[發明專利]物聯網環境下基于混合深度學習的網絡攻擊檢測方法

有效

• 申請號: 202011363721.0
• 申請日: 2020-11-27
• 公開（公告）號: CN112491891B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 付興兵;吳炳金;焦利彬;索宏澤;章堅武;唐向宏
• 申請（專利權）人: 杭州電子科技大學;中國電子科技集團公司第五十四研究所
• 主分類號: H04L9/40
• 分類號: H04L9/40;G06N3/04;G06N3/08;H04L41/14;G06K9/62
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

1.物聯網環境下基于混合深度學習的網絡攻擊檢測方法，其特征在于，包括如下步驟：

步驟1：構建單一的深度學習模型和混合深度學習模型；

構建SIMPLE模型；一層為輸出單元為64，激活函數為ReLU的全連接層，第二層為輸出單元為1的全連接層；

構建單一的GRU模型，即門控循環神經網絡，首先連上5層輸出單元為64的GRU層，并在每層后跟上Dropout層；之后再加一層輸出單元為64的GRU層和Dropout層，輸出層為輸出單元為1的全連接層；

構建單一的LSTM模型，即長短期記憶模型；首先連上5層輸出單元為64的LSTM層，并在每層后跟上Dropout層；之后再加一層輸出單元為64的LSTM層和Dropout層，輸出層為輸出單元為1的全連接層；

構建混合深度學習模型Multi-Scale CNN+GRU，即多尺度CNN與GRU混合模型；首先對輸入張量進行形狀變換，分別為(1,76),(2,38),(4,19)，由這三個輸入張量分別構建三個CNN模型，輸出層全連接層，輸出形狀分別為(30),(20),(20)；將這三個CNN模型進行連接，再加上GRU層和全連接層，最后輸出單元為1；其結構如表1所示；

Multi-Scale CNN+GRU

表1

構建混合深度學習模型Multi-Scale CNN+LSTM，即多尺度CNN與LSTM混合模型；首先對輸入張量進行形狀變換，分別為(1,76),(2,38),(4,19)，由這三個輸入張量分別構建三個CNN模型，輸出層全連接層，輸出形狀分別為(30),(20),(20)；將這三個CNN模型進行連接，再加上LSTM層和全連接層，最后輸出單元為1；

Multi-Scale CNN+LSTM

表2

步驟2：編譯所構建的深度學習模型；

每個模型的輸出層激活函數，優化器，損失函數，評估指標均一致；即每個模型的輸出層激活函數采用Sigmoid函數；優化器選擇Adam優化器；損失函數采用標簽交叉熵損失函數；評估指標采用二分類精度算法；SIMPLE模型的輸入張量形狀為(76)，而其余模型均為(1,76)；

步驟3：使用公開的網絡入侵檢測數據集的訓練集對上述五個模型進行訓練；

步驟4：使用數據集的測試集測試訓練完成的單一模型和混合模型；

所述步驟3具體包括以下步驟：

步驟3.1：利用通信安全機構和加拿大網絡安全研究所合作項目收集的網絡入侵數據集CIC-IDS-2017，將其中Protocol字段下的字符值按照類別映射到數值，再進行one-hot編碼；將Label字段下的BENIGN數據改成0，即正常記錄，非BENIGN數據改為1，即異常記錄；

步驟3.2：將所有數據進行歸一化，從而讓各個數據都處于[0,1]之間；歸一化算法為：x'＝(x-min)/(max-min)，其中x為特征屬性值，min為x的最小值，max為x的最大值，x'為歸一化后的特征屬性值；

步驟3.3：將數據集打亂，防止出現前一半為正常數據，后一半為異常數據，從而對模型訓練造成偏差，之后拆分成訓練集和測試集，之后分別將訓練集和測試集的數據存入數據庫；

步驟3.4：取出數據庫中的訓練集，將訓練集分割成訓練集和驗證集，分別對5個模型進行訓練，將每個模型的history數據保存在本地，同時將訓練后的模型保存在本地。

2.如權利要求1所述的物聯網環境下基于混合深度學習的網絡攻擊檢測方法，其特征在于：所述步驟4包括以下步驟：

步驟4.1：取出數據庫中的測試集，將Label特征字段分割出來，為實際結果，用作與預測結果的分析計算；

步驟4.2：分別用同一個測試集去測試上述5個模型，記錄預測值；

步驟4.3：計算預測結果和實際結果的差異，得出各項評估指標，包括準確率、誤報率和檢測率，精準率、召回率和F1-Measure，并記錄訓練和測試的消耗時間，繪制各模型ROC曲線。

3.如權利要求1所述的物聯網環境下基于混合深度學習的網絡攻擊檢測方法，其特征在于：步驟3.3中訓練集和測試集比例為7：3。

4.如權利要求1所述的物聯網環境下基于混合深度學習的網絡攻擊檢測方法，其特征在于：步驟3.4中將訓練集以6：4的比例分割成訓練集和驗證集。