异常电子侦察数据智能检测及分类方法技术

本发明专利技术涉及异常电子侦察数据智能检测及分类方法，检测方法为：步骤一：利用大量的正常样本X，X＝{X1,X2,...,X

【技术实现步骤摘要】
异常电子侦察数据智能检测及分类方法


[0001]本专利技术涉及检测分类方法相关
，具体地说是异常电子侦察数据智能检测及分类方法。

技术介绍

[0002]针对电子侦察数据在发送时容易遭受到窃听、干扰、注入、缺失、替换等问题的影响，而现在技术难以及时发现异常以及对各种异常类型做出分类，因此需要解决该问题，本专利技术提出来一种异常电子侦察数据智能检测及分类方法能够解决上述问题。

技术实现思路

[0003]本专利技术的目的是针对现有技术中的不足，提供异常电子侦察数据智能检测及分类方法。
[0004]为实现上述目的，本专利技术提供异常电子侦察数据智能检测及分类方法，检测方法为：
[0005]步骤一：利用大量的正常样本X，X＝{X1,X2,...,X
T
}训练网络模型，先对选取的数据的特征x进行最大最小值归一化，将每一维特征x'取值范围限制在[
‑
1,1]之间，满足公式：
[0006][0007]步骤二：将正常样本X归一化后，滑动窗口长度为l＝10，接下来将t时刻的窗口X'＝{X'
t
‑
l+1
,X'
t
‑
l+2
,...,X'
t
}作为VAE编码器的输入；
[0008]步骤三：VAE编码器对X'进行特征扩维，得到高维嵌入Z
t
，将Z作为BiGRU网络的输入进行Z'的预测，将BiGRU网络的预测结果Z'作为VAE解码器的输入；
[0009]Z'＝{z1',z2',...,z
m
'}＝GRU(Z)
[0010]步骤四：VAE解码器通过对窗口数据Z'进行解码，得到重构序列滑动窗口分割的每一条序列如公式所示；通过对比重构序列和原始序列计算重构误差；异常检测分数f计算方法，设定门限d，当异常检测分数f大于d时，将该序列点判定为异常；
[0011][0012][0013][0014]分类方法为：
[0015]步骤一：首先双向门控循环单元的两个方向相反的GRU层传递正向和反向两层时
间顺序，将两层状态互相拼接；
[0016]步骤二：得到BIGRU的隐含层(hidden*2)；
[0017]步骤三：对四种常见异常A类随机注入偏差、B类固定注入偏差、C类DOS注入以及D类航路替换，还有正常数据五种类型进行分类，并记录识别准确率；
[0018]步骤四：将四类异常可以细分为八类，正常数据也可以按照巡航与起降分为两类，一共10类，并记录识别准确率。
[0019]优选的，z'
i
代表t时刻第i个窗口的高维嵌入的预测窗口，作为解码器的输入进行窗口序列X'的重构。
[0020]优选的，深度自编码器对常规电子侦察数据特征进行自监督学习后，只能使用维数较小的特征向量来表示特征。
[0021]优选的，输入层接受输入数据x，经过某种“函数关系”f(x)映射到隐层所表达的压缩空间h，再经过重构输出层函数g(h)重构为x'，这种“函数关系”在自编码器中使用神经网络实现的，把f(x)成为编码器Encoder，g(h)称为解码器Decoder。
[0022]优选的，自编码器目的在于通过训练各层参数然后用编码器Autocoder提取输入电子侦察数据的最为本质的隐藏层特征，用Decoder重建新特征并得到重新形成的数据。
[0023]优选的，四类异常分为八类：A1巡航状态随机注入偏差，A2起降状态随机注入偏差，B1巡航状态固定注入偏差，B2起降状态固定注入偏差，C1巡航状态DOS注入，C2起降状态DOS注入，D1巡航状态航路替换，D2起降状态航路替换。
[0024]本专利技术优点在于：
[0025]本专利技术异常电子侦察数据智能检测及分类方法，通过使用BiGRU
‑
VAE来对异常电子侦察数据进行检测，以及通过使用BiGRU来对异常电子数据进行分类，首先使用滑动窗口将异常电子侦察数据输入VAE的编码器捕获有效特征，然后建立BiGRU网络进行下个窗口序列的预测，并输入VAE的解码器进行异常电子侦察数据的重构，最后利用计算得到的重建概率与检测门限的比较判别检测出异常电子侦察数据，与传统方法相比，BiGRU擅长对时间序列进行处理，VAE也能够充分提取异常电子侦察数据的隐层特征，将二者结合，异常检测能力得到提升。
【附图说明】
[0026]图1是自编码器网络结构；
[0027]图2是BiGRU
‑
VAE方法步骤流程图；
[0028]图3是基于BiGRU的异常分类方法流程图；
[0029]图4是BiGRU参数设置表。
【具体实施方式】
[0030]下面结合附图对本专利技术提供的具体实施方式作详细说明。
[0031]附图中涉及的附图标记和组成部分如下所示：
[0032]整地描述，显然，本说明书中所描述的实施例仅是本专利技术的一部分可行技术方案，本领域普通技术人员基于本专利技术的实施例，在没有付出任何创造性劳动的基础上得到的其他实施例，应当视为属于本专利技术保护的范围。
[0033]本说明书中所记载的本专利技术的各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为该技术方案的结合不存在。
[0034]参考图1
‑
图4，本专利技术的异常电子侦察数据智能检测及分类方法，
[0035]检测方法为：
[0036]步骤一：利用大量的正常样本X，X＝{X1,X2,...,X
T
}训练网络模型，先对选取的数据的特征x进行最大最小值归一化，将每一维特征x'取值范围限制在[
‑
1,1]之间，满足公式：
[0037][0038]将正常样本X归一化后，滑动窗口长度为l＝10，接下来将t时刻的窗口X'＝{X'
t
‑
l+1
,X'
t
‑
l+2
,...,X'
t
}作为VAE编码器的输入；
[0039]步骤二：VAE编码器对X'进行特征扩维，得到高维嵌入Z
t
，将Z作为BiGRU网络的输入进行Z'的预测，将BiGRU网络的预测结果Z'作为VAE解码器的输入；
[0040]Z'＝{z1',z2',...,z
m
'}＝GRU(Z)
[0041]z'
i
代表t时刻第i个窗口的高维嵌入的预测窗口，作为解码器的输入进行窗口序列X'的重构。
[0042]步骤三：VAE解码器通过对窗口数据Z'进行解码，得到重构序列滑动窗口分割的每一条序列，通过对比重构序列和原始序列计算重构误差，异常检测分数f计算方法，设定门限d，当异常检测分数f大于d时，将该序列点判定为异常。
[0043][0044][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.异常电子侦察数据智能检测及分类方法，其特征在于：检测方法为：步骤一：利用大量的正常样本X，X＝{X1,X2,...,X
T
}训练网络模型，先对选取的数据的特征x进行最大最小值归一化，将每一维特征x'取值范围限制在[
‑
1,1]之间，满足公式：步骤二：将正常样本X归一化后，滑动窗口长度为l＝10，接下来将t时刻的窗口X'＝{X'
t
‑
l+1
,X'
t
‑
l+2
,...,X'
t
}作为VAE编码器的输入；步骤三：VAE编码器对X'进行特征扩维，得到高维嵌入Z
t
，将Z作为BiGRU网络的输入进行Z'的预测，将BiGRU网络的预测结果Z'作为VAE解码器的输入；Z'＝{z1',z2',...,z
m
'}＝GRU(Z)步骤四：VAE解码器通过对窗口数据Z'进行解码，得到重构序列滑动窗口分割的每一条序列如公式所示；通过对比重构序列和原始序列计算重构误差；异常检测分数f计算方法，设定门限d，当异常检测分数f大于d时，将该序列点判定为异常；法，设定门限d，当异常检测分数f大于d时，将该序列点判定为异常；法，设定门限d，当异常检测分数f大于d时，将该序列点判定为异常；分类方法为：步骤一：首先双向门控循环单元的两个方向相反的GRU层传递正向和反向两层时间顺序，将两层状态互相拼接；步骤二：得到BIGRU的隐含层(hidden*2)；步骤三：对四种常见异常A类随机注入偏差、B...

【专利技术属性】
技术研发人员：顾晓乐，刘明骞，苑航，
申请(专利权)人：盛航台州科技有限公司，
类型：发明
国别省市：