物联网入侵检测模型训练方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种物联网入侵检测模型训练方法、装置、设备及存储介质，其中方法包括：利用特征提取器从预先获取的全部打上标签的互联网源域数据和物联网源域数据、以及部分打上标签的物联网目标域数据中提取互联网源域数据特征向量、物联网源域数据特征向量、物联网目标域数据特征向量；利用分类器对互联网源域数据特征向量、物联网源域数据特征向量、物联网目标域数据特征向量进行预测，得到目标分类结果；根据目标分类结果和预设的目标损失函数计算损失函数值，并根据损失函数值优化物联网入侵检测模型。本发明专利技术能够借助互联网入侵数据以及少量物联网入侵数据辅助训练大量标签稀少的物联网入侵检测模型，以提升模型的预测准确率。准确率。准确率。

【技术实现步骤摘要】
物联网入侵检测模型训练方法、装置、设备及存储介质


[0001]本申请涉及物联网
，特别是涉及一种物联网入侵检测模型训练方法、装置、设备及存储介质。

技术介绍

[0002]随着信息时代的快速发展，越来越多的物联网设备被应用在人们的生产生活之中，如智能温度检测仪、智能摄像头等。这些设备无时无刻不在记录着所监测到的数据，部分数据，如智能摄像头等记录的数据往往会包含用户隐私信息，因此，如何确保物联网设备的安全可靠，及时检测到可能的非法入侵行为成为了一个至关重要、亟待解决的问题。

技术实现思路

[0003]有鉴于此，本申请提供一种物联网入侵检测模型训练方法、装置、设备及存储介质，以解决现有的物联网设备存在入侵风险导致隐私泄露的问题。
[0004]为解决上述技术问题，本申请采用的一个技术方案是：提供一种物联网入侵检测模型训练方法，其应用于训练物联网入侵检测模型，物联网入侵检测模型包括特征提取器和分类器，方法包括：利用特征提取器从预先获取的全部打上标签的互联网源域数据和物联网源域数据、以及部分打上标签的物联网目标域数据中提取互联网源域数据特征向量、物联网源域数据特征向量、物联网目标域数据特征向量；利用分类器对互联网源域数据特征向量、物联网源域数据特征向量、物联网目标域数据特征向量进行预测，得到目标分类结果；根据目标分类结果和预设的目标损失函数计算损失函数值，并根据损失函数值优化物联网入侵检测模型，目标损失函数包括分类器分类时的第一损失函数、融合源域数据与目标域数据的第二损失函数、基于预测概率标签分布知识信息迁移的第三损失函数和采取空间图匹配以匹配源域数据图和目标域数据图的第四损失函数。
[0005]作为本申请的进一步改进，计算第一损失函数的第一损失函数值，包括：利用分类器对互联网源域数据特征向量、物联网源域数据特征向量和有标签的物联网目标域数据特征向量进行预测，得到第一分类结果；将每个特征向量的第一分类结果与自身对应的标签进行比对，并计算第一交叉熵损失值，再对所有的第一交叉熵损失值取平均值，得到第一损失函数值。
[0006]作为本申请的进一步改进，物联网入侵检测模型还包括对抗网络；计算第二损失函数的第二损失函数值，包括：将互联网源域数据特征向量和物联网源域数据特征向量标记为第一预设类别，并将物联网目标域数据特征向量标记为第二预设类别；将互联网源域数据特征向量、物联网源域数据特征向量、物联网目标域数据特征向量以及各自标记的预设类别输入至对抗网络进行预测，得到第二分类结果；将每个特征向量的第二分类结果与自身对应的预设类别进行比对，并计算第二损失值，再对所有的第二损失值取平均值，得到第二损失函数值。
[0007]作为本申请的进一步改进，计算第三损失函数的第三损失函数值，包括：利用分类
器对互联网源域数据特征向量进行预测以得到第一预测概率分布向量，并对物联网源域数据特征向量进行预测以得到第二预测概率分布向量；根据同一类别对应的第一预测概率分布向量和第二预测概率分布向量计算得到每个类别的第一均值向量；利用分类器对有标签的物联网目标域数据特征向量进行预测，得到第三预测概率分布；根据每个有标签的物联网目标域数据所属类别对应的第一均值向量和第三预测概率分布计算每个有标签的物联网目标域数据的第三交叉熵损失值，再对所有的第三交叉熵损失值取平均值，得到第三损失函数值。
[0008]作为本申请的进一步改进，计算第四损失函数的第四损失函数值，包括：利用分类器对无标签的物联网目标域数据特征向量进行预测，得到无标签的物联网目标域数据特征向量的过渡分类信息；根据互联网源域数据特征向量、物联网源域数据特征向量、有标签的物联网目标域数据特征向量计算得到每个类别的目标均值特征向量；计算每个无标签的物联网目标域数据特征向量与每个目标均值特征向量之间的余弦距离，并选择余弦距离最小的目标均值特征向量对应的类别作为几何分类信息；对于过渡分类信息与几何分类信息一致的无标签的物联网目标域数据特征向量，将该一致的信息作为该无标签物联网目标域数据特征向量的标签；分别对互联网源域数据、物联网源域数据、有标签物联网目标域数据和拥有一致的信息的无标签物联网目标域数据构建数据图，数据图包括K个节点以及所有节点之间两两相连的边，每个节点对应一种入侵方式；计算每条边两端节点之间的第一欧式距离，并将第一欧式距离作为边的权重；分别根据每张数据图构建最小生成树图，再将最小生成树图输入至预先训练好的图嵌入网络，得到每张最小生成树图的图嵌入向量；计算所有图嵌入向量两两之间的第二欧氏距离并进行求和，得到第四损失函数值。
[0009]作为本申请的进一步改进，目标损失函数表示为：
[0010]L＝L0‑
L1+L2+L3；
[0011]其中，L表示目标损失函数，L0表示第一损失函数，L1表示第二损失函数，L2表示第三损失函数，L3表示第四损失函数。
[0012]作为本申请的进一步改进，互联网源域数据的数据量多于物联网源域数据的数据量，且有标签物联网目标域数据的数据量少于无标签物联网目标域数据的数据量，且互联网源域数据、物联网源域数据以及物联网目标域数据具有不同的初始数据特征空间。
[0013]为解决上述技术问题，本申请采用的又一个技术方案是：提供一种物联网入侵检测模型训练装置，包括：特征提取模块，用于从预先获取的全部打上标签的互联网源域数据和物联网源域数据、以及部分打上标签的物联网目标域数据中提取互联网源域数据特征向量、物联网源域数据特征向量、物联网目标域数据特征向量；分类预测模块，用于对互联网源域数据特征向量、物联网源域数据特征向量、物联网目标域数据特征向量进行预测，得到目标分类结果；优化模块，用于根据目标分类结果和预设的目标损失函数计算损失函数值，并根据损失函数值优化物联网入侵检测模型，目标损失函数包括分类器分类时的第一损失函数、融合源域数据与目标域数据的第二损失函数、基于预测概率标签分布知识信息迁移的第三损失函数和采取空间图匹配以匹配源域数据图和目标域数据图的第四损失函数。
[0014]为解决上述技术问题，本申请采用的再一个技术方案是：提供一种计算机设备，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如上述任一项的物联网入侵检测模
型训练方法的步骤。
[0015]为解决上述技术问题，本申请采用的再一个技术方案是：提供一种存储介质，存储有能够实现上述任一项的物联网入侵检测模型训练方法或物联网入侵检测模型训练方法的程序指令。
[0016]本申请的有益效果是：本申请的物联网入侵检测模型训练方法通过将有标签的互联网入侵数据和物联网入侵数据作为源域数据，在物联网目标域数据监督信息极为匮乏的情况下，克服领域之间的极强异构性，从而对关键信息进行迁移，辅助训练物联网入侵检测模型，并且利用构建的目标损失函数，实现了基于标签分布知识信息的迁移，使得源域与目标域可以进行更为细化的匹配，还采取空间图匹配的方式对源域数据图和目标域数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物联网入侵检测模型训练方法，其特征在于，其应用于训练物联网入侵检测模型，所述物联网入侵检测模型包括特征提取器和分类器，所述方法包括：利用所述特征提取器从预先获取的全部打上标签的互联网源域数据和物联网源域数据、以及部分打上标签的物联网目标域数据中提取互联网源域数据特征向量、物联网源域数据特征向量、物联网目标域数据特征向量；利用所述分类器对所述互联网源域数据特征向量、所述物联网源域数据特征向量、所述物联网目标域数据特征向量进行预测，得到目标分类结果；根据所述目标分类结果和预设的目标损失函数计算损失函数值，并根据所述损失函数值优化所述物联网入侵检测模型，所述目标损失函数包括分类器分类时的第一损失函数、融合源域数据与目标域数据的第二损失函数、基于预测概率标签分布知识信息迁移的第三损失函数和采取空间图匹配以匹配源域数据图和目标域数据图的第四损失函数。2.根据权利要求1所述的物联网入侵检测模型训练方法，其特征在于，计算所述第一损失函数的第一损失函数值，包括：利用所述分类器对所述互联网源域数据特征向量、所述物联网源域数据特征向量和有标签的物联网目标域数据特征向量进行预测，得到第一分类结果；将每个特征向量的第一分类结果与自身对应的标签进行比对，并计算第一交叉熵损失值，再对所有的第一交叉熵损失值取平均值，得到所述第一损失函数值。3.根据权利要求1所述的物联网入侵检测模型训练方法，其特征在于，所述物联网入侵检测模型还包括对抗网络；计算所述第二损失函数的第二损失函数值，包括：将所述互联网源域数据特征向量和所述物联网源域数据特征向量标记为第一预设类别，并将所述物联网目标域数据特征向量标记为第二预设类别；将所述互联网源域数据特征向量、所述物联网源域数据特征向量、所述物联网目标域数据特征向量以及各自标记的预设类别输入至所述对抗网络进行预测，得到第二分类结果；将每个特征向量的第二分类结果与自身对应的预设类别进行比对，并计算第二损失值，再对所有的第二损失值取平均值，得到所述第二损失函数值。4.根据权利要求1所述的物联网入侵检测模型训练方法，其特征在于，计算所述第三损失函数的第三损失函数值，包括：利用所述分类器对所述互联网源域数据特征向量进行预测以得到第一预测概率分布向量，并对所述物联网源域数据特征向量进行预测以得到第二预测概率分布向量；根据同一类别对应的第一预测概率分布向量和第二预测概率分布向量计算得到每个类别的第一均值向量；利用所述分类器对有标签的物联网目标域数据特征向量进行预测，得到第三预测概率分布；根据每个有标签的物联网目标域数据所属类别对应的第一均值向量和第三预测概率分布计算每个有标签的物联网目标域数据的第三交叉熵损失值，再对所有的第三交叉熵损失值取平均值，得到所述第三损失函数值。5.根据权利要求1所述的物联网入侵检测模型训练方法，其特征在于，计算所述第四损失函数的第四损失函数值，包括：
利用所述分类器对无标签的物联网目标域数据特征向量进行预测，得到无标签的物联网目标域数据特征向量的过渡分类信息；根...

【专利技术属性】
技术研发人员：吴嘉澍，王洋，须成忠，叶可江，
申请(专利权)人：澳门大学，
类型：发明
国别省市：