[發(fā)明專利]超密集網(wǎng)絡(luò)下基于聯(lián)邦學(xué)習(xí)的緩存污染攻擊檢測方法

有效

• 申請?zhí)枺?/td>: 202010902459.6
• 申請日: 2020-09-01
• 公開（公告）號: CN112188495B
• 公開（公告）日: 2021-11-19
• 發(fā)明（設(shè)計）人: 姚琳;李佳;吳國偉
• 申請（專利權(quán)）人: 大連理工大學(xué)
• 主分類號: H04W12/121
• 分類號: H04W12/121;H04W12/122;H04L29/06
• 代理公司: 大連理工大學(xué)專利中心 21200
• 代理人: 溫福雪;侯明遠(yuǎn)

1.一種超密集網(wǎng)絡(luò)下基于聯(lián)邦學(xué)習(xí)的緩存污染攻擊檢測方法，其特征在于，步驟如下：

(1)首先所有小基站根據(jù)距離和負(fù)載相似度分布式地形成簇，從而使得簇頭在收集統(tǒng)計值時產(chǎn)生較小開銷的同時盡量均衡分布在簇之間的統(tǒng)計值，避免聯(lián)邦學(xué)習(xí)中本地分類器的訓(xùn)練時間差異過大降低共享分類器的收斂速度；

簇的形成與調(diào)整，具體過程如下：

(1.1)首先每個孤立的小基站計算到鄰接小基站的加權(quán)距離和：

其中，N_n是小基站s_k的鄰接小基站的數(shù)目，L_k和∈_k分別是s_k的位置和負(fù)載，在本方案中，假設(shè)所有用戶以相同的頻率請求內(nèi)容，負(fù)載簡化為連接到小基站的用戶的數(shù)量；

加權(quán)距離和最小的小基站單獨成為一個簇，并且將自己視為簇頭；然后簇頭把簇的狀態(tài)信息封裝到通信幀里，包括簇頭的位置和簇的總負(fù)載∈_sum(g_k)；

(1.2)當(dāng)一個小基站s_i周期性地從鄰居那里收到相鄰簇的通信幀之后，它將計算和相鄰簇的聯(lián)合相似度，并選擇相似度最高的簇的簇頭g_ha發(fā)送其位置、負(fù)載和聯(lián)合相似度以請求加入，聯(lián)合相似度基于位置和負(fù)載的計算方式如下：

距離相似度：小基站s_i和相鄰簇g_k之間基于位置的相似度，公式定義如下：

其中，L_i和L_hk分別表示s_i和g_k的簇頭g_hk的物理坐標(biāo)；ε_l是用于控制相似度范圍的常數(shù)；

負(fù)載相似度：小基站s_i和相鄰簇g_k間基于負(fù)載的相似度，公式定義如下：

其中，∈_sum(g_k)′是假設(shè)s_i加入g_k后的總負(fù)載，計算公式定義為即當(dāng)前g_k內(nèi)所有小基站的負(fù)載之和加上s_i的負(fù)載，其中N_k是當(dāng)前g_k內(nèi)小基站的數(shù)目；表示與s_i相鄰的所有簇g_j，1≤j≤N_b的平均負(fù)載，計算公式定義為其中N_b是與s_i相鄰的簇的數(shù)目；而ε_n用于控制相似度的范圍；

聯(lián)合相似度：結(jié)合距離相似度和負(fù)載相似度得到；

J(s_i，g_k)＝θ·D(s_i，g_k)+(1-θ)·N(s_i，g_k)

其中，θ用于協(xié)調(diào)距離和負(fù)載相似度的影響；

(1.3)簇頭g_ha在上一步可能會收到多個加入請求，但它只選擇聯(lián)合相似度最高的小基站允許其加入，并更新簇頭：

其中，N_a是相鄰簇g_a內(nèi)小基站的數(shù)目，g′_ha表示新選舉出來的簇頭；

然后g_ha將簇最新的狀態(tài)信息封裝到通信幀中以回復(fù)小基站的加入請求；

(1.4)所有簇內(nèi)小基站收到最新的簇狀態(tài)信息后就將其封裝到自己的通信幀；

(1.5)以上四個步驟將會重復(fù)迭代直到?jīng)]有孤立的小基站；當(dāng)一個簇的成員少于所有小基站的10％或超過20％時，就與其他簇合并或分裂成兩個簇，分裂或合并可能會造成簇之間負(fù)載不均衡，所以合并和分裂產(chǎn)生的新簇需要繼續(xù)進(jìn)行多次(1.1)到(1.4)的過程來調(diào)整簇；

(2)當(dāng)簇穩(wěn)定后，為了將分布式存在于網(wǎng)絡(luò)中的統(tǒng)計值合理地利用起來，本方案基于經(jīng)典的聯(lián)邦學(xué)習(xí)算法FedAvg訓(xùn)練分類器；整個過程以一個共享的初始分類器ω₀開始，ω₀是由宏基站在預(yù)熱階段使用自己收集到的統(tǒng)計值訓(xùn)練得到的；然后，通過迭代多個本地訓(xùn)練、中心聚合的過程，才能生成最終的全局模型；在每次迭代中，都會為下一次迭代生成一個新的共享分類器；在該方案中，簇頭作為FedAvg中的工作節(jié)點負(fù)責(zé)整合所有簇內(nèi)成員的統(tǒng)計值來訓(xùn)練本地分類器，而位于中心的宏基站則作為參數(shù)服務(wù)器負(fù)責(zé)以加權(quán)平均的方式聚合所有本地分類器；

分類器生成的具體過程如下：

(2.1)在開始訓(xùn)練之前，首先需要收集數(shù)據(jù)，為了保證每個工作節(jié)點上的訓(xùn)練數(shù)據(jù)充足，每個小基站包括簇頭都要收集數(shù)據(jù)進(jìn)行以下的統(tǒng)計：

請求比率：在第k個時間片中，請求內(nèi)容c_i的興趣包數(shù)量與所有接收到的請求的比率；

γ_k(c_i)＝n(C_i)/N

其中，n(c_i)是請求內(nèi)容c_i的興趣包的數(shù)量，N是所有請求的數(shù)量；

個體請求強度方差：個體對內(nèi)容c_i的請求強度的方差；

其中，N_u是對內(nèi)容c_i發(fā)送請求的用戶的數(shù)目，n_j(c_i)是第j個用戶發(fā)送的對內(nèi)容c_i的請求的數(shù)量，N_j是第j個用戶發(fā)送的所有請求的數(shù)量；

請求比率方差：過去m個時間片內(nèi)內(nèi)容c_i的請求比率的方差；

其中，E(γ(c_i))是內(nèi)容c_i的請求比率的期望；

請求多樣性程度：第k個時間片中請求多樣性的程度；

d(γ_k(C))＝||γ_k(C)||₀

其中，γ_k(C)＝[γ_k(c₁)，γ_k(c₂)，…，γ_k(c_n)]；

請求時間間隔方差：過去m個時間片內(nèi)請求時間間隔的方差；

其中，t_j(c_i)是第j個時間片內(nèi)關(guān)于內(nèi)容c_i的請求時間間隔，E(t(c_i))是內(nèi)容c_i的請求時間間隔的期望；

緩存留存比率：緩存中第(k-1)和第k個時間片中都緩存了的內(nèi)容的數(shù)量與第k個時間片中緩存內(nèi)容數(shù)量的比值；

其中，C_k是第k個時間片中緩存中內(nèi)容的集合；

(2.2)因為一些緩存替換策略能減輕LDA的影響，所以本方案只檢測FLA類型的攻擊；使用LSTM作為分類器來學(xué)習(xí)請求模式和相應(yīng)的內(nèi)容標(biāo)簽之間的關(guān)系，基于LSTM實現(xiàn)的分類器的所有參數(shù)標(biāo)記為ω，其損失函數(shù)如下：

其中，y是內(nèi)容的原始的標(biāo)簽，0表示正常，1表示惡意，表示內(nèi)容被預(yù)測為惡意的概率；

每個小基站在收集到以上統(tǒng)計值后周期性地發(fā)送到各自的簇頭；簇頭將每個時間片的六個統(tǒng)計值構(gòu)造成六維的特征向量，并按時間順序組織成長度為L的時間序列用于計算對當(dāng)前的共享分類器ω_p的更新p表示第p次迭代，i表示該簇頭的標(biāo)識；

(2.3)每當(dāng)簇頭完成本地分類器的訓(xùn)練之后就將更新的本地分類器發(fā)送給作為參數(shù)服務(wù)器的宏基站，在每次迭代中，距收到第一個更新的本地分類器L個時間片后，宏基站就以加權(quán)平均的方式聚合這些本地分類器得到新的共享分類器用于下一次迭代：

其中，|D_i|是第i個簇頭收集到的樣本的數(shù)目，N_g是簇的總數(shù)；

以上三個步驟將迭代多次直到共享分類器收斂，最后得到的全局分類器被廣播給有小基站用于檢測FLA；

(3)所有小基站在收到興趣包后進(jìn)行統(tǒng)計并構(gòu)造特時間序列基于分類器預(yù)測內(nèi)容的標(biāo)簽；此外，為了減輕LDA的影響，本方案采用基于流行度的緩存替換策略，內(nèi)容c_i的流行度計算公式如下：

ρ(c_i)＝ρ(c_i)·α^Δt+β

其中，α是衰減常數(shù)，Δt是連續(xù)兩個請求內(nèi)容c_i的興趣包之間的時間間隔，β是流行度增長常數(shù)；流行度隨著時間間隔的增長呈指數(shù)衰減；

所以本方案只需檢測FLA類型的攻擊，一旦內(nèi)容被預(yù)測為惡意，考慮到存在大量用戶突然對一些不流行內(nèi)容感興趣的特殊情況，該方案仍然繼續(xù)轉(zhuǎn)發(fā)這些興趣包，但是相應(yīng)的內(nèi)容不會被緩存，流行度也不會更新，以避免這些內(nèi)容占用緩存空間。