常点”的结果，并没有包括如何完成“检测”和“分析”的任何细节。参见MPEP 2106.05(f)。

在(d)和(e)的限定中对“使用训练好的ANN”的记载，也仅仅表明了运用司法排除对象的使用领域或技术环境。虽然“使用训练好的ANN”这一附加元素，对于所确定的司法排除对象“使用训练好的ANN检测数据集中的一个或多个异常点”和“使用训练好的ANN分析一个或多个检测到的异常点以生成异常数据”产生限定，但这种限定形式仅仅是将抽象想法的使用限定在特定的技术环境（神经网络）中，因此未能为权利要求添加发明构思。参见MPEP 2106.05(h)。

即使综合来看，这些附加元素也没有将所记载的司法排除对象融入实际应用中（步骤2A分支二：否），因此权利要求是针对司法排除对象的。(步骤2A：是）。

步骤2B：这部分的适格分析评估的是，权利要求作为一个整体是否明显超过所记载的排除对象，即是否有任何附加元素或附加元素的组合为权利要求添加发明构思。参见 MPEP 2106.05。

正如对步骤2A分支二所解释的那样，有四个附加元素。在(d)和(e)的限定中，“使用训练好的ANN”这一附加元素最多不过是指示“应用”抽象想法，不能提供发明构思。参见MPEP 2106.05(f)。

在步骤2A分支二中，附加元素(a)和(f)都被认定为解决方案之外的次要行为，因为它们被认定为必要的数据收集和输出，并非重要的限定。然而，在步骤 2A分支二中得出的附加元素是解决方案之外的次要行为，这一结论还应在步骤2B中重新评估。见MPEP 2106.05，I.A小节。在步骤2B中，对于解决方案之外的次要行为的评估，要考虑到该解决方案之外的行为是否为该领域中熟知、常规而普遍的。参见MPEP 2106.05(g)。

如上步骤 2A分支二所述，“(a)接收连续的训练数据”和“(g)从训练好的ANN输出异常数据”的记载具有高度的概括性。这些内容相当于通过网络接收或传输数据，是熟知、常规而普遍的行为。参见MPEP 2106.05(d)第II小节。

正如上述步骤2A分支二所讨论的，对计算机执行(a)、(b)和(c) 限定的记载不过是简单指示使用通用计算机组件应用排除对象。

即使综合考虑，这些附加元素也仅仅是指示在计算机上实现抽象想法或其他排除对象，以及解决方案之外的次要行为，并没有提供发明构思。(步骤2B：否）。

权利要求3适格。

权利要求的解释：根据最宽泛合理解释，权利要求的术语被推定为具有与本领域普通技术人员对说明书的解释一致的常规含义。参见《专利审查操作指南》（MPEP）2111。

步骤(a)记载了“……训练，ANN基于输入数据……以生成训练好的 ANN。”权利要求中记载了使用反向传播算法和梯度下降算法进行训练。当以最宽泛合理解释的角度来看公开的内容，反向传播算法和梯度下降算法都是数学计算。这些术语的通常含义是通过一系列数学计算来计算神经网络参数的优化算法。背景技术第四段中支持了这一通常含义（“梯度下降算法首先初始化参数值，然后进行梯度下降计算，利用数学计算迭代调整参数值，使其损失函数最小化”）。限定(a)也记载了是由计算机执行的。所记载的计算机具有高度通用性。

步骤(b)提到“使用训练好的ANN检测网络流量中的一个或多个异常点”。该权利要求没有提供关于训练好的ANN如何运行或如何进行检测的任何细节，而“检测”的常规含义包括智力观察或评估（例如，计算机程序员对数据集中异常的智力识别）。

步骤(c)提到 “确定至少一个检测到的异常与一个或多个恶意网络数据包有关”。根据最宽泛合理解释，这一步只要求将检测到的异常与恶意网络数据包相关联。这一步并不要求使用任何特定的程序或组件将检测到的异常与一个或多个恶意网络数据包关联起来。

步骤(d)进一步提到 “实时检测与一个或多个恶意网络数据包相关联的源地址”。对 “实时检测与一个或多个恶意网络数据包相关联的源地址”最宽泛的合理解释是，检测是一种高度概括描述的计算机功能。具体而言，背景技术第六段指出，计算机可以通过追踪操作或使用软件工具来执行检测。

步骤(e)和(f)进一步说明了为补救或防止网络入侵而执行的补救操作。所要求的(e)步骤，自动丢弃一个或多个恶意软件。(f)步骤阻止来自源地址的未来流量，提供了具体的计算机解决方案，该方案利用ANN的输出为检测到的异常情况提供安全解决方案。如背景技术第六 段所述，该系统可“自动”丢弃恶意网络数据包并阻止未来流量，而无需网络管理员采取任何行为。相反，ANN可以判断网络数据包是否可能是恶意的，并采取行动丢弃恶意网络数据包和阻止未来的流量。

步骤1：这部分的适格分析评估权利要求是否属于任何法定类别。参见MPEP 2106.03。该权利要求记载了一系列步骤，因此是一种方法。参见 MPEP 2106.03（步骤 1：是）。

步骤2A分支一：这部分适格分析评估了权利要求是否记载了司法排除对象。正如 MPEP 2106.04 第 II 小节所解释的，当司法排除对象在权利要求中被“阐释”或“描述”时，权利要求即“记载”了司法排除对象。

步骤(a)规定使用特定的数学计算（反向传播算法和梯度下降算法）来执行ANN的训练，因此包含了数学概念。

如上所述，对步骤(b)和(c)的最宽泛合理解释是，它们属于抽象想法中的思维过程类别，因为它们涵盖了人类思维中运行的概念，包括观察、评估、判断和鉴定。参见MPEP 2106.04(a)(2)第III小节。

具体来说，“检测网络流量中的一个或多个异常点”是一个思维过程，因为所要求的检测是由人观察网络流量数据并使用“评估、判断和鉴定”来检测是否出现异常点，从而使在人的思维中实际运行的过程。“确定至少一个检测到的异常情况与一个或多个恶意网络数据包相关联”只要求将检测到的异常情况与上述恶意网络数据包相关联。该权利要求记载的限定属于抽象想法中的思维过程类别。

“除非清楚地表明权利要求中包含了不同的排除对象，如自然规律和抽象想法，否则应注意不要将权利要求解析为多个排除对象，特别是在涉及抽象想法的权利要求中。”MPEP 2106.04，第 II.B 小节（在Bilski 诉 Kappos 案中论述，561 U.S. 593 (2010)）。此处，步骤 (a) 记载了一个数学概念，步骤 (b) 和 (c) 记载了思维过程；因此，权利要求 3 记载了多种抽象想法。正如上文关于权利要求 2 的讨论一样，在本案中，适合将这些限定作为一种单一的抽象想法来考虑，而不是作为多个单独的抽象想法来单独分析。在(d)-(f)的限定中没有记载思维过程，因为它们无法在人脑中实际执行。也就是说，人脑不具备检测与恶意网络数据包相关的源地址、实时丢弃恶意网络数据包并阻止未来流量的能力。参见MPEP 2106.04(a)(2)第III.A小节（在SRI Int'l, Inc.诉Cisco Systems, Inc., 案例中讨论，930 F.3d 1295, 1303 (Fed. Cir. 2019)）。由于步骤(a)和步骤(b)-(c)属于抽象想法的不同类别（即分别属于数学概念和思维过程），这些限定被视为单一的抽象想法进行进一步分析。(步骤 2A分支一：是）。

步骤2A分支二：这部分的适格分析评估的是权利要求作为一个整体是否将所记载的司法排除对象融入排除对象的实际应用中。这一评估是通过以下方式进行的：（1）确定权利要求中除了司法排除对象之外是否还记载了任何附加元素；（2）对这些附加元素进行单独和组合评估，以确定权利要求作为一个整体是否将排除对象融入实际应用中。参见 MPEP 2106.04(d)。

确定与实际应用相结合的一种方法是，当权利要求的发明改进了计算机的功能或改进了另一项技术或技术领域时。要评估对计算机或技术领域的改进，说明书必须阐明对技术的改进，而权利要求本身必须反映所披露的改进。参见 MPEP 2106.04(d)(1) 和 2106.05(a)。

权利要求记载了“(d) 检测与一个或多个恶意网络数据包相关联的源地址”、“(e) 丢弃一个或多个恶意网络数据包”和“(f) 阻止来自源地址的未来流量”等附加元素。权利要求还记载了(a)由计算机执行。

在限定(a)中，计算机被用来执行一种抽象想法，如上述步骤 2A分支一中所讨论的，因此它只不过是指示使用通用计算机应用排除对象。参见 MPEP 2106.05(f)。在限定(b)中，使用训练好的ANN并没有将限定(b)中的抽象想法融入实际应用中，原因与上述在权利要求 2 的限定(d)中解释的类似。此外，对“网络流量”的记载将限定(b)中记载的抽象想法与特定的使用领域泛泛地联系起来。参见MPEP 2106.05(h)。

在考虑权利要求作为一个整体是否包含对计算机或技术领域的改进时，需要对说明书和权利要求进行评估，以确保说明书中提供了对所声称改进的技术解释，且权利要求反映了所称改进。参见 MPEP 2106.04(d)(1)。根据背景技术部分，现有系统使用各种检测技术来检测潜在的恶意网络数据包，并可提醒网络管理员注意潜在的问题。所披露的系统可检测网络入侵并采取实时补救措施，包括丢弃可疑数据包和阻止来自可疑源地址的流量。背景技术部分进一步解释说，所披露的系统通过实时行动来主动防止网络入侵，从而增强了安全性。

所要求保护的发明反映了网络入侵检测技术领域的这一改进。步骤(d)-(f)表达了提升的网络安全，利用检测到的信息，通过检测与潜在恶意数据包相关的源地址，主动采取措施补救危险，从而增强安全性。具体来说，权利要求在步骤(d)中反映了改进，在步骤(e)中丢弃潜在恶意数据包，在步骤(f)中阻止来自源地址的未来流量。这些步骤反映了背景技术中描述的改进。因此，权利要求作为一个整体将司法排除对象融入实际应用中，权利要求并不针对司法排除对象。

当综合考虑步骤(d)-(f)中的附加元素时，由于权利要求改善了计算机或技术领域的功能，因此将抽象想法融入实际应用。参见MPEP 2106.04(d)(1)和2106.05(a)。要求保护的发明反映了网络入侵检测技术领域的这种改进。因此，该权利要求作为一个整体将司法排除对象融入实际应用（步骤2A分支二：是），所以该权利要求并非针对司法排除对象。(步骤2A：否）。该权利要求适格。

注释：
* 本文翻译自《July 2024 Subject Matter Eligibility Examples》，来源美国专利商标局官网，https://www.uspto.gov/patents/laws/examination-policy/subject-matter-eligibility。
[1]“2106”是《美国专利审查操作指南》（MPEP）第21章（2100）“可专利性”下辖的一级小节编号，由3-4位数字组成；由于“2106”的实际含义是第21章第06节，而非从“1”开始的连续序列编号，因此不译作“第2106节”。二级小节是在一级小节后用“.”连接两位数字，如2106.04；三级小节再添加一个字母，如2106.04(a)；四级小节进一步添加一位带括号的数字，如2106.04(a)(1)。每章节内的具体行文如需细分，则统一用罗马数字和大写字母构成的二级编号体系区分定位。以下脚注均为译者撰写。
[2]客体判断示例1-46已于2014.12.16至2019.10.17期间在美国专利商标局官网陆续颁布。具体访问网址https://www.uspto.gov/patents/laws/examination-policy/subject-matter-eligibility
[3]“可专利性”除101条的专利适格外，主要还包括102条的新颖性，103条的非显而易见性和112条的清楚、支持及能够实现。
[4]法定类别是指美国法典第35编（即专利法）101条中明文允许的四种发明主题：方法，机器，制造物和组合物。
[5]在MPEP 2106.04(a)(2)中定义了抽象想法(abstract idea)包括数学概念(mathematical concept)、思维过程(mental process)和组织人类活动的方法，其中组织人类活动的方法又进一步包括基本经济概念、人际交往管理等。
[6]原文表述为integrate…into，意思是权利要求中的“司法排除对象”（judicial exception）（如抽象想法）和“附加元素”（additional elements）紧密结合，一体化地产生实际应用，因此译为“融入”。
[7]原文表述为insignificant extra-solution activity，是MPEP中自定义的一个术语，表示与发明构思相关度较低的技术特征。

相关阅读：

美国专利商标局2024年7月专利适格指南更新及最新案例导读

（原标题：USPTO《2024年7月主题适格示例集》全译【一】）

点击“阅读原文”查看USPTO《2024年7月主题适格示例集》原件。

来源：IPRdaily中文网（iprdaily.cn）

翻译：杜衡

编辑：IPRdaily赵甄          校对：IPRdaily纵横君

注：原文链接：USPTO《2024年7月主题适格示例集》全译（一）（点击标题查看原文）

「关于IPRdaily」

IPRdaily是全球领先的知识产权综合信息服务提供商，致力于连接全球知识产权与科技创新人才。汇聚了来自于中国、美国、欧洲、俄罗斯、以色列、澳大利亚、新加坡、日本、韩国等15个国家和地区的高科技公司及成长型科技企业的管理者及科技研发或知识产权负责人，还有来自政府、律师及代理事务所、研发或服务机构的全球近100万用户（国内70余万+海外近30万），2019年全年全网页面浏览量已经突破过亿次传播。

（英文官网：iprdaily.com  中文官网：iprdaily.cn） 

本文来自IPRdaily中文网（iprdaily.cn）并经IPRdaily.cn中文网编辑。转载此文章须经权利人同意，并附上出处与作者信息。文章不代表IPRdaily.cn立场，如若转载，请注明出处：“http://www.iprdaily.cn”