[發(fā)明專利]基于聯(lián)邦學習和信任評估的分布式入侵檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110046755.5
• 申請日: 2021-01-14
• 公開（公告）號: CN112770291B
• 公開（公告）日: 2022-05-31
• 發(fā)明（設計）人: 劉虹;張鵬飛;倪華;徐耀宗;邵學彬;侯昕田
• 申請（專利權(quán)）人: 華東師范大學;上海工業(yè)控制安全創(chuàng)新科技有限公司;中汽研軟件測評（天津）有限公司
• 主分類號: H04W4/44
• 分類號: H04W4/44;H04W12/121;G06N20/00
• 代理公司: 上海德禾翰通律師事務所 31319
• 代理人: 夏思秋

1.一種基于聯(lián)邦學習和信任評估的分布式車載入侵檢測方法，其特征在于，包括以下步驟：

步驟1：對傳統(tǒng)入侵檢測系統(tǒng)進行分析，設計基于聯(lián)邦學習的分布式入侵檢測系統(tǒng)模型；所述基于聯(lián)邦學習的分布式車載入侵檢測系統(tǒng)包含上層聚合服務器即路邊單元RSU，下層普通邊緣車輛和簇頭代表車輛；所述系統(tǒng)包含一個兩階段的入侵檢測架構(gòu)，下層邊緣車輛完成邊緣層面的模型訓練和聚合任務，然后簇頭代表將邊緣聚合模型加入掩碼后上傳給上層的分布式聚合服務器即路邊單元RSU，然后完成最終的模型聚合訓練；

步驟2：基于聯(lián)邦學習實現(xiàn)入侵檢測模型的搭建與預訓練，路邊單元RSU作為分布式聚合器進行全局模型的廣播與分發(fā)；所述步驟2中，掩碼噪聲采用Shamir秘密分享方案，多個車輛向路邊單元RSU發(fā)送全局模型和子秘密請求，路邊單元RSU根據(jù)在不同時間段內(nèi)收到的車輛請求數(shù)量的不同，動態(tài)調(diào)整秘密共享閾值t；閾值系數(shù)用于控制t數(shù)量的調(diào)整，公式為：t＝C×α，其中t表示閾值，C是路邊單元RSU收到的車輛請求總數(shù)，α表示閾值系數(shù)，路邊單元RSU將全局模型權(quán)重參數(shù)以及子秘密分發(fā)給周圍的車輛；

步驟3：邊緣車輛基于接收到的全局模型和自身的入侵檢測數(shù)據(jù)進行邊緣模型的訓練；

步驟4：基于行為評估選擇出邊緣代表結(jié)點作為簇頭完成邊緣模型的聚合任務，包括以下子步驟：

步驟4.1：為了完成邊緣模型的聚合和上傳，每個集群都選擇一個集群頭作為簇頭來聚合集群成員的邊緣模型，從而減少向路邊單元RSU的上傳次數(shù)；

步驟4.2：通過對邊緣車輛進行行為和性能評估計算性能評估值c_k，評估值高的車輛將被選作為簇頭負責邊緣模型的聚合和上傳任務；

步驟4.3：性能評估的標準由邊緣車自身訓練模型的準確率與上層路邊單元RSU的通信的時間延遲t_vi、自身的能源損耗三方面組成；

所述步驟4中，為了完成簇頭的選擇工作，需要對參與邊緣訓練的車輛進行性能和行為評估，評估基于每個邊緣車輛到路邊單元RSU的能耗的最小總和；

所述步驟4中，計算時間消耗：公式表示為其中，t_vi被認為是從將模型發(fā)送到邊緣車輛的時間延遲,b_vi被認為是網(wǎng)絡帶寬，兩者的比值被認為是時間消耗；

所述步驟4中，計算全局模型與自身訓練的模型準確率比值：公式表示為其中，被認為是路邊單元RSU所分發(fā)的全局模型的準確率，被認為是邊緣車輛自身的模型的準確率，兩者的比值被認為是全局模型相對于邊緣車輛模型的準確程度；

所述步驟4中，計算車輛的能源消耗：公式表示為其中，被認為是車輛的剩余能量，被認為是車輛的初始能量，兩者的比值被認為是車輛的能源消耗；和/或，

所述步驟4中，計算邊緣汽車的總消耗：c_k的評估依據(jù)為其中，φ_i是針對某種消耗的權(quán)重，為全局模型與自身訓練模型準確率的比值，為時間損耗，為車輛的能源損耗，e為指數(shù)函數(shù)，三個量之和為1即φ₁+φ₂+φ₃＝1；根據(jù)不同度量指標的重要性，為其分配不同的權(quán)重，其中參數(shù)μ控制性能評估的變化程度；

步驟5：對模型參數(shù)加入掩碼后上傳給路邊單元RSU，包括以下子步驟：

步驟5.1：每個簇頭使用梯度下降算法根據(jù)聚合的邊緣模型在自身數(shù)據(jù)集上持續(xù)訓練，直到損失函數(shù)收斂為止；

步驟5.2：參與者將其新模型權(quán)重w_i加上接收到的子秘密s_i作為掩碼發(fā)送給路邊單元RSU；

所述步驟5中：在選出簇頭之后，簇頭代表為防止模型參數(shù)的隱私泄露，對模型參數(shù)加入掩碼后上傳給路邊單元RSU即將模型參數(shù)信息加入從路邊單元RSU接收到的子秘密，然后再上傳給路邊單元RSU；

步驟6：路邊單元RSU聚合簇頭上傳的模型參數(shù)，通過路邊單元RSU聚合出來的模型的質(zhì)量對路邊單元RSU進行信任評估，從而激勵分布式聚合結(jié)點競爭聚合出準確率更高的模型，最終基于區(qū)塊鏈原理存儲訓練模型，完成模型共享；所述步驟6中：每一個上層的分布式聚合服務器即路邊單元RSU在收到多個加入子秘密掩碼的邊緣模型之后，以重組子秘密的方式進行掩碼去噪得到模型的均值信息：其中，w_i為模型參數(shù)信息，s_i為子秘密，s為RSU最初構(gòu)建生成的秘密值，也是多個子秘密重構(gòu)的目標值；在新的時間點，每個路邊單元RSU都可以聚合并訓練自己的全局模型，從而以更高的準確率與其他的路邊單元RSU競爭進而完成區(qū)塊鏈的共識，并將以路邊單元RSU聚合模型的準確率作為其衡量標準進行評估其信任值；擁有較高準確率的路邊單元RSU將獲得區(qū)塊鏈的記賬權(quán)從而將新模型進行存儲到區(qū)塊鏈中，完成區(qū)塊鏈的防篡改和透明存儲以便更安全地實現(xiàn)模型共享。