[發(fā)明專利]基于單源領(lǐng)域擴(kuò)充與先驗(yàn)參數(shù)遷移的ARP攻擊檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210080247.3
• 申請(qǐng)日: 2022-01-24
• 公開（公告）號(hào): CN114428960A
• 公開（公告）日: 2022-05-03
• 發(fā)明（設(shè)計(jì)）人: 李重;黃慧穎;莊慧敏
• 申請(qǐng)（專利權(quán)）人: 東華大學(xué)
• 主分類號(hào): G06F21/57
• 分類號(hào): G06F21/57;G06K9/62;G06N20/00;H04L9/40;H04L41/142;H04L41/16
• 代理公司: 北京知呱呱知識(shí)產(chǎn)權(quán)代理有限公司 11577
• 代理人: 胡樂

本申請(qǐng)公開了一種基于單源領(lǐng)域擴(kuò)充與先驗(yàn)參數(shù)遷移的ARP攻擊檢測(cè)方法，首先獲取單源領(lǐng)域樣本，單源領(lǐng)域樣本包括標(biāo)記樣本和未標(biāo)記樣本；對(duì)標(biāo)記樣本進(jìn)行Bootstrap采樣得到標(biāo)記樣本子集，對(duì)未標(biāo)記樣本進(jìn)行K?means聚類并進(jìn)行分簇采樣得到未標(biāo)記樣本子集，根據(jù)標(biāo)記樣本子集和未標(biāo)記樣本子集得到多源領(lǐng)域樣本；然后，基于多源領(lǐng)域樣本進(jìn)行貝葉斯集成模型的源參數(shù)預(yù)處理，得到用于遷移的源領(lǐng)域參數(shù)；最后通過與目標(biāo)領(lǐng)域參數(shù)的可遷移度分析，在設(shè)置源領(lǐng)域參數(shù)權(quán)重后與目標(biāo)領(lǐng)域參數(shù)結(jié)合得到遷移參數(shù)，并通過加權(quán)不同源的遷移參數(shù)得到對(duì)ARP攻擊進(jìn)行檢測(cè)的目標(biāo)分類器。可以看出，本申請(qǐng)能夠相比于現(xiàn)有技術(shù)提高了新工業(yè)物聯(lián)網(wǎng)場(chǎng)景中的ARP攻擊檢測(cè)效果。

技術(shù)領(lǐng)域

本發(fā)明涉及ARP攻擊檢測(cè)領(lǐng)域，特別涉及一種基于單源領(lǐng)域擴(kuò)充與先驗(yàn)參數(shù)遷移的ARP攻擊檢測(cè)方法。

背景技術(shù)

在工業(yè)物聯(lián)網(wǎng)場(chǎng)景的運(yùn)行初期，只依靠其少量數(shù)據(jù)訓(xùn)練的檢測(cè)模型無(wú)法擁有良好的ARP(Address ResolutionProtocol，地址解析協(xié)議)攻擊檢測(cè)性能，因?yàn)锳RP攻擊需要隨著工業(yè)物聯(lián)網(wǎng)的運(yùn)行程度的加深才能呈現(xiàn)出其潛在的規(guī)律性從而被發(fā)現(xiàn)。另一方面，因?yàn)榄h(huán)境配置和生產(chǎn)業(yè)務(wù)的不同，在不同工業(yè)物聯(lián)網(wǎng)環(huán)境下的生產(chǎn)數(shù)據(jù)具有不同的統(tǒng)計(jì)性質(zhì)，從而導(dǎo)致在一個(gè)已經(jīng)運(yùn)行成熟的工業(yè)物聯(lián)網(wǎng)場(chǎng)景下訓(xùn)練得到的ARP攻擊檢測(cè)器無(wú)法適用于新環(huán)境。

現(xiàn)有技術(shù)中通常是采用半監(jiān)督學(xué)習(xí)的ARP攻擊檢測(cè)方法，然而這種方法，則存在著少量數(shù)據(jù)無(wú)法進(jìn)行半監(jiān)督學(xué)習(xí)，而其他環(huán)境下訓(xùn)練好的檢測(cè)模型又無(wú)法直接用于該環(huán)境的問題。

發(fā)明內(nèi)容

基于此，本申請(qǐng)實(shí)施例提供了一種基于單源領(lǐng)域擴(kuò)充與先驗(yàn)參數(shù)遷移的ARP攻擊檢測(cè)方法，能夠相比于現(xiàn)有技術(shù)提高了新工業(yè)物聯(lián)網(wǎng)場(chǎng)景中的ARP攻擊檢測(cè)效果。

本申請(qǐng)?zhí)峁┝艘环N基于單源領(lǐng)域擴(kuò)充與先驗(yàn)參數(shù)遷移的ARP攻擊檢測(cè)方法，該方法包括：

獲取單源領(lǐng)域樣本，所述單源領(lǐng)域樣本包括標(biāo)記樣本和未標(biāo)記樣本；

對(duì)所述標(biāo)記樣本進(jìn)行Bootstrap采樣得到標(biāo)記樣本子集，對(duì)所述未標(biāo)記樣本進(jìn)行K-means聚類并進(jìn)行分簇采樣得到未標(biāo)記樣本子集，根據(jù)所述標(biāo)記樣本子集和所述未標(biāo)記樣本子集得到多源領(lǐng)域樣本；

基于所述多源領(lǐng)域樣本進(jìn)行貝葉斯集成模型的源參數(shù)預(yù)處理，得到用于遷移的源領(lǐng)域參數(shù)；

通過與目標(biāo)領(lǐng)域參數(shù)的可遷移度分析，在設(shè)置源領(lǐng)域參數(shù)權(quán)重后與目標(biāo)領(lǐng)域參數(shù)結(jié)合得到遷移參數(shù)，并通過加權(quán)不同源的遷移參數(shù)得到目標(biāo)分類器，所述目標(biāo)分類器用于對(duì)ARP攻擊進(jìn)行檢測(cè)。

可選地，對(duì)所述未標(biāo)記樣本進(jìn)行K-means聚類并進(jìn)行分簇采樣得到未標(biāo)記樣本子集，包括：

在未標(biāo)記樣本上進(jìn)行K-means聚類，將其分到K_S個(gè)由相似度高的數(shù)據(jù)組成的簇然后計(jì)算每個(gè)簇與目標(biāo)訓(xùn)練數(shù)據(jù)D_T的相似度，其中，數(shù)據(jù)流統(tǒng)計(jì)信息的相似性來反映簇與目標(biāo)訓(xùn)練數(shù)據(jù)之間的相似性，X_i與X_j分別表示簇與目標(biāo)領(lǐng)域中的數(shù)據(jù)，將和的相似度定義為：

將所有簇與目標(biāo)領(lǐng)域訓(xùn)練數(shù)據(jù)的相似度之和作為分母，其相似度作為分子，可以得到該簇的采樣權(quán)重，并將其作為其采樣比例，具體公式為：

對(duì)每個(gè)簇進(jìn)行采樣大小為的放回采樣，共同構(gòu)成未標(biāo)記樣本子集

可選地，標(biāo)記樣本子集為根據(jù)所述標(biāo)記樣本子集和所述未標(biāo)記樣本子集得到多源領(lǐng)域樣本，包括：

標(biāo)記樣本子集和未標(biāo)記樣本子集共同組成由未標(biāo)記樣本D_S采樣得到的樣本經(jīng)過K_s輪采樣擴(kuò)充后，由K_s個(gè)源領(lǐng)域構(gòu)成的多源領(lǐng)域樣本。