一种基于深度学习的复杂网络实时Sybil攻击检测方法技术

本发明专利技术公开了一种基于深度学习的复杂网络实时Sybil攻击检测方法，包括建立基于多层核极限学习机的深度学习模型，从网络中采集数据，提取多种网络数据特征，再基于多层核极限学习机的深度学习模型对Sybil攻击进行检测。基于多层核极限学习机的深度学习模型包括无监督表示学习与监督特征分类两个阶段，通过低秩逼近法计算近似的经验核映射，代替原极限学习机随机生成的隐层，将经验核映射‑自动编码的栈式自编码器作为表示学习，对极限学习机的时间效率与存储成本实现了显著的提高。该Sybil攻击检测方法有效地降低了Sybil攻击的检测时间，并且保持了较好的检测效果。

A Real-time Sybil Attack Detection Method for Complex Networks Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的复杂网络实时Sybil攻击检测方法
本专利技术具体涉及一种基于深度学习的复杂网络实时Sybil攻击检测方法，属于网络安全检测

技术介绍
社交网络是一种典型的复杂网络，目前已成为人们日常生活、社会活动与商业活动的一部分，社交网络的安全性随之成为一个亟待解决的问题。Sybil攻击是指利用社交网络中的少数节点控制多个虚假身份，利用这些身份控制或影响网络中正常节点的攻击方式。Sybil攻击对网络的危害大、隐蔽性高，一旦发生攻击则会造成巨大的破坏，因此对Sybil攻击进行精确地预测是目前主要的研究方向。目前社交网络的Sybil攻击检测方法主要可分为基于网络拓扑结构的检测机制与基于社交网络用户特征的恶意用户检测两种类型，这两种检测类型均需要分析明显的Sybil攻击行为，并且此类方案需要分析网络中的每个节点与连接，因此对于大规模的动态网络场景，这两种方法的效率较低。基于网络拓扑结构的方案假设信任关系多的网络中攻击量较低，并且假设用户的连接时间较短，如果这两个假设基础不成立，直接导致Sybil防御系统无效。近期对社交网络的Sybil攻击检测研究主要集中于Sybil的用户特征与网络特征，以及社交网络的拓扑结构，这些研究均通过10万个用户的数据进行实验，评估特征集或者网络拓扑结构对Sybil攻击检测的影响。实际情况下社交网络的规模极大、拓扑复杂，会导致该攻击检测系统的效率低下。极限学习机是一种单层人工神经网络，无需专家知识并且学习速度较快，目前广泛地应用于复杂网络的恶意行为识别问题中。但是现今的极限学习机对于大规模数据的学习速度是一个瓶颈，无法提供在大规模数据下复杂网络的恶意行为识别问题处理中。
技术实现思路
本专利技术的目的是为了解决现有技术中存在的缺陷，提供一种基于深度学习的复杂网络实时Sybil攻击检测方法。本专利技术为解决上述技术问题采用以下技术方案：本专利技术提出一种基于深度学习的复杂网络实时Sybil攻击检测方法，包括如下步骤：步骤1、建立基于多层核极限学习机的深度学习模型：公式(30)中，β为输出权重，为核矩阵；步骤2、从网络中采集数据；步骤3、提取多种网络数据特征；步骤4、基于步骤1中所述的深度学习模型对Sybil攻击进行检测得到：公式(33)中，n为训练数据的用户总数量，O'j为类j输出结果的实际概率分布，Oj为类j输出结果的预测概率分布。作为本专利技术的优选技术方案：步骤1的具体步骤如下：步骤1.1、设是输入数据xk的第i个数据表示，k＝1～n；步骤1.2、基于步骤1.1中的设H(i)是第i个隐层的输出矩阵，第i个变换矩阵Γ(i)的公式为：H(i)Γ(i)＝X(i)(5)公式(5)中，H(i)是第i个隐层的输出矩阵；步骤1.3、基于步骤1.2中的公式(5)的H(i)的计算公式为：公式(6)中，h(i)(a(i),b(i),x(i))＝gi(a(i)x(i)+b(i))，gi为第i层的激活函数，第i层的输入a(i)与偏差b(i)均为随机产生；步骤1.4、基于步骤1.2中的公式(5)的Γ(i)的计算公式为：公式(7)中，ILi与In分别表示维度为Li与n的单位矩阵，Ci为第i层的正则化项；步骤1.5、基于步骤1.4中的公式(7)的X(i)与Γ(i)相乘的计算公式为：Xi+1＝gi(X(i)(Γ(i))T)(8)当i取1时，可获得X(1)的最终数据表示Xfinal；步骤1.6、多层极限学习机将Xfinal作为隐层来学习输出权重β：Xfinalβ＝T(9)公式(9)中，式中T＝[t1,…,tn]T，tk∈Rc是一个独热输出向量，c是分类数量；步骤1.7、对公式(9)进行计算得到权重矩阵β：公式(10)中，Xfinal为隐层；步骤1.7、使用核函数获得核矩阵Ω(i)＝[K(i)(x1(i)),…,K(i)(xn(i))]T，计算得到公式：Ω(i)Γ(i)＝X(i)(11)公式(11)中，Ω(i)为核矩阵，Γ(i)为核极限学习机自动编码的第i个变换矩阵；步骤1.8、基于公式(11)，其中Γ(i)的计算公式为：公式(12)中，Γ(i)为核极限学习机自动编码的第i个变换矩阵；步骤1.9、基于公式(12)，X(i+1)的计算方法为：X(i+1)＝gi(X(i)(Γ(i))T)(13)公式(13)中，X(i+1)为数据表示；步骤1.10、基于公式(13)，通过无监督表示学习获得最终的数据表示Xfinal，并且用于训练K-ELM分类器：Ωfinalβ＝T(14)公式(14)中，Ωfinal为核矩阵；步骤1.11、基于公式(14)，计算得到权重矩阵β：公式(15)中，Ωfinal为核矩阵；步骤1.12、设一个包含m个样本的测试集Z(1)＝[z1(1),…,zm(1)]T∈Rm×d，在表示学习阶段，计算得到数据表示Z(i+1)：Z(i+1)＝gi(Z(i)(Γ(i))T)(16)公式(16)中，Γ(i)为核极限学习机自动编码的第i个变换矩阵；步骤1.13、计算核矩阵ΩZ∈Rm×n获得最终的数据表示Zfinal：公式(17)中，是Xfinal的第j个数据点；步骤1.14、计算得到核极限学习机的模型最终输出为：公式(18)中，β为权重矩阵，ΩZ为核矩阵；步骤1.15、输入矩阵X(i)映射为经验核映射其中步骤1.16、通过产生两个小矩阵计算li维的使用随机选择的标志点产生两个小矩阵与公式(19)、(20)为两个小矩阵；步骤1.17、对进行计算获得与公式(21)中，与分别包含的特征值与特征向量；步骤1.18、结合与可建立公式(22)中，M(i)为第i层的映射矩阵；步骤1.19、低秩近似Ω(i)可表示为因为远小于Ω(i)，所以将经验核映射自编码器的隐层替换为从而保持Ω(i)的判别信息；步骤1.20、经验核映射自编码器的第i个变换矩阵Γ(i)：公式(23)中，X(i)为输入矩阵，为经验核映射自编码器的隐层；步骤1.21、基于公式(23)，其中Γ(i)的计算公式为：公式(24)中，X(i)为输入矩阵，为经验核映射自编码器的隐层；步骤1.22、基于公式(24)、公式(25)，数据表示X(i+1)计算公式为：公式(25)中，X(i)为输入矩阵；步骤1.23、将最终的极限学习机输入训练器得到：公式(26)中，β为输出权重；步骤1.24、基于公式26，输出权重β的计算公式为：公式(27)中，为最终的极限学习机；步骤1.25、将测试数据Z(1)与第i个变换矩阵Γ(i)相乘，获得数据表示：公式(28)中，Γ(i)为经验核映射自编码器的第i个变换矩阵；步骤1.26、基于公式(28)，计算近似的核矩阵获得最终的数据表示公式(29)中，为的第j个地标点；步骤1.27、计算得到基于多层核极限学习机的深度学习模型：公式(30)中，β为输出权重，为核矩阵，为最终的输入数据。作为本专利技术的优选技术方案：所述步骤2中的网络包括复杂网络、社交网络。作为本专利技术的优选技术方案：所述步骤3中的多种网络数据特征包括用户档案的特征、内容的特征、基于关系的特征。作为本专利技术的优选技术方案：所述内容的特征包括时间特征、标题特征、质量特征、表情特征。作为本专利技术的优选技术方案：步骤4的具体步骤如下：步骤4.1、将每个用户表示为一个特征集，用户Ui表示为特征集F＝(f1,f2本文档来自技高网...

【技术保护点】
1.一种基于深度学习的复杂网络实时Sybil攻击检测方法，其特征在于，包括如下步骤：步骤1、建立基于多层核极限学习机的深度学习模型：

【技术特征摘要】
1.一种基于深度学习的复杂网络实时Sybil攻击检测方法，其特征在于，包括如下步骤：步骤1、建立基于多层核极限学习机的深度学习模型：公式(30)中，β为输出权重，为核矩阵；步骤2、从网络中采集数据；步骤3、提取多种网络数据特征；步骤4、基于步骤1中所述的深度学习模型对Sybil攻击进行检测得到：公式(33)中，n为训练数据的用户总数量，O'j为类j输出结果的实际概率分布，Oj为类j输出结果的预测概率分布。2.根据权利要求1所述的基于深度学习的复杂网络实时Sybil攻击检测方法，其特征在于，步骤1的具体步骤如下：步骤1.1、设是输入数据xk的第i个数据表示，k＝1～n；步骤1.2、基于步骤1.1中的设H(i)是第i个隐层的输出矩阵，第i个变换矩阵Γ(i)的公式为：H(i)Γ(i)＝X(i)(5)公式(5)中，H(i)是第i个隐层的输出矩阵；步骤1.3、基于步骤1.2中的公式(5)的H(i)的计算公式为：公式(6)中，h(i)(a(i),b(i),x(i))＝gi(a(i)x(i)+b(i))，gi为第i层的激活函数，第i层的输入a(i)与偏差b(i)均为随机产生；步骤1.4、基于步骤1.2中的公式(5)的Γ(i)的计算公式为：公式(7)中，ILi与In分别表示维度为Li与n的单位矩阵，Ci为第i层的正则化项；步骤1.5、基于步骤1.4中的公式(7)的X(i)与Γ(i)相乘的计算公式为：Xi+1＝gi(X(i)(Γ(i))T)(8)当i取1时，可获得X(1)的最终数据表示Xfinal；步骤1.6、多层极限学习机将Xfinal作为隐层来学习输出权重β：Xfinalβ＝T(9)公式(9)中，式中T＝[t1,…,tn]T，tk∈Rc是一个独热输出向量，c是分类数量；步骤1.7、对公式(9)进行计算得到权重矩阵β：公式(10)中，Xfinal为隐层；步骤1.7、使用核函数κ(i)(xk(i),xj(i),σi)获得核矩阵Ω(i)＝[K(i)(x1(i)),…,K(i)(xn(i))]T，计算得到公式：Ω(i)Γ(i)＝X(i)(11)公式(11)中，Ω(i)为核矩阵，Γ(i)为核极限学习机自动编码的第i个变换矩阵；步骤1.8、基于公式(11)，其中Γ(i)的计算公式为：公式(12)中，Γ(i)为核极限学习机自动编码的第i个变换矩阵；步骤1.9、基于公式(12)，X(i+1)的计算方法为：X(i+1)＝gi(X(i)(Γ(i))T)(13)公式(13)中，X(i+1)为数据表示；步骤1.10、基于公式(13)，通过无监督表示学习获得最终的数据表示Xfinal，并且用于训练K-ELM分类器：Ωfinalβ＝T(14)公式(14)中，Ωfinal为核矩阵；步骤1.11、基于公式(14)，计算得到权重矩阵β：公式(15)中，Ωfinal为核矩阵；步骤1.12、设一个包含m个样本的测试集Z(1)＝[z1(1),…,zm(1)]T∈Rm×d，在表示学习阶段，计算得到数据表示Z(i+1)：Z(i+1)＝gi(Z(i)(Γ(i))T)(16)公式(16)中，Γ(i)为核极限学习机自动编码的第i个变换矩阵；步骤1.13、计算核矩阵ΩZ∈Rm×n获得最终的数据表示Zfinal：公式(17)...

【专利技术属性】
技术研发人员：李扬，王春明，瞿国庆，朱亚丽，梁龙兵，
申请(专利权)人：江苏商贸职业学院，
类型：发明
国别省市：江苏,32