一种基于高斯差分隐私联邦学习的网络入侵检测方法技术

本发明专利技术公开一种基于高斯差分隐私联邦学习的网络入侵检测方法，包括：客户端从服务器中下载模型参数并训练本地模型、将本地训练后的模型参数上传到服务端、服务器接收模型参数加权平均并与上一轮聚合后模型参数相加、通过广播的方式将更新的模型参数发送到客户端、客户端重复本地模型训练至联邦学习训练轮次结束；本发明专利技术利用高斯机制的差分隐私来保证联邦学习计算过程的安全，在服务器中利用改进FedAvg算法来降低通信开销，在客户端的本地模型中采用改进1DCNN参与协同训练，具有较高的检测率和较低的误报率，在保护网络流量隐私的同时提高了入侵检测性能，为未来大规模、多场景的网络流量进行安全的数据分析提供了有效参考。

【技术实现步骤摘要】

本专利技术涉及网络入侵检测，尤其涉及一种基于高斯差分隐私联邦学习的网络入侵检测方法。

技术介绍

1、随着人们对网络安全的日益关注，隐私保护已成为互联网时代必须考虑的问题，网络入侵检测作为一种被广泛应用的网络安全防御技术，可以对内外部攻击和误操作进行实时保护，在网络系统受到威胁前进行拦截和响应入侵。目前，深度学习方法被大量应用于网络入侵检测中，在取得较高性能的同时，也存在一系列的网络安全问题，由于利用深度学习方法实现入侵检测需要大规模的网络流量数据集进行训练，增加流量数据泄露的风险。进而引入联邦学习技术，联邦学习作为一种基于隐私保护和数据安全性的分布式机器学习框架，解决了机器学习中的数据孤岛问题。联邦学习的关键思想是针对分布在多个设备上的数据集构建机器学习模型，同时防止数据泄露。

2、联邦学习的基本框架由一个服务器和多个客户端组成，客户端使用初始化的模型参数，在本地数据上进行模型训练，进而将训练的模型参数上传给服务器。服务器协调客户端参与联邦学习训练，对收集的本地模型参数进行平均或加权平均，再将更新后的模型参数广播给客户端准备下一轮训练。因此联邦本文档来自技高网...

【技术保护点】

1.一种基于高斯差分隐私联邦学习的网络入侵检测方法,其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于高斯差分隐私联邦学习的网络入侵检测方法，其特征在于：所述步骤一中，本地参数为客户端i从服务器中接收的全局模型即执行梯度下降，则本地模型训练得到

3.根据权利要求1所述的一种基于高斯差分隐私联邦学习的网络入侵检测方法，其特征在于：所述步骤一中，本地模型在KDD CUP99、NSL_KDD和UNSW_NB15数据集上训练，并采用改进1D CNN参与协同训练。

4.根据权利要求2所述的一种基于高斯差分隐私联邦学习的网络入侵检测方法，其特征在于：所述...

【技术特征摘要】

1.一种基于高斯差分隐私联邦学习的网络入侵检测方法,其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于高斯差分隐私联邦学习的网络入侵检测方法，其特征在于：所述步骤一中，本地参数为客户端i从服务器中接收的全局模型即执行梯度下降，则本地模型训练得到

3.根据权利要求1所述的一种基于高斯差分隐私联邦学习的网络入侵检测方法，其特征在于：所述步骤一中，本地模型在kdd cup99、nsl_kdd和unsw_nb15数据集上训练，并采用改进1d cnn参与协同训练。

4.根据权利要求2所述的一种基于高斯差分隐私联邦学习的网络入侵检测方法，其特征在于：所述步骤二中，在进行裁剪和添加噪声的操作时，为每个客户端添加高斯噪音n，并使用扰动训练过程中的本地模型。

5.根据权利要求1所述的一种基于高斯差分隐私联邦学习的网络入侵检测方法，其特征在于：所述步骤三中，利用改进fedavg算法聚合的具体步骤为：先对接收到的本地模型参数加权平均并与上一轮聚合后模型参数相加，得到更新后的全局模型，并根据更新后的全局模型中的全局模型参数来更新全局模型。

【专利技术属性】
技术研发人员：杨凯，杜佳玮，
申请(专利权)人：西京学院，
类型：发明
国别省市：