[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

本發明公開了一種物聯網環境下基于混合深度學習的網絡攻擊檢測方法，隨著物聯網的高速發展，網絡攻擊愈發多樣化與智能化，面對多樣的網絡攻擊，基于傳統機器學習的方法無法滿足復雜的網絡攻擊，單一深度學習模型檢測性能也不盡人意。本發明在現有的單一深度學習模型基礎上，構建混合深度學習模型，之后對模型進行編譯，再利用混合深度學習模型和單一深度學習模型進行對比實驗，使用公開的網絡入侵檢測數據集的訓練數據對模型進行訓練，再將訓練后的模型對測試集進行測試檢測，最后對各個模型的檢測結果進行評估，對比分析評估數據，得出混合深度學習可以有效提高對網絡攻擊的檢測性能的結論。

技術領域

本發明屬于網絡攻擊檢測和深度學習領域，具體涉及物聯網環境下基于混合深度學習的網絡攻擊檢測方法。

背景技術

隨著互聯網的普及與成熟，物聯網技術開始蓬勃發展。物聯網可采用無線連接，以降低通信成本。世界從互聯網的人與人連接階段發展到接下去物聯網的人與物、物與物連接的時代?；ヂ摼W與物聯網的發展也帶來了日益復雜化和智能化的網絡攻擊。因此對于網絡攻擊檢測的智能性、準確性和實時性的研究與提高已成為一種趨勢。

傳統的淺層機器學習或統計學為主的網絡攻擊檢測方法盡管發展較為成熟，但是需要人為提取數據特征，其面對日益智能化與多樣化的網絡攻擊，存在嚴重缺陷，如檢測率低，誤報率高，漏報率高，不具備高準確度的檢測能力。

深度學習的出現彌補了傳統機器學習人工提取特征的缺陷，通過強大的算法對數據的特征進行自動化提取，訓練復雜的深層模型，保存大量的參數，提高了對網絡攻擊的檢測能力。隨著深度學習的不斷發展，單一的深度學習算法同樣存在一定缺陷，由于單一的模型缺乏足夠的多樣性，因此會讓模型過于復雜，從而導致參數過多，模型訓練時間長且收斂速度慢，預測的精度也會降低。

發明內容

本發明針對現有技術的不足，提出了一種物聯網環境下基于混合深度學習的網絡攻擊檢測方法，減少深度學習神經網絡模型的訓練以及測試檢測時間，進一步提高在物聯網環境下對網絡攻擊的檢測能力。本發明的目的在于提供一種基于混合深度學習的網絡攻擊檢測方法，通過混合深度學習模型，提高在物聯網環境下對網絡攻擊檢測的性能，降低物聯網受網絡攻擊的風險。

為解決上述技術問題，本發明的技術方法步驟如下：

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