[發明專利]一種基于GS-DNN模型的無線傳感器網絡入侵檢測方法及系統

有效

• 申請號: 202211291637.1
• 申請日: 2022-10-20
• 公開（公告）號: CN115664775B
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 廉佐政;李夢歌;楊雙雙;王海珍;滕艷平;李敬有
• 申請（專利權）人: 齊齊哈爾大學
• 主分類號: H04L9/40
• 分類號: H04L9/40;G06F18/2415;G06N3/048;G06F18/24;G06F18/214;G06N3/0499
• 代理公司: 黑龍江立超同創知識產權代理有限責任公司 23217
• 代理人: 楊立超;張妍飛

1.一種基于GS-DNN模型的無線傳感器網絡入侵檢測方法，其特征在于，包括以下步驟：

步驟一、獲取網絡特征數據集，所述網絡特征數據集包括正常網絡行為數據和網絡攻擊行為數據；并將網絡特征數據集劃分為訓練集和測試集；

步驟二、對所述網絡特征數據集進行數據預處理；

步驟三、根據數據項信息熵計算訓練集和測試集的信息影響因子，根據訓練集和測試集的信息影響因子計算信息影響相似比，以對預處理后的網絡特征數據集進行特征篩選，獲取篩選后的特征數據集；具體過程包括：

步驟三一、根據每項數據項元素出現的次數，按照下述公式計算每項數據項信息熵：

其中，j表示每項數據項元素出現的總類數；n表示每類元素出現的次數；m表示數據集數據總條數；

步驟三二、計算信息影響因子和信息影響相似比：信息影響因子表示數據集中每項數據項對標簽項的影響，計算方法是數據集每列數據項信息熵與標簽項信息熵的比值；信息影響相似比的計算方法為：測試集每項數據項的信息影響因子與訓練集每項數據項的信息影響因子的比值；

步驟三三、對于訓練集和測試集，均進行以下兩步操作，第一步操作為：將信息影響因子向下取整，作為第一次網格搜索法的閾值取值的集合，計算獲得所述集合中所有閾值的平均數，記為av1，使用網格搜索法遍歷預處理后的訓練集或測試集中每個信息影響因子，選取信息影響因子大于av1的數據項，組合成一個新的數據集，記為訓練集一或測試集一；第二步操作為：將信息影響相似比向下取整，作為再次進行網格搜索法的閾值取值的集合，計算獲得該集合中所有閾值的平均數，記為av2，使用網格搜索法遍歷預處理后的訓練集或測試集中每個信息影響相似比，選取信息影響相似比小于av2的數據項，組合成一個新的數據集，記為訓練集二或測試集二；

步驟三四、將訓練集一和訓練集二合并獲得篩選后的特征訓練集、測試集一和測試集二合并獲得篩選后的特征測試集；

步驟四、將篩選后的特征數據集輸入到基于深度神經網絡的網絡入侵檢測模型中進行訓練，獲取訓練好的網絡入侵檢測模型；

步驟五、將經過預處理后的待檢測網絡數據輸入訓練好的網絡入侵檢測模型中，獲取檢測結果。

2.根據權利要求1所述的一種基于GS-DNN模型的無線傳感器網絡入侵檢測方法，其特征在于，步驟一中所述網絡特征數據集為UNSW-NB15數據集，去除其原始標簽特征Label，將特征數據項attack_cat作為標簽。

3.根據權利要求2所述的一種基于GS-DNN模型的無線傳感器網絡入侵檢測方法，其特征在于，所述預處理包括：將非數字型的數據項進行數值化處理；將浮點型數據項轉換為整數。

4.根據權利要求3所述的一種基于GS-DNN模型的無線傳感器網絡入侵檢測方法，其特征在于，步驟二中所述預處理還包括：對數值化處理后的特征數據項attack_cat進行獨熱編碼。

5.根據權利要求3或4所述的一種基于GS-DNN模型的無線傳感器網絡入侵檢測方法，其特征在于，將浮點型數據項轉為整數的方法為：若特征值大于10000，則按照下述公式計算：

若特征值小于1，則按照下述公式計算：

式中，O^l表示O^l-1轉換后的整數；O^l-1表示待轉換的浮點數，表示上取整，表示下取整。