[發明專利]基于聯邦學習和信任評估的分布式入侵檢測方法及系統

有效

• 申請號: 202110046755.5
• 申請日: 2021-01-14
• 公開（公告）號: CN112770291B
• 公開（公告）日: 2022-05-31
• 發明（設計）人: 劉虹;張鵬飛;倪華;徐耀宗;邵學彬;侯昕田
• 申請（專利權）人: 華東師范大學;上海工業控制安全創新科技有限公司;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

本發明提出一種基于聯邦學習和信任評估的分布式車載入侵檢測系統及方法，包括以下步驟：設計基于聯邦學習的分布式入侵檢測系統模型；基于聯邦學習實現入侵檢測模型的搭建與預訓練，分布式聚合器進行全局模型的廣播與分發；邊緣車輛基于自身的入侵檢測數據進行邊緣模型的訓練；基于行為評估選擇出邊緣代表結點作為簇頭完成邊緣模型的聚合任務；對模型參數加入掩碼后上傳給RSU；RSU聚合簇頭上傳的模型參數，通過RSU聚合出來的模型的質量對RSU進行信任評估，從而激勵分布式聚合結點競爭聚合出準確率更高的模型，最終基于區塊鏈原理存儲訓練模型，完成模型共享。本發明采用信息安全的安全評估方式進一步創造了適用于自動駕駛抵抗網絡入侵的防御檢測系統。

技術領域

本發明涉及自動駕駛技術和高級輔助駕駛技術安全領域，特別是一種基于聯邦學習和信任評估的分布式車載入侵檢測方法及系統。

背景技術

近年來，自動駕駛汽車的市場規模逐漸增加。邊緣計算使高效率的多方互聯成為可能。V2X也為構建具有自動駕駛輔助功能的智慧城市與智慧交通奠定了基礎。5G的發展可以大大提高邊緣計算的效率，并加速邊緣智能機器學習模型的訓練。不同的設備之間需要在安全通道上建立V2X通信，除此之外也必須要在安全的環境中建立多個車輛之間的協作關系和信息共享。目前，隨著自動駕駛的發展，隱私保護在智能交通領域也發揮著越來越重要的作用。由互連的車輛和交通基礎設施構建的車聯網絡面臨著多種入侵攻擊。為了提高車輛實體的防御能力，車載入侵檢測在自動駕駛安全領域已經越來越被受到關注。

隨著深度學習的飛速發展，各種入侵檢測系統的檢測準確性正在逐步提高。傳統的機器學習算法(例如，SVM，決策樹，隨機森林)和各種基于深度學習的深度神經網絡(例如，CNN，RNN，GAN)已被廣泛用于入侵檢測領域并取得了良好的性能表現。在各種機器學習算法中，深度神經網絡引人注目。但是，基于深度學習的入侵檢測系統要求設備具有強大的計算能力，并且當設備上的模型更加復雜時，訓練過程會很耗時。這種集中的訓練任務將計算負擔集中在了中央設備上，并且也更容易受到網絡攻擊。

本發明提出的基于聯邦學習的入侵檢測方案，通過使用分布式的聯邦學習，解決了傳統聯邦學習下的模型聚合器的中心化問題。聯邦學習作為一種協作的分布式機器學習方法，可以有效解決訓練數據的隱私保護問題。聯邦學習的提出就是為了分擔單臺中心服務器的模型訓練壓力，將AI算法的模型訓練過程直接下發到分散的多臺用戶設備上面進行，最終在中心的服務器上進行聚合分散的預訓練模型。多個用戶能夠以協作的方式學習共享的預訓練的預測模型，在某種程度上解決了數據隱私問題，保護了用戶在自身設備上的原始數據，因為用戶的數據從未離開用戶的設備。

發明內容

基于以上所述，本發明提出了一種基于聯邦學習和信任評估的分布式車載入侵檢測系統及方法，結合區塊鏈的去中心化存儲與去中心信任建立協作式的分布式入侵檢測模型。傳統的聯邦學習的模型聚合任務由中央云服務器完成。中央服務器首先收集邊緣模型更新(例如，權重，梯度)，然后使用它們來實現全局模型聚合。和傳統聚合方式不同，在分布式的聯邦學習中，路邊單元RSU在車輛網絡中扮演模型聚合服務器的角色。模型聚合后，關鍵問題是如何進行模型存儲和安全共享。為了防止單個路邊單元RSU所訓練的模型受到攻擊和惡意篡改，可以使用區塊鏈來解決其集中式的存儲與共享問題。

首先，單個路邊單元RSU容易受到外部網絡攻擊。為了提高路邊單元RSU的可擴展性，多個路邊單元RSU可以共同維護一個入侵檢測模型區塊鏈，以達到聚合模型的防篡性并完成模型的安全存儲和共享目的。多個RSU基于信任驅動的共識機制進行完成區塊鏈區塊的一致性寫入與存儲。聚合模型準確率高的RSU將充當礦工，負責將自己的聚合模型信息寫入區塊鏈的新區塊中，同時相應礦工的信任值也會增加，以此信任激勵機制，促使RSU競爭訓練出更高準確率的機器學習模型。由于區塊鏈的公開與防篡改特性，多個RSU可以共同維護和訪問同一條區塊鏈，任意篡改區塊鏈的行為都會使得自己的信任值降低，從而實現了模型的安全共享。