一种面向流量检测的空天地协同训练方法及架构技术

本发明专利技术公开了一种面向流量检测的空天地协同训练架构，在该架构中，首先将横向联邦学习迁移至空天地一体化网络中，在多颗高轨卫星和地面关口站之间形成星型结构。该架构中，卫星使用自身流量进行训练并通过关口站进行模型同步，期间不需要回传流量，从而避免了数据泄露的风险同时节约了天基网络带宽。泄露的风险同时节约了天基网络带宽。泄露的风险同时节约了天基网络带宽。

【技术实现步骤摘要】
一种面向流量检测的空天地协同训练方法及架构


[0001]本专利技术属于卫星通信和网络安全领域，具体涉及一种面向流量检测的空天地协同训练方法及架构。

技术介绍

[0002]空天地一体化网络通过融合空中飞行器网络、天基卫星网络和原有陆基通信网络，实现多资源的立体化整合，满足全球范围内的随时随地任何人的安全可靠接入和高质量高速率通信的需求，兼顾多媒体、交通、军事行动、全球监测等多个领域。
[0003]在空天地一体化网络中，陆基网络主要由原有的地面互联网、局域网及移动通信网络组成，负责城市、乡村等业务密集地区的网络服务；空中飞行器网络主要由飞行器通信网络和无人机网络组成，针对特殊用途通信和紧急通信的场景，提供灵活的、自组织的、覆盖范围较广的窄带网络服务；天基卫星网络主要由卫星通信网络和卫星遥测网络组成，实现全球覆盖的实时监测、全球范围的可靠通信等服务。该卫星星座结构下的核心为控制整个星座的高轨卫星，若高轨卫星暴露在安全威胁中，星座将面临瘫痪、损毁甚至被截获的风险。因此需要向天基骨干网络中部署有效的流量异常检测系统，实时监控高轨卫星的网络状态，提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向流量检测的空天地协同训练方法，其特征在于，所述方法包括：S1：建立异常流量检测深度学习模型，并利用预设的标记流量对所述模型进行初步训练，得到初始模型参数集合W
t
；S2：将初始模型参数加密处理；S3：基于加密处理后的初始模型参数，根据在工作中接收到的上行流量对本地模型进行进一步训练，其中每颗卫星训练时采用批训练方式，得到各自的训练梯度集合为S4：将训练梯度加密处理；S5：基于加密处理训练梯度，对接收到的加密梯度进行加权聚合操作，并基于聚合后的梯度更新机器学习模型，得到更新后的参数模型集合W
t+1
；S6：将更新后的模型参数反馈并替换其原有模型，重复步骤S3
‑
S6直至模型梯度收敛或达到最大训练回合数。2.一种面向流量检测的空天地协同训练架构，其特征在于，所述架构包括：天基骨干网与地面关口站；地面关口站建立异常流量检测深度学习模型，并利用站内已有的少量标记流量对所述模型进行初步训练，得到初始模型参数集合W
t
；地面关口站将初始模型参数加密后通过卫星链路发送至天基骨干网中各高轨卫星；高轨卫星根据各自在工作中接收到的上行流量对本地模型进行进一步训练，其中每颗卫星训练时采用批训练方式，得到各自的训练...

【专利技术属性】
技术研发人员：李源，许海涛，徐佳康，杨仁金，
申请(专利权)人：北京鹏鹄物宇科技发展有限公司，
类型：发明
国别省市：