[發明專利]基于云霧協同的車聯網入侵檢測方法

在審

• 申請號: 202011491452.6
• 申請日: 2020-12-17
• 公開（公告）號: CN112804189A
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 賴英旭;曹天浩;劉靜;王一鵬
• 申請（專利權）人: 北京工業大學
• 主分類號: H04L29/06
• 分類號: H04L29/06;H04L29/08;G06K9/62;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

1.一種基于云霧協同的車聯網入侵檢測方法，其特征在于：采用云霧協同的數據分類方法，在霧節點采用決策樹CART分類器進行粗分類，云服務器采用代價敏感CNN算法進行具體分類，包括：

步驟1，將車聯網數據轉化為特征向量數據集，特征向量集具體包括802.11p協議IP地址及類型，UDP數據報和IP數據報中的時間、源IP、目的IP、協議名、包大小、端口號、flag信息，以及丟包率、通信鏈接次數。在資源有限的霧節點利用決策樹CART算法對特征向量數據集進行學習，獲得決策樹CART分類器；

步驟2，在霧節點采用決策樹CART將特征向量數據集初步分類，初步分類后的特征向量數據發送至云服務器；

步驟3，在云服務器上，部署代價敏感CNN算法，代價敏感CNN算法對霧節點發送的數據進行具體分類。

2.根據權利要求1所述的一種基于云霧協同的車聯網入侵檢測方法，其特征在于，所述步驟2中在霧節點采用決策樹CART算法進行初步分類，包括：

在車聯網的霧節點檢測中采用CART決策樹算法，CART決策樹通過選取GINI系數最小的屬性作為根節點的分裂屬性，利用二元遞歸分裂方法形成一種二叉樹形式的簡單決策樹，并且在霧節點進行二分類時效率最高，適合霧節點資源有限并且實時性檢測要求。

3.根據權利要求1所述的一種基于云霧協同的車聯網入侵檢測方法，其特征在于，所述步驟2中在霧節點和云服務器進行不同計算任務分配實現協同，具體協同步驟包括：

步驟21，霧節點將數據進行二分類，分為正常數據和可疑數據。如果霧節點檢測到正常數據，則在本地處理，減少發送到云服務器的數據，用于保護智能交通環境下的用戶隱私數據。

步驟22，在霧節點上，如果檢測到的數據為異常數據，則霧節點將數據發送至云服務器。

步驟23，在云服務器上，代價敏感CNN算法對異常數據進行多分類，得到具體的攻擊類型。

步驟24，云服務器中的響應系統會將結果發送至霧節點端的管理員，管理員發現被感染的智能設備，并采取措施實現霧節點與云服務器的協同工作。

4.根據權利要求1所述的一種基于云霧協同的車聯網入侵檢測方法，其特征在于，所述步驟3中代價敏感CNN在CNN的softmax和loss層之間加入代價矩陣ξ，通過聯合優化自動更新參數，具體包括：

步驟31，霧節點篩選出來的可疑數據傳遞給代價敏感CNN算法，將數據標簽更新，更改為具體的攻擊標簽。為減少類別不平衡對算法的影響，修改CNN的最后一層，在softmax和loss層之間加入一個代價矩陣；

步驟32，在計算分類損失之前，代價矩陣的結果被壓縮到[0,1]之間，損失函數采用的是交叉熵損失函數；

步驟33，代價矩陣ξ所添加的位置，在softmax的公式中每一個元素的指數值前，都相應的乘上一個代價值，所有的代價值構成代價矩陣的值，其中softmax公式中o_n表示經過兩層CNN的輸出。

步驟34，使用交叉熵損失函數時，需要更新代價敏感CNN參數θ和代價矩陣參數ξ，采用聯合優化方式更新θ和ξ；

5.根據權利要求4所述的步驟34采用聯合優化方式更新θ和ξ，具體包括：

步驟51，對于θ的優化，使用誤差反向傳播的隨機梯度下降。為了優化ξ，再次使用梯度下降算法來計算步長的方向來更新參數，具體如下；

步驟52，創建代價敏感CNN網絡，初始化神經網絡參數θ，將代價矩陣，誤差初始化設為1；

步驟53，epoch循環開始，直到達到最大epoch數；

步驟54，計算梯度grad(x，d，F(ξ))，更新梯度參數,其中，x為數據，d為數據標簽；

步驟55，batch循環內，前向傳播得到輸出，反向傳播得到梯度，更新網絡參數，達到最大batch數，則退出該循環；

步驟56，前向傳播得到誤差，如果誤差大于設定誤差，則代價矩陣的學習率縮小100倍，更新誤差；

步驟57，epoch循環停止，退出循環；

步驟58，得到代價矩陣參數ξ和學習參數θ最優值。利用待識別的特征向量數據集對代價敏感CNN算法進行訓練，得到代價敏感CNN算法分類器。