【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。