超密集网络下基于联邦学习的缓存污染攻击检测方法技术

本发明专利技术属于信息安全技术领域，提供了一种超密集网络下基于联邦学习的缓存污染攻击检测方法。首先，网络中不与任何簇相邻的孤立小基站计算加权距离和决定是否单独成簇，与簇相邻的小基站计算距离相似度和负载相似度选择合适的簇加入。然后，每个小基站根据收到的兴趣包进行数据统计并发送给簇头，簇头作为联邦学习中的工作节点负责整合数据进行本地分类器的训练，宏基站作为参数服务器负责聚合收到的本地分类器来构造改进的全局分类器。最后，最终的全局分类器被广播给所有小基站，小基站在收到兴趣包后，使用分类器对内容进行分类，恶意兴趣包请求的内容将不会被缓存与更新流行度。

【技术实现步骤摘要】
超密集网络下基于联邦学习的缓存污染攻击检测方法
本专利技术涉及一种超密集网络下基于联邦学习的缓存污染攻击检测方法，属于信息安全

技术介绍
超密集网络(Ultra-DenseNetwork)作为5G的关键技术之一，通过在购物商场或者交通枢纽等热点区域部署密集的小基站，能够进一步拉近终端用户和接入节点的距离，从而提供低延迟、高数据速率、实时传输等通信服务。然而，传统的基于TCP/IP协议的通信方式主要是面向主机的设计，已经无法满足移动网络环境中大量用户对于内容的需求，随着小基站到核心网络的流量急速增长，无线回程链路可能会成为网络的性能瓶颈。为了解决这个问题，近年，内容中心网络(ContentCentricNetwork)作为一种新型网络架构被应用到UDN中。不同于基于IP地址的通信方式，CCN获取内容不需要内容提供者的IP地址，而是直接根据内容的名称采用基于拉取的模式来获取需要的内容。CCN中有两种数据包，分别是兴趣包(Interest)和数据包(Data)。当一个用户需要请求数据时就根据给定的内容名称发送兴趣包，兴趣包会被中间节点向着数本文档来自技高网...

【技术保护点】
1.一种超密集网络下基于联邦学习的缓存污染攻击检测方法，其特征在于，步骤如下：/n(1)首先所有小基站根据距离和负载相似度分布式地形成簇，从而使得簇头在收集统计值时产生较小开销的同时尽量均衡分布在簇之间的统计值，避免联邦学习中本地分类器的训练时间差异过大降低共享分类器的收敛速度；/n簇的形成与调整，具体过程如下：/n(1.1)首先每个孤立的小基站计算到邻接小基站的加权距离和：/n

【技术特征摘要】
1.一种超密集网络下基于联邦学习的缓存污染攻击检测方法，其特征在于，步骤如下：
(1)首先所有小基站根据距离和负载相似度分布式地形成簇，从而使得簇头在收集统计值时产生较小开销的同时尽量均衡分布在簇之间的统计值，避免联邦学习中本地分类器的训练时间差异过大降低共享分类器的收敛速度；
簇的形成与调整，具体过程如下：
(1.1)首先每个孤立的小基站计算到邻接小基站的加权距离和：



其中，Nn是小基站sk的邻接小基站的数目，Lk和∈k分别是sk的位置和负载，在该方案中，假设所有用户以相同的频率请求内容，负载简化为连接到小基站的用户的数量；
加权距离和最小的小基站单独成为一个簇，并且将自己视为簇头；然后簇头将封把簇的状态信息到通信帧里，包括簇头的位置和簇的总负载∈sum(gk)；
(1.2)当一个小基站si周期性地从邻居那里收到相邻簇的通信帧之后，它将计算和相邻簇的联合相似度，并选择相似度最高的簇的簇头gha发送其位置、负载和联合相似度以请求加入，联合相似度基于位置和负载的计算方式如下：
距离相似度：小基站si和相邻簇gk之间基于位置的相似度，公式定义如下：



其中，Li和Lhk分别表示si和gk的簇头ghk的物理坐标；εl是用于控制相似度范围的常数；
负载相似度：小基站si和相邻簇gk间基于负载的相似度，公式定义如下：



其中，∈sum(gk)′是假设si加入gk后的总负载，计算公式定义为即当前gk内所有小基站的负载之和加上si的负载，其中Nk是当前gk内小基站的数目；表示与si相邻的所有簇的平均负载，计算公式定义为其中Nb是与si相邻的簇的数目；而εn用于控制相似度的范围；
联合相似度：结合距离相似度和负载相似度得到；
J(si，gk)＝θ·D(si，gk)+(1-θ)·N(si，gk)
其中，θ用于协调距离和负载相似度的影响；
(1.3)簇头gha在上一步可能会收到多个加入请求，但它只选择联合相似度最高的小基站允许其加入，并更新簇头：



其中，Na是ga内小基站的数目，g′ha表示新选举出来的簇头；
然后gha将簇最新的状态信息封装到通信帧中以回复小基站的加入请求；
(1.4)所有簇内小基站收到最新的簇状态信息后就将其封装到自己的通信帧；
(1.5)以上四个步骤将会重复迭代直到没有孤立的小基站；当一个簇的成员少于所有小基站的10％或超过20％时，就与其他簇合并或分裂成两个簇，分裂或合并可能会造成簇之间负载不均衡，所以合并和分裂产生的新簇需要继续进行多次(1.1)到(1.4)的过程来调整簇；
(2)当簇稳定后，为了将分布式存在于网络中的统计值合理地利用起来，该方案基于经典的联邦学习算法FedAvg训练分类器；整个过程以一个共享的初始分类器ω0开始，ω0是由宏基站在预热阶段使用自己收集到的统计值训练得到的；然后，通过迭代多个本地训练、中心聚合的过程，才能生成最终的全局模型；在每次迭代中，都会为下一次迭代生成一个新的共享分类器；在该方案中，簇头作为FedAvg中的工作节点负责整合所有簇内成员的统计值来训练本地分类器，而位于中心的宏基站则作为参数服务器负责以加权平均的方式聚合所有本地分类器；
分类器生成的具...

【专利技术属性】
技术研发人员：姚琳，李佳，吴国伟，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21