一种非均匀高斯分布下的网络攻击联邦检测方法及系统技术方案

本发明专利技术公开了一种非均匀高斯分布下的网络攻击联邦检测方法及系统，该方法首先在客户端采集网络数据和攻击数据构建数据集，获取数据集的分布信息发送到中央服务器。然后中央服务器构建CNN‑Attention神经网络模型并初始化，将初始化全局模型参数下发到各个客户端。然后在客户端构建基于CNN‑Attention神经网络模型的本地模型，使用本地数据集进行训练，并输出网络攻击的检测结果，再将本地模型参数保存成数组发送到中央服务器；最后在中央服务器，接收各个客户端的本地模型参数，对全局模型进行更新，并同步到客户端。本发明专利技术对网络数据具有较好的表征能力，对攻击流量具有较高的检测能力。

【技术实现步骤摘要】

本专利技术属于网络安全领域，涉及网络安全大数据分析和建模，具体涉及一种非均匀高斯分布下的网络攻击联邦检测方法及系统。

技术介绍

1、互联网技术的高速发展在方便人们生活的同时，也促进了网络攻击的传播和扩散。随着网络的普及和应用，网络安全问题也越来越突出。黑客攻击、病毒传播、恶意软件等威胁手段不断涌现，攻击者可以通过入侵网站、窃取数据、远程控制等方式破坏国家、企业、个人的网络安全，干扰政府的决策过程，威胁国家的政治稳定和国家安全。因此，网络攻击检测刻不容缓。基于机器学习和深度学习的网络攻击检测方式利用了智能算法强大的数据分析和学习能力，能够对网络流量和数据进行分析，以检测和识别潜在的网络攻击，已经广泛应用于网络纵深防御领域。

2、当前，网络攻击发生在不同的客户端，表现出不同的异常行为，在多终端下数据是非均匀独立同分布的，每个客户端上的数据又呈现高斯分布特点，因此，利用联邦学习分散计算范式，能够在不共享数据的前提下共享模型，即解决数据孤岛问题，又保障隐私。联邦学习具有分布式特性，即训练过程是在多个参与方之间分布式进行的。这使得联邦学习能够处理大量分布本文档来自技高网...

【技术保护点】

1.一种非均匀高斯分布下的网络攻击联邦检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的非均匀高斯分布下的网络攻击联邦检测方法，其特征在于，步骤1中所述获取数据集的分布信息具体操作为：在客户端采集网络数据和攻击数据；通过CICflowmeter工具提取攻击特征，生成数据集，数据集中正常数据的类别标签为1，攻击数据的类别标签为0；对数据集数据预处理，使用高斯混合分布拟合数据集，计算数据集的均值和方差，作为数据集的分布信息。

3.根据权利要求1所述的非均匀高斯分布下的网络攻击联邦检测方法，其特征在于，步骤2所述根据各客户端数据集的分布信息对构建CNN-At...

【技术特征摘要】

1.一种非均匀高斯分布下的网络攻击联邦检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的非均匀高斯分布下的网络攻击联邦检测方法，其特征在于，步骤1中所述获取数据集的分布信息具体操作为：在客户端采集网络数据和攻击数据；通过cicflowmeter工具提取攻击特征，生成数据集，数据集中正常数据的类别标签为1，攻击数据的类别标签为0；对数据集数据预处理，使用高斯混合分布拟合数据集，计算数据集的均值和方差，作为数据集的分布信息。

3.根据权利要求1所述的非均匀高斯分布下的网络攻击联邦检测方法，其特征在于，步骤2所述根据各客户端数据集的分布信息对构建cnn-attention进行初始化具体为：根据所有客户端数据集的分布信息，计算全局数据的均值和方差，构建全局数据的高斯混合分布函数；

4.根据权利要求1所述的非均匀高斯分布下的网络攻击联邦检测方法，其特征在于，步骤3...

【专利技术属性】
技术研发人员：张桦，陈标，许艳萍，何泽奇，吴以凡，张灵均，许永兴，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：