[發(fā)明專(zhuān)利]一種基于深度學(xué)習(xí)的邊緣計(jì)算環(huán)境下的DDos檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211453973.1
• 申請(qǐng)日: 2022-11-21
• 公開(kāi)（公告）號(hào): CN115712972A
• 公開(kāi)（公告）日: 2023-02-24
• 發(fā)明（設(shè)計(jì)）人: 彭京;葛城;張海超;田婷;牛新征;張鳳荔;虞延坤
• 申請(qǐng)（專(zhuān)利權(quán)）人: 四川省公安科研中心;電子科技大學(xué)
• 主分類(lèi)號(hào): G06F30/18
• 分類(lèi)號(hào): G06F30/18;G06F30/27;G06F119/02
• 代理公司: 成都正煜知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 51312
• 代理人: 李龍

1.一種基于深度學(xué)習(xí)的邊緣計(jì)算環(huán)境下的DDos檢測(cè)方法，其特征在于，包括以下步驟：

步驟1、搭建了預(yù)處理層，對(duì)輸入的網(wǎng)絡(luò)流量數(shù)據(jù)依次進(jìn)行過(guò)濾臟數(shù)據(jù)、歸一化處理、攻擊類(lèi)型標(biāo)簽統(tǒng)計(jì)分析，利用Smote算法上采樣稀疏類(lèi)、對(duì)稠密類(lèi)進(jìn)行下采樣以此平衡標(biāo)簽類(lèi)別，避免長(zhǎng)尾效應(yīng)得到預(yù)處理后的網(wǎng)絡(luò)流量數(shù)據(jù)；

步驟2、模型構(gòu)建；

步驟3、將預(yù)處理后的網(wǎng)絡(luò)流量數(shù)據(jù)劃分得到訓(xùn)練集和測(cè)試集，通過(guò)訓(xùn)練集和測(cè)試集輸入到模型中進(jìn)行訓(xùn)練，得到訓(xùn)練好的模型；

步驟4、將訓(xùn)練好的模型部署到邊緣節(jié)點(diǎn)中，搜集節(jié)點(diǎn)中的網(wǎng)絡(luò)流量數(shù)據(jù)，使用預(yù)處理層來(lái)處理流量數(shù)據(jù)后送入部署的模型進(jìn)行實(shí)時(shí)DDos預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的邊緣計(jì)算環(huán)境下的DDos檢測(cè)方法，其特征在于，所述步驟1中濾掉具體包括以下步驟：篩除屬性中存的冗余屬性、匿名屬性以及不能用于分類(lèi)的套接字屬性。

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的邊緣計(jì)算環(huán)境下的DDos檢測(cè)方法，其特征在于，對(duì)網(wǎng)絡(luò)流量數(shù)據(jù)中的每一列數(shù)據(jù)進(jìn)行L2范數(shù)歸一化，L2范數(shù)歸一化后對(duì)數(shù)據(jù)進(jìn)行分位數(shù)映射處理變換每條數(shù)據(jù)的屬性值，使屬性值映射到正態(tài)分布，其中L2歸一化的公式如式：

式中n是特征的維度，x是n維特征X＝(x₁，x₂，x₃，...x_n)。

4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的邊緣計(jì)算環(huán)境下的DDos檢測(cè)方法，其特征在于，Dos攻擊的攻擊標(biāo)簽分類(lèi)方法對(duì)DDos攻擊標(biāo)簽進(jìn)行強(qiáng)相似性標(biāo)簽的子集概要統(tǒng)計(jì)處理，得到一種針對(duì)性強(qiáng)的攻擊標(biāo)簽分類(lèi)方法。

5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的邊緣計(jì)算環(huán)境下的DDos檢測(cè)方法，步驟2中所述模型構(gòu)建具體包括以下步驟：

步驟2.1、以步驟1中的預(yù)處理層作為輸入層；

步驟2.2、搭建卷積層：

卷積層由三層復(fù)合一維卷積層構(gòu)成，其中一維卷積中輸出濾波器的數(shù)量分別為20、40、60，卷積核的尺寸為4*1，填充方式為“same”；一維卷積后使用Relu作為激活函數(shù)，并接入一層BN層，構(gòu)成一層復(fù)合一維卷積層，其中，

一維卷積運(yùn)算公式如式：

式中，x^j為第j個(gè)輸入特征圖(特征圖是一種在一個(gè)空間中獲取特征向量，然后在另一空間中將其轉(zhuǎn)換為特征向量的函數(shù)，此處指給定過(guò)濾器的輸出激活)，i為一維卷積的層數(shù)，k^ij為所使用的卷積核，*代表卷積運(yùn)算且采用“same”填充方式，f()為激活函數(shù)，采用ReLU來(lái)進(jìn)行非線性化處理，卷積層不添加偏置；

BN層的運(yùn)算公式如式：

式中，y^j為非線性化后輸入BN層的特征圖，為y^j的平均值，為y^j的方差值，γ為標(biāo)準(zhǔn)化后再次進(jìn)行縮放的參數(shù)，β為標(biāo)準(zhǔn)化后進(jìn)行平移的參數(shù)；

步驟2.3、搭建BiLSTM層，通過(guò)卷積層提取到網(wǎng)絡(luò)流量數(shù)據(jù)的各維度特征圖后，變換形狀以適應(yīng)性輸入BiLSTM層，BiLSTM模型的網(wǎng)絡(luò)體系結(jié)構(gòu)包括，BiLSTM單元設(shè)置有輸入門(mén)i、遺忘門(mén)f和輸出門(mén)o，當(dāng)前t時(shí)刻數(shù)據(jù)x_t進(jìn)入時(shí)，結(jié)合內(nèi)部存儲(chǔ)單元C_t-1和輸出h_t-1進(jìn)行計(jì)算得出當(dāng)前輸出h_t，然后及時(shí)更新內(nèi)部存儲(chǔ)單元C_t[18]，遺忘門(mén)的運(yùn)算公式如式：

f_t＝sigmoid(W_f·[h_t-1，x_t]+b_f)

W_f為對(duì)應(yīng)神經(jīng)元參數(shù)，可將輸入調(diào)整成與t時(shí)刻隱藏層相同的維度，b_f為對(duì)應(yīng)的偏置；

i為中的每個(gè)單元生成區(qū)間在[0，1]的對(duì)應(yīng)值，用以控制添加新信息的量，輸入門(mén)的運(yùn)算公式可以表示為：

i_t＝sigmoid(W_i·[h_t-1，x_t]+b_t)

W_i、W_c為對(duì)應(yīng)神經(jīng)元參數(shù)，可將輸入調(diào)整成與t時(shí)刻隱藏層相同的維度，b_t、b_c為對(duì)應(yīng)的偏置；

i用于篩選當(dāng)前單元狀態(tài)的數(shù)量，可以表示為式：

o_t＝sigmoid(W_o·[h_t-1，x_t]+b_o)

o_t＝sigmoid(W_xox_t+W_hoh_t-1+b_o)

H_t＝O_t·tanh(C_t)

本式的W_o為對(duì)應(yīng)神經(jīng)元參數(shù)，可將輸入調(diào)整成與t時(shí)刻隱藏層相同的維度，b_o為對(duì)應(yīng)的偏置，H_t為隱藏狀態(tài)表示值；

對(duì)于時(shí)刻t處的BiLSTM模型，輸出h_t、和可以表示為式

本式的為對(duì)應(yīng)神經(jīng)元參數(shù)，可將輸入調(diào)整成與t時(shí)刻隱藏層相同的維度，為對(duì)應(yīng)的偏置，x代表輸入，W代表單元之間的連接權(quán)重，b是偏置向量，“·”代表點(diǎn)積運(yùn)算；

步驟2.3、搭建輸出層，輸出層由一層輸出空間的維數(shù)為320的全連接層和一層Softmax層構(gòu)成，數(shù)據(jù)經(jīng)過(guò)BiLSTM后，展平進(jìn)入全連接層和Softmax層，其中Softmax層是一種多分類(lèi)器，表達(dá)式如式：

softmax又稱(chēng)歸一化指數(shù)函數(shù)，是以e為底，輸入x_i為冪的指數(shù)；

該層能轉(zhuǎn)化實(shí)數(shù)范圍內(nèi)的分類(lèi)結(jié)果數(shù)值，然后通過(guò)交叉熵?fù)p失函數(shù)來(lái)評(píng)測(cè)本發(fā)明模型的檢測(cè)結(jié)果。