[發(fā)明專利]一種基于ARN的物聯(lián)網(wǎng)入侵檢測方法

在審

• 申請?zhí)枺?/td>: 202210572955.9
• 申請日: 2022-05-24
• 公開（公告）號: CN115021987A
• 公開（公告）日: 2022-09-06
• 發(fā)明（設(shè)計）人: 楊昌松;柳悅玲;劉梓毅;丁勇;劉洋
• 申請（專利權(quán)）人: 桂林電子科技大學(xué)
• 主分類號: H04L9/40
• 分類號: H04L9/40;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 桂林文必達(dá)專利代理事務(wù)所(特殊普通合伙) 45134
• 代理人: 白洪

本發(fā)明涉及網(wǎng)絡(luò)安全技術(shù)領(lǐng)域，具體涉及一種基于ARN的物聯(lián)網(wǎng)入侵檢測方法，使用self?attention來學(xué)習(xí)過去隱藏狀態(tài)信息和當(dāng)前時刻輸入信息之間的關(guān)系，從而構(gòu)造一個信息補矩陣補充當(dāng)前時刻輸入信息，實現(xiàn)當(dāng)前時刻隱藏狀態(tài)的重置，重置的當(dāng)前時刻隱藏狀態(tài)去除了過去隱藏狀態(tài)中可以用當(dāng)前時刻信息表示的冗余部分，并突顯了當(dāng)前時刻信息中與過去隱藏狀態(tài)相關(guān)聯(lián)的部分；同時使用ARN來對物聯(lián)網(wǎng)數(shù)據(jù)流量的特征進行表征學(xué)習(xí)，通過使用訓(xùn)練后的ARN模型檢測和分析網(wǎng)絡(luò)數(shù)據(jù)流量，從而檢測物聯(lián)網(wǎng)的安全狀態(tài)，解決傳統(tǒng)網(wǎng)絡(luò)安全入侵檢測方法的檢測準(zhǔn)確率不高的技術(shù)問題。

技術(shù)領(lǐng)域

本發(fā)明涉及網(wǎng)絡(luò)安全技術(shù)領(lǐng)域，具體涉及一種基于ARN的物聯(lián)網(wǎng)入侵檢測方法。

背景技術(shù)

作為防火墻的重要補充部分，入侵檢測具有重要的研究價值。一般來說，現(xiàn)有的入侵檢測方法可以分為三類：基于統(tǒng)計分析的入侵檢測方法、基于時間序列的入侵檢測方法和基于機器學(xué)習(xí)的入侵檢測方法。這些方法雖然在入侵檢測上取得了一定的效果，但是在面對當(dāng)前大規(guī)模、不規(guī)則和高維度的物聯(lián)網(wǎng)數(shù)據(jù)時，仍存在以下問題：基于統(tǒng)計分析的入侵檢測方法需要大量的數(shù)學(xué)計算和分析，導(dǎo)致計算量大。同時，在面對高維和不規(guī)則數(shù)據(jù)時，入侵檢測的準(zhǔn)確性不足；基于時間序列的入侵檢測方法只將時間作為分析因素，而沒有考慮其他外部因素的影響，導(dǎo)致入侵檢測的精度不高；基于機器學(xué)習(xí)的入侵檢測方法雖然可以提高入侵檢測的準(zhǔn)確性，但沒有考慮數(shù)據(jù)之間的時序關(guān)系，導(dǎo)致入侵檢測精度具有一定的局限性。

另外，基于門控循環(huán)神經(jīng)網(wǎng)絡(luò)(Gate Recurrent Unit,GRU)的方法雖然在入侵檢測時能充分考慮態(tài)勢數(shù)據(jù)的時序關(guān)系，但是GRU的重置門與更新門在過去隱藏狀態(tài)信息的保留程度上存在沖突。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于ARN的物聯(lián)網(wǎng)入侵檢測方法，旨在解決基于GRU的入侵檢測方法中存在重置門與更新門在過去隱藏狀態(tài)信息的保留程度上存在沖突的情況，同時解決傳統(tǒng)的網(wǎng)絡(luò)安全入侵檢測方法檢測準(zhǔn)確率不高的技術(shù)問題。

為實現(xiàn)上述目的，本發(fā)明提供了一種基于ARN的物聯(lián)網(wǎng)入侵檢測方法，包括下列步驟：

將入侵檢測數(shù)據(jù)初始化為訓(xùn)練數(shù)據(jù)集與測試數(shù)據(jù)集；

將所述訓(xùn)練數(shù)據(jù)集輸入基于ARN的入侵檢測模型中進行建模，獲得訓(xùn)練好的ARN模型；

將所述測試數(shù)據(jù)集輸入訓(xùn)練好的ARN模型，獲得檢測結(jié)果；

將所述檢測結(jié)果與真實值進行比較，獲得對應(yīng)的比較結(jié)果。

其中，所述基于ARN的入侵檢測模型是循環(huán)神經(jīng)網(wǎng)絡(luò)的變體模型，使用self-attention學(xué)習(xí)過去隱藏狀態(tài)和當(dāng)前時刻輸入信息之間的關(guān)系。

其中，所述基于ARN的入侵檢測模型的實現(xiàn)過程，包括下列步驟：

使用當(dāng)前輸入X_t和過去隱藏狀態(tài)h_t-1的權(quán)重W^x和對X_t和h_t-1進行初始化，同時，使當(dāng)前輸入X_t和過去隱藏狀態(tài)h_t-1具有相同的矩陣維度；

使用stack將過去隱藏狀態(tài)h_t-1和當(dāng)前輸入X_t拼接在一起，構(gòu)造self-attention輸入數(shù)據(jù)；

利用self-attention學(xué)習(xí)過去隱藏狀態(tài)h_t-1和當(dāng)前輸入X_t之間的關(guān)系，構(gòu)造互補矩陣h'_t-1；

將互補矩陣h'_t-1補充到當(dāng)前輸入X_t中以實現(xiàn)當(dāng)前時刻隱藏狀態(tài)h_t的重置。