[發明專利]基于生成對抗網絡的通信網絡異常用戶檢測方法

在審

• 申請號: 201810458873.5
• 申請日: 2018-05-15
• 公開（公告）號: CN108769993A
• 公開（公告）日: 2018-11-06
• 發明（設計）人: 熊健;路麗果;王潔;桂冠;范山崗;楊潔;潘金秋
• 申請（專利權）人: 南京郵電大學
• 主分類號: H04W12/12
• 分類號: H04W12/12;G06K9/62
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

本發明公開了一種基于生成對抗網絡的通信網絡異常用戶檢測方法，首先對異常用戶的數據進行規則化，得到維度和量級均一致的數據；對生成對抗網絡進行訓練，即對生成器和鑒別器進行訓練，實現對異常用戶的過采樣；將生成器生成的數據與正常用戶組成訓練數據集，利用深度全連接神經網絡對訓練數據集進行分類，判斷用戶類型；本發明通過生成對抗網絡中神經網絡之間的相互博弈式訓練方式，實現對異常用戶數據分布的逼近，實現異常用戶檢測，解決訓練數據集中比例不均衡影響分類模型訓練效果的技術問題。

技術領域

本發明屬于通信網絡異常用戶檢測領域，具體涉及一種基于生成對抗網絡的通信網絡異常用戶檢測方法。

背景技術

由于無線信道的開放性，隨著無線通信技術的發展，其中存在的安全問題越來越多。如果缺乏有效的應對策略，將有可能對無線通信網絡和合法用戶造成不可估量的損失。非正交多址接入(NOMA)技術已經成為下一代移動通信系統(5G)的關鍵技術之一。隨著NOMA的發展，NOMA中的安全問題也開始受到關注和研究。功率域NOMA是基于用戶的信道狀態信息(Channel State Information，CSI)導出相應的功率分配方案，在同一頻譜上對用戶進行疊加信息傳輸。類似于認知無線電頻譜協作感知中存在頻譜感知數據偽造(SSDF)攻擊，非法占用頻譜資源。在NOMA中，也存在惡意用戶向基站反饋錯誤的CSI，使基站判斷錯誤，從而騙取較大的分配功率以達到相應的目的，如：在高質量通信狀態下進行非法行為操作。這種欺詐攻擊大大浪費了通信的能量資源，并影響了其他用戶的通信質量。由于傳統的解決方案基于一定的假設、數學模型簡單、采用的信息維度少、只能單獨的對不同類型的攻擊模型進行處理等缺陷，本專利提出了基于深度學習的、具有大規模和高緯度數據處理能力的解決方案。

近年來，針對無線通信網絡中的欺詐攻擊，國內外學者進行了廣泛研究，并提出了各種解決方案。但傳統的解決方案數學模型簡單，數據維度低，數據計算量小，不能高效的聯合對抗惡意用戶的不同攻擊模型，大大降低了無線通信網絡的安全性。目前，具有大數據處理能力，高效特征提取能力，模塊融合能力的深度學習技術有望解決傳統方法的缺陷。

研究異常用戶攻擊模型對于提升網絡安全防御系統的性能至關重要。在實際通信系統中，通常情況下異常用戶只占總用戶數的極少部分，異常用戶和正常用戶的比例極度不均衡，難以滿足深度學習模型對訓練數據集的要求，對于以準確率和查全率為性能指標的分類模型訓練中，影響了分類模型的訓練效果。

本發明所申請的基于深度生成對抗網絡的異常用戶攻擊模型構建，把異常用戶檢測問題歸結為基于深度學習的模式識別分類問題，利用生成對抗網絡對少量的異常用戶數據進行過采樣，實現數據集的均衡化。

發明內容

本發明的目的在于實現對抗惡意用戶的不同攻擊模型的高效聯合，提出一種基于生成對抗網絡的通信網絡異常用戶檢測方法，實現異常用戶檢測，解決訓練數據集中比例不均衡影響分類模型訓練效果的技術問題。

鑒于深度學習模型對數據量的要求，本發明采用少數類樣本過采樣的思想，研究基于生成對抗網絡的異常用戶檢測方法，利用該方法產生大量的異常用戶攻擊數據，使得異常用戶和正常用戶的數據量達成一致，最后利用深度全連接神經網絡對異常用戶和正常用戶進行分類。

具體到異常用戶檢測應用，利用生成對抗網絡(Generative AdversarialNetworks,GAN)對異常用戶樣本數據分布進行逼近，主要思想是利用深度神經網絡的相互博弈生成異常用戶數據。

本發明采用如下技術方案，一種基于生成對抗網絡的通信網絡異常用戶檢測方法，具體步驟如下：

1)對異常用戶的數據進行規則化，得到維度和量級均一致的數據；

2)對生成對抗網絡進行訓練，即對生成器(Generator,G)和鑒別器(Discriminator,D)進行訓練，實現對異常用戶的過采樣；