【技术实现步骤摘要】
面向物联网设备的基于可分卷积的轻量级入侵检测方法
[0001]本专利技术涉及物联网
，具体涉及一种面向物联网设备的基于可分卷积的轻量级入侵检测方法。
技术介绍
[0002]随着物联网的高速发展，网络数据呈现体量大、维度高的特点，CNN(Convolutional Neural Network)由于其在高维数据处理上的优势已经成为主流的入侵检测方法之一。
[0003]传统基于CNN的入侵检测模型在将非结构化数据转换为图像数据过程中缺乏有效的数据提纯手段，并且训练过程中因模型结构复杂而产生过多参数，进而导致了模型时间复杂度较高及检测率较低的问题，因此限制了CNN算法在物联网入侵检测系统上的应用。
技术实现思路
[0004]为解决上述问题，本专利技术提出了一种面向物联网设备的基于可分卷积的轻量级入侵检测方法，基于DPA提纯数据训练的LSCNN模型相较于传统CNN算法具有更高的时间效率与检测准确率；相较于传统机器学习算法具有更高的准确率。
[0005]为实现上述目的，本专利技术提供了如下的技术方...
【技术保护点】
【技术特征摘要】
1.一种面向物联网设备的基于可分卷积的轻量级入侵检测方法，其特征在于，包括以下步骤：获取物联网设备的无线网络数据，并对无线网络数据中的字符数据进行数值化；引入液态分子蒸馏原理，将数值化后的无线网络数据视为液态分子，数据空间位置视为沸点，数据间的间距视为溶解性，数据的提纯误差视为蒸馏误差，对液态分子依次进行蒸馏和分馏操作，即将优化后的无线网络数据进行粗提纯和精提纯；将提纯后的无线网络数据转换为二维灰度图；基于CNN模型，根据可分离小波的刚体运动卷积原理使用可分卷积结构对原有卷积结构进行改进，构建LSCNN模型；其中，LSCNN模型的多个可分卷积层后均增加交叉通道参数池化层形成SMLP卷积层；其中，LSCNN模型将原CNN模型中的全连接层改为神经元内参数共享机制的半连接层，将原分类层改为利用投票机制的分类层SoftVMax；输入二维灰度图至LSCNN模型中进行入侵检测，判断物联网设备是否产生入侵情况。2.根据权利要求1所述的一种面向物联网设备的基于可分卷积的轻量级入侵检测方法，其特征在于，所述对无线网络数据中的字符数据进行数值化，包括以下步骤：将无线网络数据的字符数据通过词向量模型Word2Vec，转换生成对应的词向量；基于K
‑
Means算法对词向量转换结果进行聚类，计算聚类中心到原点的欧式距离；通过计算出的欧式距离替换由词向量生成的多维向量，实现字符数据的数值化。3.根据权利要求1所述的一种面向物联网设备的基于可分卷积的轻量级入侵检测方法，其特征在于，所述液态分子的蒸馏操作，即对液态分子混合物的粗提纯，在一定的k值范围下，进行k次蒸馏操作，得到k种馏分，重复蒸馏过程，直到满足终止条件，具体包括以下步骤：S2.1：初始化k种馏分其中，1≤k≤w；w表示蒸馏得到的液态分子种类数；随机选择k类液态分子的沸点作为温度参数集T＝{t
i
|t
i
＝(x1,x2,..,x
n
),1≤i≤k}，作为每次蒸馏操作的沸点；S2.2：计算每类液态分子与所选k种温度参数的溶解性S，即混合物L中，L＝{l
j
|l
j
＝(x1,x2,..,x
n
)}，液态分子间的溶解性S由它们之间的距离决定，通过欧几里德距离计算：每类液态分子l
j
在与k种温度参数中溶解性最高的那种温度参数下被馏化，即馏分P
i
，表示为：P
i
＝{l
i
}∪P
i
；S2.3：计算蒸馏误差DE
k
：如果DE
k
‑
DE'
k
！＝0，更新温度参数转执行S2；S2.4：如果k<w,k＝k+1，转执行S2.1；S2.5：对每一个k值，在二维空间中，蒸馏次数k及其蒸馏误差DE
k
所构成的点与k
‑
1、k+1及其对应的蒸馏误差所在直线的距离为dist
k
：
蒸馏次数k+1及其蒸馏误差DE
k+1
所构成的点与k、k+2及其对应的蒸馏误差所在直线的距离为dist
k+1
；如果dist
k
‑
dist
k+1
为最大值，返回k、P
i
。4.根据权利要求3所述的一种面向物联网设备的基于可分卷积的轻量级入侵检测方法，其特征在于，所述液态分子的粗提纯包括：S3.1：初始化各馏分P
i
的子馏分...
【专利技术属性】
技术研发人员：杨韬，陈江川，何保林，马晓宇，
申请(专利权)人：西华师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。