[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

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，涉及網絡入侵檢測技術領域。本發明的技術要點包括：獲取網絡特征數據集，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；對網絡特征數據集進行數據預處理；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；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。本發明通過網格搜索法進行最佳特征提取，實現數據降維，不需要數據歸一化處理，提高了入侵檢測準確率。

技術領域

本發明涉及網絡入侵檢測技術領域，具體涉及一種基于GS-DNN模型的無線傳感器網絡入侵檢測方法及系統。

背景技術

隨著網絡技術的不斷發展，網絡安全也成為了用戶關注的重點，作為物聯網關鍵組成部分的無線傳感器網絡(Wireless?Sensor?Network，WSN)的安全問題日益突出，無線傳感器網絡具有自組織性，部署便捷，適應能力強，體積小，便于攜帶，因此，被廣泛應用到環境監測、軍事領域、醫療護理等領域。但受成本限制，傳感器節點存在能量、計算能力、內存方面受限問題，而且無線通信易被干擾。因此，WSN易受到安全威脅和攻擊，需要采取一些有效的安全措施。目前，已經提出了數據加密機制、密鑰管理機制、防火墻等技術，用于改善WSN的安全性。但伴隨新型的攻擊手段的不斷涌現，這些技術已經不能滿足WSN的安全需求。

入侵檢測技術可以實時地檢測網絡中的入侵行為，并及時做出響應，減少網絡的損失有效地彌補了上述技術的不足。目前，WSN入侵檢測技術大多引入了機器學習方法，如決策樹(Decision?Tree，DT)、隨機森林(Random?Forest，RF)等，在現實的環境中，網絡會基于時間產生高維且非線性的海量數據，機器學習方法無法提取網絡數據中最本質的特征，使得入侵檢測準確率較低，且算法很復雜、訓練的時間長。因此，在WSN入侵檢測領域中應用深度學習，顯得尤為迫切。

發明內容

鑒于以上問題，本發明提出一種基于GS-DNN模型的無線傳感器網絡入侵檢測方法及系統，以力圖解決或者至少緩解上面存在的至少一個問題。

根據本發明的一方面，提供一種基于GS-DNN模型的無線傳感器網絡入侵檢測方法，該方法包括以下步驟：

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；

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。

進一步地，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。

進一步地，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。

進一步地，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。

進一步地，步驟三的具體過程包括：

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：