【技术实现步骤摘要】
本专利技术涉及信息安全领域的物联网网络安全领域，特别涉及一种工业无线网络的抗干扰方法、装置及计算机设备。
技术介绍
1、为了实现高可靠性和低功耗的通信，工业领域的无线网络中引入了时隙跳频技术(time slotted channel hopping，tsch)。该技术广泛应用于ieee 802.15.4e协议标准，该标准专为工业环境中的低功耗无线传感器网络(low-power wireless sensor networks，lpwsns)设计。tsch作为其重要的通信机制之一，通过将时间划分为小的时隙，并在不同的时隙中跳变频率，以实现多路径传输和频谱分集。这种设计使得网络能够在受到干扰的工业环境中维持稳定的通信连接。然而，攻击者可以利用监听网络流量的方式，分析节点的时隙与频率信息，从而实施干扰攻击，破坏网络的正常运行。智能干扰攻击是一种针对tsch网络的特定攻击方法，攻击者通过精确地干扰特定的时隙和频率，来扰乱网络节点的通信。这可能导致数据包丢失、通信延迟增加，甚至导致网络崩溃。因此，建立一套基于时隙跳频的工业无线网络中干扰攻击的检测与安全防御方法具有重要的安全意义。
2、目前工业物联网(industrial internet of things，iiot)入侵检测系统(intrusion detection system，ids)的智能方法主要包括基于机器学习(machine learning，ml)和深度学习(deep learning，dl)的方法。面对智能干扰攻击的威胁，可能导致数据泄露、设备损坏、生产中断
3、在针对干扰攻击防御策略的研究中，博弈模型是该领域的热点，博弈模型全面分析智能干扰攻击与tsch网络之间的动态互动，不仅考虑了攻击者的策略，还充分考虑了网络节点的自适应竞争关系。通过对博弈模型的深入研究，研究者们提出了一系列基于博弈论的智能跳频策略，旨在使tsch网络能够更加灵活地应对攻击者的变化策略。
4、现有的博弈模型在应用于工业物联网信息决策中，存在忽视不确定性、复杂性、实时性问题。不确定性因素如传感器数据的噪声、通信延迟、设备故障等，将影响博弈模型的信息准确性。部分博弈模型忽视了该类因素的影响，无法保证实际场景应用的可靠性；同时，复杂的网络拓扑增加了博弈模型的建模和求解的难度，模型需要进行较长时间的计算和分析，大部分博弈模型将无法满足实时性要求；因此，需要通过研究和改进博弈模型的建模方法、算法求解和决策评估等方面，提高博弈模型在工业物联网信息决策中的可靠性、准确性和实时性。
5、现有技术中的干扰检测方法大多是针对节点包数据分析的干扰攻击检测，缺少对网络性能参数的实时监测和数据采集，不能够准确反映工业无线网络的实时运行动作和状态，从而导致干扰攻击检测和抗干扰防御不够准确的问题。
技术实现思路
1、为了解决现有技术中的工业物联网系统在受到智能干扰攻击时缺少对网络性能数据方面的监测从而导致对网络的干扰攻击检测和防御不够准确的问题，本专利技术提供了一种工业无线网络的抗干扰方法、装置及计算机设备。
2、为了实现上述目的，本专利技术提供如下技术方案：
3、一种工业无线网络的抗干扰方法，所述方法包括：
4、收集工业无线网络性能参数，构建时序数据集；
5、采用相关性和共线性分析优化所述时序数据集，将经过筛选和优化的性能参数组合成优化数据集；
6、采用lstm神经网络对所述优化数据集作异常分类处理，根据分类结果得到网络性能的异常情况；
7、当发现网络性能异常时，通信节点收集网络的收发包数据，再从收发包数据中提取节点通信特征向量，采用随机森林机器学习模型对所述节点通信特征向量进行异常分类处理，根据分类结果得到相邻的异常通信节点与正常通信节点；
8、选择异常通信节点的干扰信道序列及当前通信节点的抗干扰信道序列，根据干扰信道序列与抗干扰信道序列构建斯塔伯格博弈模型，并求解所述博弈模型的博弈均衡解，根据所述博弈均衡解选择最优的抗干扰信道。
9、进一步地，所述性能参数包括数据包传送率、信噪比、期望传输数、能源消耗。
10、进一步地，所述收发包数据包括数据包大小、发送时间、目标节点ip和协议类型，所述通信特征向量是将收发包数据按秒为单位分成若干帧生成的新特征值。
11、进一步地，所述lstm神经网络的构建包括：构建多个lstm层和全连接层，根据网络复杂性和网络性能参数确定lstm层神经元的数量；在多个lstm层之间添加dropout层；所述lstm层的控制单元中的门限机制以及输出层分别选择非线性的双曲正切激活函数和sigmoid激活函数。
12、进一步地，所述根据干扰信道序列与抗干扰信道序列构建斯塔伯格博弈模型的步骤包括：为异常通信节点创建干扰信道序列策略集合和对应的干扰信道序列的概率矩阵，为当前通信节点创建抗干扰信道序列策略集合和对应的抗干扰信道序列的概率矩阵；设定异常通信节点作为领导者，当前通信节点作为跟随者；采用q学习算法和随机选择理论求解模型的博弈纳什均衡解，根据所述均衡解选择最优抗干扰信道。
13、进一步地，所述采用相关性和共线性分析优化所述时序数据集具体包括：通过皮尔逊相关系数得到时序数据集参数之间的相关性；通过多变量回归分析的方差膨胀因子得到时序数据集参数之间的共线性。
14、进一步地，两个性能参数之间的皮尔逊相关系数为：
15、
16、其中，f1和f2是性能参数，xi和yi分别是性能参数f1和f2特征值，代表性能参数fj的算术平均值，n是正整数。
17、进一步地，多变量回归分析的方差膨胀因子为：
18、
19、
20、其中，i＝1,2,3,…,k，k为正整数，ri2是第i个因变量性能参数对其余k-1个自变量性能参数作回归分析后的判断系数，yi、分别代表第i个性能参数的实际值、预测值、均值。
21、一种工业无线网络的抗干扰装置，包括：
22、第一数据收集模块，用于收集工业无线网络性能参数，构建时序数据集；
23、第一异常检测模块，用于采用相关性和共线性分析优化所述时序数据集，将经过筛选和优化的性能参数组合成优化数据集；采用lstm神经网络对所述优化数据集作异常分类处理，根据分类结果得到网络性能的异常情况；
24、第二数据收集模块，用于通信节点收集网络的收发包数据，再从收发包数据中提取节点通信特征向量；
25、第二异常检测模块，用于采用随机森林机器学习模型对所述节点通信特征向量进行异常分类处本文档来自技高网...
【技术保护点】
1.一种工业无线网络的抗干扰方法，其特征在于，所述方法包括：
2.根据权利要求1所述的工业无线网络中的抗干扰方法，其特征在于，所述性能参数包括数据包传送率、信噪比、期望传输数、能源消耗。
3.根据权利要求1所述的工业无线网络中的抗干扰方法，其特征在于，所述收发包数据包括数据包大小、发送时间、目标节点IP和协议类型，所述通信特征向量是将收发包数据按秒为单位分成若干帧生成的新特征值。
4.根据权利要求1所述的工业无线网络中的抗干扰方法，其特征在于，所述LSTM神经网络的构建包括：构建多个LSTM层和全连接层，根据网络结构和网络性能参数确定LSTM层神经元的数量；在多个LSTM层之间添加Dropout层；所述LSTM层的控制单元中的门限机制以及输出层分别选择Sigmoid激活函数和非线性的双曲正切激活函数。
5.根据权利要求1所述的工业无线网络中的抗干扰方法，其特征在于，所述根据干扰信道序列与抗干扰信道序列构建斯塔伯格博弈模型的步骤包括：为异常通信节点创建干扰信道序列策略集合和对应的干扰信道序列的概率矩阵，为当前通信节点创建抗干扰信道序列
6.根据权利要求1所述的工业无线网络中的抗干扰方法，其特征在于，所述采用相关性和共线性分析优化所述时序数据集具体包括：通过皮尔逊相关系数得到时序数据集性能参数之间的相关性；通过多变量回归分析的方差膨胀因子得到时序数据集性能参数之间的共线性。
7.根据权利要求6所述的工业无线网络中的抗干扰方法，其特征在于，两个性能参数之间的皮尔逊相关系数为：
8.根据权利要求6所述的工业无线网络中的抗干扰方法，其特征在于，所述多变量回归分析的方差膨胀因子为：
9.一种工业无线网络的抗干扰装置，其特征在于，包括：
10.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有存储计算机执行指令，所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-8中任一项所述的一种工业无线网络的抗干扰方法。
...【技术特征摘要】
1.一种工业无线网络的抗干扰方法，其特征在于，所述方法包括：
2.根据权利要求1所述的工业无线网络中的抗干扰方法，其特征在于，所述性能参数包括数据包传送率、信噪比、期望传输数、能源消耗。
3.根据权利要求1所述的工业无线网络中的抗干扰方法，其特征在于，所述收发包数据包括数据包大小、发送时间、目标节点ip和协议类型，所述通信特征向量是将收发包数据按秒为单位分成若干帧生成的新特征值。
4.根据权利要求1所述的工业无线网络中的抗干扰方法，其特征在于，所述lstm神经网络的构建包括：构建多个lstm层和全连接层，根据网络结构和网络性能参数确定lstm层神经元的数量；在多个lstm层之间添加dropout层；所述lstm层的控制单元中的门限机制以及输出层分别选择sigmoid激活函数和非线性的双曲正切激活函数。
5.根据权利要求1所述的工业无线网络中的抗干扰方法，其特征在于，所述根据干扰信道序列与抗干扰信道序列构建斯塔伯格博弈模型的步骤包括：为异常通信节点创建干扰信道序列策略集合和对应的干扰信道序列的概率矩阵，为当前通信...
【专利技术属性】
技术研发人员：杨伟，王鑫龙，江曜名，陈少龙，李萍，侯承启，
申请(专利权)人：江西师范大学，
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。