[發(fā)明專利]一種動態(tài)自適應的無線傳感器網(wǎng)絡入侵檢測智能方法

有效

• 申請?zhí)枺?/td>: 201710089485.X
• 申請日: 2017-02-21
• 公開（公告）號: CN106604267B
• 公開（公告）日: 2019-10-25
• 發(fā)明（設(shè)計）人: 屈洪春;邱澤良;呂強;宋冀生;伍永波;王平
• 申請（專利權(quán)）人: 重慶郵電大學
• 主分類號: H04W12/00
• 分類號: H04W12/00;H04W84/18;H04L29/06
• 代理公司: 北京同恒源知識產(chǎn)權(quán)代理有限公司 11275
• 代理人: 廖曦

1.一種動態(tài)自適應的無線傳感器網(wǎng)絡入侵檢測智能方法，其特征在于：該方法包括以下步驟：

步驟一：無線傳感器網(wǎng)絡節(jié)點每隔一個時間間隔Δt發(fā)送其狀態(tài)信息給基站；基站將在時間[0,t]內(nèi)收到的節(jié)點狀態(tài)信息定義為網(wǎng)絡流量；網(wǎng)絡流量以時間點m為分界線進行分割，將網(wǎng)絡流量分割為訓練數(shù)據(jù)和測試數(shù)據(jù)；將無線傳感器網(wǎng)絡初始化后短暫時間[0,n]時間內(nèi)狀態(tài)信息定義為正常數(shù)據(jù)，該時間段內(nèi)不存在任何攻擊行為；

步驟二：數(shù)據(jù)歸一化，將訓練數(shù)據(jù)通過min-max標準化方法進行歸一化；

步驟三：通過均值漂移聚類算法偏移正常數(shù)據(jù)的初始特征向量x₁得到初始偏移軌跡；偏移軌跡內(nèi)經(jīng)過的點認為是屬于同一個聚類，軌跡的最后一個點認為是聚類中心；x₁之后的訓練數(shù)據(jù)依據(jù)初始偏移軌跡進行聚類，得到多個簇；將包含正常數(shù)據(jù)的簇標記為正常簇，將偏離正常簇最遠的簇標記為異常簇，剩余的簇就近合并到正常簇或異常簇；

步驟四：正常簇和異常簇中的點根據(jù)點到其聚類中心的距離分配權(quán)值；將訓練數(shù)據(jù)、簇標記和權(quán)值作為輸入給加權(quán)支持向量機來生成決策函數(shù)；決策函數(shù)用于檢測測試數(shù)據(jù)正常或異常；

步驟五：通過決策函數(shù)將測試數(shù)據(jù)標記為正常或異常；根據(jù)決策結(jié)果將這些特征向量劃分到對應的簇中，并用于更新決策函數(shù)；

步驟六：每隔一個更新時間ΔT，將已決策的數(shù)據(jù)加入到訓練數(shù)據(jù)，并根據(jù)均值漂移聚類算法從新的訓練數(shù)據(jù)中獲取新的聚類中心；根據(jù)新的聚類中心更新訓練數(shù)據(jù)的權(quán)值；最后通過加權(quán)支持向量機從新的訓練數(shù)據(jù)和新的權(quán)值中生成新的決策函數(shù)。

2.根據(jù)權(quán)利要求1所述的一種動態(tài)自適應的無線傳感器網(wǎng)絡入侵檢測智能方法，其特征在于：在步驟一中，所述的節(jié)點狀態(tài)信息定義為一個d維的特征向量其中d表示特征的類型數(shù)量；時間段[0,t]內(nèi)記錄的特征向量集合為網(wǎng)絡流量，其表示為矩陣X_All＝{x₁，x₂,…,x_all},all＝N*t/Δt,其中N為節(jié)點的數(shù)量；定義時間段[0,n]內(nèi)記錄的特征向量集合為正常數(shù)據(jù)，其表示矩陣X_Nor＝{x₁，x₂，…，x_nr}，nr＝N*n/Δt，定義訓練階段[0,m]內(nèi)記錄的特征向量集合為訓練數(shù)據(jù)，其表示為矩陣X_Train＝{x₁，x₂，…，x_tr}，tr＝N*m/Δt；定義檢測階段(m,t)內(nèi)記錄的特征向量集合為測試數(shù)據(jù)，其表示為矩陣X_Test＝{x_tr+1，x_tr+2，…，x_te}，te＝N*(t-m)/Δt。

3.根據(jù)權(quán)利要求2所述的一種動態(tài)自適應的無線傳感器網(wǎng)絡入侵檢測智能方法，其特征在于：在步驟二中，min-max標準化方法具體為：給定訓練數(shù)據(jù)：

則矩陣X_Train每一列的最小值和最大值的集合分別表示為向量：和

通過公式(1)將每個x_t∈X_All歸一化：

其中，x_tp是被歸一化的特征向量。