一种基于GS-DNN模型的无线传感器网络入侵检测方法及系统技术方案

一种基于GS

【技术实现步骤摘要】
一种基于GS
‑
DNN模型的无线传感器网络入侵检测方法及系统


[0001]本专利技术涉及网络入侵检测
，具体涉及一种基于GS
‑
DNN模型的无线传感器网络入侵检测方法及系统。

技术介绍

[0002]随着网络技术的不断发展，网络安全也成为了用户关注的重点，作为物联网关键组成部分的无线传感器网络(Wireless Sensor Network，WSN)的安全问题日益突出，无线传感器网络具有自组织性，部署便捷，适应能力强，体积小，便于携带，因此，被广泛应用到环境监测、军事领域、医疗护理等领域。但受成本限制，传感器节点存在能量、计算能力、内存方面受限问题，而且无线通信易被干扰。因此，WSN易受到安全威胁和攻击，需要采取一些有效的安全措施。目前，已经提出了数据加密机制、密钥管理机制、防火墙等技术，用于改善WSN的安全性。但伴随新型的攻击手段的不断涌现，这些技术已经不能满足WSN的安全需求。
[0003]入侵检测技术可以实时地检测网络中的入侵行为，并及时做出响应，减少网络的损失有效地弥补了上述技术的不足。目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GS
‑
DNN模型的无线传感器网络入侵检测方法，其特征在于，包括以下步骤：步骤一、获取网络特征数据集，所述网络特征数据集包括正常网络行为数据和网络攻击行为数据；并将网络特征数据集划分为训练集和测试集；步骤二、对所述网络特征数据集进行数据预处理；步骤三、根据数据项信息熵计算训练集和测试集的信息影响因子，根据训练集和测试集的信息影响因子计算信息影响相似比，以对预处理后的网络特征数据集进行特征筛选，获取筛选后的特征数据集；步骤四、将筛选后的特征数据集输入到基于深度神经网络的网络入侵检测模型中进行训练，获取训练好的网络入侵检测模型；步骤五、将经过预处理后的待检测网络数据输入训练好的网络入侵检测模型中，获取检测结果。2.根据权利要求1所述的一种基于GS
‑
DNN模型的无线传感器网络入侵检测方法，其特征在于，步骤一中所述网络特征数据集为UNSW
‑
NB15数据集，去除其原始标签特征Label，将特征数据项attack_cat作为标签。3.根据权利要求2所述的一种基于GS
‑
DNN模型的无线传感器网络入侵检测方法，其特征在于，所述预处理包括：将非数字型的数据项进行数值化处理；将浮点型数据项转换为整数。4.根据权利要求3所述的一种基于GS
‑
DNN模型的无线传感器网络入侵检测方法，其特征在于，步骤二中所述预处理还包括：对数值化处理后的特征数据项attack_cat进行独热编码。5.根据权利要求4所述的一种基于GS
‑
DNN模型的无线传感器网络入侵检测方法，其特征在于，步骤三的具体过程包括：步骤三一、根据每项数据项元素出现的次数，按照下述公式计算每项数据项信息熵：其中，j表示每项数据项元素出现的总类数；n表示每类元素出现的次数；m表示数据集数据总条数；步骤三二、计算信息影响因子和信息影响相似比：信息影响因子表示数据集中每项数据项对标签项的影响，计算方法是数据集每列数据项信息熵与标签项信息熵的比值；信息影响相似比的计算方法为：测试集每项数据项的信息影响因子与训练集每项数据项的信息影响因子的比值；步骤三三、对于训练集和测试集，均进行以下两步操作，第一步操作为：将信息影响因子向下取整，作为第一次网格搜索法的阈值取值的集合，计算获得所述集合中所有阈值的平均数，记为av1，使用网格搜索法遍历预处理后的训练集或测试集中每个信息影响因子，选取信息影响因子大于av1的数据项，组合成一个新的数据集，记为训练集一或测试集一；第二步操作为：将信息影响相似比向下取整，作为再次进行网格搜索法的阈值取值的集合，计算获得该集合中所有阈值的平均数，记为av2，使用网格搜索法遍历预处理后的训练集或测试集中每个信息影响因子，选取信息影响相似比小于av2的数据项，组合成一个新的数据集，记为训练集二或测试集二；
步骤三四、将训练集一和训练集二合并获得筛选后的特征训练集、测试集一和测试集二合并获得筛选后的特征测试集。6.根据权利要求3
‑
5中任一项所述的一种基于GS
‑
DNN模型的无线传感器网络入侵检测方法，其特征在于，将浮点型数据项转为整数的方法为：若特征值大于10000，则按照下述公式计算：若特征值小于...

【专利技术属性】
技术研发人员：王海珍，李梦歌，杨双双，廉佐政，滕艳平，李敬有，
申请(专利权)人：齐齐哈尔大学，
类型：发明
国别省市：