[發(fā)明專利]基于單源領(lǐng)域擴充與先驗參數(shù)遷移的ARP攻擊檢測方法在審
| 申請?zhí)枺?/td> | 202210080247.3 | 申請日： | 2022-01-24 |
| 公開（公告）號： | CN114428960A | 公開（公告）日： | 2022-05-03 |
| 發(fā)明（設(shè)計）人： | 李重;黃慧穎;莊慧敏 | 申請（專利權(quán)）人： | 東華大學(xué) |
| 主分類號： | G06F21/57 | 分類號： | G06F21/57;G06K9/62;G06N20/00;H04L9/40;H04L41/142;H04L41/16 |
| 代理公司： | 北京知呱呱知識產(chǎn)權(quán)代理有限公司 11577 | 代理人： | 胡樂 |
| 地址： | 200050 上*** | 國省代碼： | 上海;31 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 基于 領(lǐng)域 擴充 先驗 參數(shù) 遷移 arp 攻擊 檢測 方法 | ||
1.一種基于單源領(lǐng)域擴充與先驗參數(shù)遷移的ARP攻擊檢測方法，其特征在于，所述方法包括：
獲取單源領(lǐng)域樣本，所述單源領(lǐng)域樣本包括標(biāo)記樣本和未標(biāo)記樣本；
對所述標(biāo)記樣本進行Bootstrap采樣得到標(biāo)記樣本子集，對所述未標(biāo)記樣本進行K-means聚類并進行分簇采樣得到未標(biāo)記樣本子集，根據(jù)所述標(biāo)記樣本子集和所述未標(biāo)記樣本子集得到多源領(lǐng)域樣本；
基于所述多源領(lǐng)域樣本進行貝葉斯集成模型的源參數(shù)預(yù)處理，得到用于遷移的源領(lǐng)域參數(shù)；
通過與目標(biāo)領(lǐng)域參數(shù)的可遷移度分析，在設(shè)置源領(lǐng)域參數(shù)權(quán)重后與目標(biāo)領(lǐng)域參數(shù)結(jié)合得到遷移參數(shù)，并通過加權(quán)不同源的遷移參數(shù)得到目標(biāo)分類器，所述目標(biāo)分類器用于對ARP攻擊進行檢測。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，對所述未標(biāo)記樣本進行K-means聚類并進行分簇采樣得到未標(biāo)記樣本子集，包括：
在未標(biāo)記樣本上進行K-means聚類，將其分到KS個由相似度高的數(shù)據(jù)組成的簇然后計算每個簇與目標(biāo)訓(xùn)練數(shù)據(jù)DT的相似度，其中，數(shù)據(jù)流統(tǒng)計信息的相似性來反映簇與目標(biāo)訓(xùn)練數(shù)據(jù)之間的相似性，Xi與Xj分別表示簇與目標(biāo)領(lǐng)域中的數(shù)據(jù)，將和的相似度定義為：
將所有簇與目標(biāo)領(lǐng)域訓(xùn)練數(shù)據(jù)的相似度之和作為分母，其相似度作為分子，可以得到該簇的采樣權(quán)重，并將其作為其采樣比例，具體公式為：
對每個簇進行采樣大小為的放回采樣，共同構(gòu)成未標(biāo)記樣本子集
3.根據(jù)權(quán)利要求2所述的方法，標(biāo)記樣本子集為其特征在于，根據(jù)所述標(biāo)記樣本子集和所述未標(biāo)記樣本子集得到多源領(lǐng)域樣本，包括：
標(biāo)記樣本子集和未標(biāo)記樣本子集共同組成由未標(biāo)記樣本DS采樣得到的樣本經(jīng)過Ks輪采樣擴充后，由Ks個源領(lǐng)域構(gòu)成的多源領(lǐng)域樣本。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，在基于所述多源領(lǐng)域樣本進行貝葉斯集成模型的源參數(shù)預(yù)處理之前，還包括：
基于訓(xùn)練集來估計類先驗概率P(c)和每個特征f在類別c下的條件概率P(f|c)，得到貝葉斯集成模型參數(shù)具體包括：
其中，Pm(fi|cj)表示第m個基學(xué)習(xí)器對應(yīng)的特征fi(i＝1，...，10)在類別cj(j＝1，2)下的條件概率。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于所述多源領(lǐng)域樣本進行貝葉斯集成模型的源參數(shù)預(yù)處理，得到用于遷移的源領(lǐng)域參數(shù)，包括：
對貝葉斯集成模型中每個基學(xué)習(xí)器賦予其對應(yīng)的權(quán)重得到用于遷移的參數(shù)向量PS，參數(shù)向量對應(yīng)的類分布概率PS(c)和特征條件概率PS(f|c)具體包括：
其中，αm表示第m個基學(xué)習(xí)器所分配的權(quán)重。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，通過與目標(biāo)領(lǐng)域參數(shù)的可遷移度分析，包括：
采用皮爾森相關(guān)系數(shù)將每個源領(lǐng)域與目標(biāo)領(lǐng)域的每個概率分布進行相似度分析，所述皮爾森相關(guān)系數(shù)具體包括：
其中，分子cov(PS，PT)表示PS，PT的協(xié)方差，σ(PS)·σ(PT)表示PS和PT各自標(biāo)準(zhǔn)差的乘積，PS，PT分別表示源領(lǐng)域和目標(biāo)領(lǐng)域上的特征概率分布向量。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于東華大學(xué)，未經(jīng)東華大學(xué)許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202210080247.3/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
