一种不平衡数据物联网入侵检测方法及装置制造方法及图纸

本发明专利技术公开了一种不平衡数据物联网入侵检测方法及装置，包括：迭代将训练好的元采样器和全局模型分发到选定的各个物联网设备中；所述元采样器是根据联邦元采样算法训练的；以使所述各个物联网设备根据所述元采样器对各自本地不平衡数据进行元采样，获取数据子集，并根据所述数据子集训练本地模型；获取各个物联网设备上传的本地模型，并根据动态聚类排序算法对所有本地模型进行聚类，建立入侵检测模型

【技术实现步骤摘要】
一种不平衡数据物联网入侵检测方法及装置


[0001]本专利技术涉及物联网入侵检测
，尤其涉及一种不平衡数据物联网入侵检测方法及装置
。

技术介绍

[0002]物联网
(IoT)
是一项新兴技术，它通过互连智能设备来提高生产力和工作效率，从而极大地改变了我们的生活方式
。
然而，物联网设备之间错综复杂的通信和开放的网络环境极大地导致了恶意入侵的可能性
。
例如，未经授权访问或重新配置物联网医疗设备会对用户构成严重的安全威胁
。
同样，对交通信号灯和车辆物联网的黑客攻击可能会导致严重事故，造成人员伤亡
。
为了减轻物联网的安全威胁，入侵检测系统
(IDS)
被用作一种安全技术，通过监控网络流量和系统日志等各种数据来检测和识别网络中的潜在入侵
。
鉴于这些，有许多研究设计更高效的
IDS
来检测和预防物联网设备上的安全威胁
。
[0003]现有的不平衡数据物联网入侵检测方法，需要共享客户端数据，容易导致数据泄露
。
此外，基于联邦学习的物联网入侵检测方法，由于数据重采样的简单性，会导致局部模型的过度拟合，从而这可能会阻碍客户端从各自的本地数据集中获得“特殊知识”，从而导致检测准确性下降
。

技术实现思路

[0004]本专利技术提供了一种不平衡数据物联网入侵检测方法及装置，以解决现有不平衡数据的物联网入侵检测方法，数据重采样过于简单，导致检测准确性下降的技术问题
。
[0005]为了解决上述技术问题，本专利技术实施例提供了一种不平衡数据物联网入侵检测方法，包括：
[0006]迭代将训练好的元采样器和全局模型分发到选定的各个物联网设备中；所述元采样器是根据联邦元采样算法训练的；
[0007]以使所述各个物联网设备根据所述元采样器对各自本地不平衡数据进行元采样，获取数据子集，并根据所述数据子集训练本地模型；
[0008]获取各个物联网设备上传的本地模型，并根据动态聚类排序算法对所有本地模型进行聚类，建立入侵检测模型
。
[0009]本专利技术通过在服务器中训练元采样器，通过元采样的方式，自适应地平衡物联网设备的本地数据集，避免数据重采样的简单性，阻碍客户端从各自的本地数据集中获得“特殊知识”，从而导致准确性下降，同时，优化采样策略，以解决类不平衡问题
。
此外，通过根据动态聚类排序算法对所有本地模型进行聚类，动态调整整个聚类过程，挑选出性能最佳的聚类模型，从而建立入侵检测模型，提高入侵检测模型的性能，提高入侵检测的准确性
。
[0010]进一步的，根据联邦元采样算法训练元采样器，包括：
[0011]构建元采样器，并迭代根据服务器中的第一数据集和第一模型构建元状态；
[0012]在每一次迭代过程中，根据所述元采样器和元状态生成第一标量，并根据所述第
一标量计算当前迭代的采样权重；
[0013]根据所述当前迭代的采样权重从所述第一数据集中抽取训练子集，根据所述训练子集训练更新所述第一模型，并进入下一次迭代；
[0014]直至达到预设条件，停止迭代，输出元采样器
。
[0015]进一步的，在所述根据所述训练子集训练更新所述第一模型之后，还包括：
[0016]获取当前迭代的原始第一模型和更新后的第一模型之间的性能差异之和；
[0017]根据所述性能差异之和和第一强化学习算法优化更新所述元采样器的训练参数
。
[0018]进一步的，所述根据服务器中的第一数据集和第一模型构建元状态，包括：
[0019]获取服务器的第一数据集，将所述第一数据集分为训练集和验证集；
[0020]根据所述训练集
、
验证集和第一算法获取第一模型的训练误差和验证误差；并构建元状态
。
[0021]进一步的，在所述根据所述训练集
、
验证集和第一算法获取第一模型的训练误差和验证误差，还包括构建误差直方图分布，具体为：
[0022][0023]1≤i≤b
[0024][0025]其中，
(x,y)
表示第一数据集中的一个数据实例，为分类误差，为第一数据集，
s
为元状态为元状态为训练误差的期望值，为验证误差的期望值
。
[0026]进一步的，所述根据动态聚类排序算法对所有本地模型进行聚类，包括：
[0027]获取各个客户端对应的第一向量，所述第一向量包括不平衡率
、
训练精度和验证精度；
[0028]根据所述第一向量对各个客户端上传的本地模型进行聚类，确定各个客户端的集群模型
。
[0029]进一步的，所述根据动态聚类排序算法对所有本地模型进行联合集群，还包括：
[0030]根据排名算法和评价函数对所有集群模型进行排序，并获取第一聚类模型集合，具体的：
[0031][0032][0033]其中，
i
j
表示聚类模型的数量，
j
表示选中模型的数量，
P()
是评价函数，
K
为超参数
。
[0034]第二方面，本专利技术提供了一种不平衡数据物联网入侵检测装置，包括：元采样器训练模块
、
本地模型训练模块和聚类模块；
[0035]所述元采样器训练模块，用于迭代将训练好的元采样器和全局模型分发到选定的各个物联网设备中；所述元采样器是根据联邦元采样算法训练的；
[0036]所述本地模型训练模块，用于使所述各个物联网设备根据所述元采样器对各自本地不平衡数据进行元采样，获取数据子集，并根据所述数据子集训练本地模型；
[0037]所述聚类模块，用于获取各个物联网设备上传的本地模型，并根据动态聚类排序算法对所有本地模型进行聚类，建立入侵检测模型
。
[0038]第三方面，本专利技术提供了一种计算机设备，包括：处理器
、
通信接口和存储器，所述处理器
、
所述通信接口和所述存储器相互连接，其中，所述存储器存储有可执行程序代码，所述处理器用于调用所述可执行程序代码，执行所述的不平衡数据物联网入侵检测方法
。
[0039]第四方面，本专利技术提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现所述的不平衡数据物联网入侵检测方法
。
附图说明
[0040]图1为本专利技术实施例提供的不平衡数据物联网入侵检测方法的一种流程示意图；
[0041]图2为本专利技术实施例提供的不平衡数据物联网入侵检测方法的一种元采样器训练管道示意图；
[0042]图3为本专利技术实施例提供的不平衡数据物联网入侵检测方法的一种动态聚类示意图；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种不平衡数据物联网入侵检测方法，其特征在于，包括：迭代将训练好的元采样器和全局模型分发到选定的各个物联网设备中；所述元采样器是根据联邦元采样算法训练的；以使所述各个物联网设备根据所述元采样器对各自本地不平衡数据进行元采样，获取数据子集，并根据所述数据子集训练本地模型；获取各个物联网设备上传的本地模型，并根据动态聚类排序算法对所有本地模型进行聚类，建立入侵检测模型
。2.
如权利要求1所述的不平衡数据物联网入侵检测方法，其特征在于，根据联邦元采样算法训练元采样器，包括：构建元采样器，并迭代根据服务器中的第一数据集和第一模型构建元状态；在每一次迭代过程中，根据所述元采样器和元状态生成第一标量，并根据所述第一标量计算当前迭代的采样权重；根据所述当前迭代的采样权重从所述第一数据集中抽取训练子集，根据所述训练子集训练更新所述第一模型，并进入下一次迭代；直至达到预设条件，停止迭代，输出元采样器
。3.
如权利要求2所述的不平衡数据物联网入侵检测方法，其特征在于，在所述根据所述训练子集训练更新所述第一模型之后，还包括：获取当前迭代的原始第一模型和更新后的第一模型之间的性能差异之和；根据所述性能差异之和和第一强化学习算法优化更新所述元采样器的训练参数
。4.
如权利要求2所述的不平衡数据物联网入侵检测方法，其特征在于，所述根据服务器中的第一数据集和第一模型构建元状态，包括：获取服务器的第一数据集，将所述第一数据集分为训练集和验证集；根据所述训练集
、
验证集和第一算法获取第一模型的训练误差和验证误差；并构建元状态
。5.
如权利要求4所述的不平衡数据物联网入侵检测方法，其特征在于，在所述根据所述训练集
、
验证集和第一算法获取第一模型的训练误差和验证误差，还包括构建误差直方图分布，具体为：
1≤i≤b
其中，
(x,y)
表示第一数据集中的一个数据实例，为分类误差，为第一数据集，
s
为元状态
,
为训练误差的期望值，为验证误差的期...

【专利技术属性】
技术研发人员：董立国，韩唯翔，莫慧芳，
申请(专利权)人：广州科技贸易职业学院，
类型：发明
国别省市：