[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的智能終端安全等級(jí)分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810775027.6
• 申請(qǐng)日: 2018-07-13
• 公開（公告）號(hào): CN108846476A
• 公開（公告）日: 2018-11-20
• 發(fā)明（設(shè)計(jì)）人: 陳柳霏;文紅;陳松林;候文靜;王豐
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06N3/04
• 分類號(hào): G06N3/04
• 代理公司: 成都巾幗知識(shí)產(chǎn)權(quán)代理有限公司 51260
• 代理人: 邢偉

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的智能終端安全等級(jí)分類方法，其特征在于：包括以下步驟：

S1.邊緣計(jì)算平臺(tái)設(shè)定智能終端的k個(gè)安全測(cè)試項(xiàng)；

S2.邊緣計(jì)算平臺(tái)對(duì)接入的智能終端測(cè)試k次，得到測(cè)試結(jié)果集M＝[M₁,M₂,…,M_k]^T；其中M_i表示第i次測(cè)試得到的向量，i＝1,2,L,k，并且M_i＝[m_i1,m_i2,L,m_ik]，m_ij表示i次測(cè)試時(shí)第j個(gè)安全測(cè)試項(xiàng)的得分，j＝1,2,L,k；

S3.邊緣計(jì)算平臺(tái)計(jì)算測(cè)試結(jié)果集M＝[M₁,M₂,…,M_k]^T中各個(gè)向量對(duì)應(yīng)的安全等級(jí)，并利用對(duì)應(yīng)的安全等級(jí)對(duì)測(cè)試結(jié)果集M中的每一個(gè)向量進(jìn)行標(biāo)記；

S4.將帶有標(biāo)記的測(cè)試結(jié)果集M送入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征提取和分類訓(xùn)練測(cè)試，得到檢測(cè)率達(dá)標(biāo)的成熟神經(jīng)網(wǎng)絡(luò)；

S5.邊緣計(jì)算設(shè)備利用成熟神經(jīng)網(wǎng)絡(luò)，對(duì)待分類的智能終端測(cè)試數(shù)據(jù)集進(jìn)行安全等級(jí)分類。

2.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的智能終端安全等級(jí)分類方法，其特征在于：所述的安全測(cè)試項(xiàng)包括短信功能、通話功能、第三方軟件、內(nèi)核漏洞、審計(jì)功能、存儲(chǔ)和刪除文件警告，每個(gè)安全測(cè)試項(xiàng)的滿分為100分。

3.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的智能終端安全等級(jí)分類方法，其特征在于：所述步驟S2包括：

S201.對(duì)智能終端進(jìn)行第i次測(cè)試的過(guò)程中，依次對(duì)k個(gè)安全測(cè)試項(xiàng)進(jìn)行測(cè)試，得到向量M_i＝[m_i1,m_i2,L,m_ik]，m_ij表示i次測(cè)試時(shí)第j個(gè)安全測(cè)試項(xiàng)的得分，j＝1,2,L,k；

S202.按照步驟S201重復(fù)執(zhí)行k次，得到測(cè)試結(jié)果集M＝[M₁,M₂,…,M_k]^T，其中M_i表示第i次測(cè)試得到的向量，i＝1,2,L,k；將測(cè)試結(jié)果集M表示為k*k的矩陣形式：

4.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的智能終端安全等級(jí)分類方法，其特征在于：所述步驟S3包括：

S301.對(duì)于第i次測(cè)試過(guò)程中得到的向量M_i＝[m_i1,m_i2,L,m_ik]，計(jì)算其中k個(gè)安全測(cè)試項(xiàng)的得分平均值，作為第i次測(cè)量的安全評(píng)分X_i：

其中，i＝1,2,L,k；

S302.根據(jù)第i次測(cè)量的安全評(píng)分X_i，確定第i次測(cè)量對(duì)應(yīng)的智能終端安全等級(jí)x_i：

S303.對(duì)M＝[M₁,M₂,…,M_k]^T中的每一個(gè)向量，均按照步驟S301～S302進(jìn)行處理，得到每個(gè)向量對(duì)應(yīng)的安全等級(jí)；

S304.利用對(duì)應(yīng)的安全等級(jí)對(duì)測(cè)試結(jié)果集M中的每一個(gè)向量進(jìn)行標(biāo)記。

5.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的智能終端安全等級(jí)分類方法，其特征在于：所述步驟S4包括：

S401.將測(cè)試結(jié)果集M送入卷積層C1并與多個(gè)神經(jīng)元進(jìn)行卷積運(yùn)算，經(jīng)過(guò)卷積運(yùn)算后，輸出特征矩陣

卷積神經(jīng)網(wǎng)絡(luò)的輸入是t₁*t₁的矩陣M，卷積層采用5*5的卷積核，輸入經(jīng)過(guò)N₁個(gè)t₂*t₂的卷積核的卷積生成N₁個(gè)大小為(t₁-t₂+1)*(t₁-t₂+1)的特征矩陣：

S402.將送入池化層S2，池化層采用的是2*2的輸入域，即上一層的4個(gè)節(jié)點(diǎn)作為下一層1個(gè)節(jié)點(diǎn)的輸入，池化層將特征矩陣進(jìn)行數(shù)據(jù)壓縮，減少識(shí)別算法中出現(xiàn)的過(guò)擬合現(xiàn)象，對(duì)特征矩陣進(jìn)行降維，去掉冗余，進(jìn)行次采樣：

N₁個(gè)(t₁-t₂+1)*(t₁-t₂+1)的特征矩陣分別進(jìn)行以2*2的池化窗口進(jìn)行下抽樣得到N₁個(gè)大小為的矩陣：

S403.將特征矩陣送入卷積層C3進(jìn)行卷積運(yùn)算，卷積層依然采用5*5的卷積核，得到N₂個(gè)的特征矩陣：

S404.將特征矩陣送入池化層S4，池化窗口依然為2*2，對(duì)特征矩陣進(jìn)行進(jìn)一步的壓縮數(shù)據(jù)特征維度，得到N₂個(gè)的特征矩陣：

S405.將N₂個(gè)矩陣的大小為的矩陣送入全連接層C5進(jìn)行卷積運(yùn)算，全連接層C5采用5*5的卷積核，卷積后形成N₃個(gè)大小為1*1的矩陣，每個(gè)矩陣都與上一層的N₂個(gè)矩陣相連，構(gòu)成了池化層S4和全連接層C5之間的全連接；

S406.將步驟S405中得到的N₃個(gè)大小為1*1的矩陣送入全連接層F6中進(jìn)行壓縮，全連接層F6包含N₄個(gè)大小為1*1的卷積窗，對(duì)應(yīng)一個(gè)7*12的比特圖，對(duì)輸入的數(shù)據(jù)處理后得到N₄個(gè)1*1大小的特征矩陣；

S407.構(gòu)建神經(jīng)網(wǎng)絡(luò)的輸出層：輸出層包含l個(gè)節(jié)點(diǎn)，分別代表數(shù)字0到l-1，如果節(jié)點(diǎn)i的輸出值為0，則網(wǎng)絡(luò)識(shí)別的結(jié)果是數(shù)字i，采用徑向基函數(shù)的網(wǎng)絡(luò)連接方式，設(shè)x是上一層的輸入，y是徑向基函數(shù)的輸出，則徑向基函數(shù)輸出的計(jì)算方式是：

y_i的值由i的比特圖編碼確定，y_i越接近于0，則標(biāo)明輸入越接近于i的比特圖編碼，表示當(dāng)前網(wǎng)絡(luò)輸入的判定結(jié)果是字符i；

S408.由于N₄個(gè)1*1大小的特征矩陣是由測(cè)試結(jié)果集M進(jìn)行多次卷積池化得到，故每一個(gè)特征矩陣在測(cè)試結(jié)果集M均存在對(duì)應(yīng)的向量M_i，對(duì)應(yīng)向量M_i的等級(jí)標(biāo)記即特征矩陣的等級(jí)標(biāo)記；將N₄個(gè)1*1大小的特征矩陣隨機(jī)劃分到訓(xùn)練樣本集和測(cè)試樣本集中；

S409.將訓(xùn)練樣本集中每一個(gè)特征矩陣作為神經(jīng)網(wǎng)絡(luò)輸出層的x_j，將特征矩陣對(duì)應(yīng)的等級(jí)標(biāo)記作為網(wǎng)絡(luò)識(shí)別結(jié)果，送入神經(jīng)網(wǎng)絡(luò)的輸出層中對(duì)其進(jìn)行訓(xùn)練；

S410.將測(cè)試樣本集中的每一個(gè)特征矩陣作為神經(jīng)網(wǎng)絡(luò)輸出層的x_j，神經(jīng)網(wǎng)絡(luò)輸出層輸出網(wǎng)絡(luò)識(shí)別結(jié)果，并將輸出的網(wǎng)絡(luò)識(shí)別結(jié)果與對(duì)應(yīng)特征矩陣的等級(jí)標(biāo)記進(jìn)行比較，計(jì)算識(shí)別率，并判斷識(shí)別率是否達(dá)標(biāo)；若是，得到成熟的神經(jīng)網(wǎng)絡(luò)；若否，返回步驟S409繼續(xù)訓(xùn)練。