【技术实现步骤摘要】
本专利技术属于网络安全，涉及一种融合联邦学习与差分隐私的网络入侵检测方法。
技术介绍
1、随着计算机算力的大幅提升以及网络流量数据的几何式增长，基于机器学习，尤其是深度学习的网络入侵检测技术得到了迅速地发展。深度学习技术，例如卷积神经网络，其强大的特征提取和学习能力可以高效地处理大规模的网络流量数据，并在模型的各项性能指标上都表现的十分优秀。然而，在传统集中式机器学习训练模式中，所有参与方的数据通常会被收集到一个服务器中进行集中处理，用以开发出一个性能更优的网络入侵检测模型。但在这种训练模式下，参与方数据容易被敌手恶意窃取和攻击，数据隐私和安全得不到保障。随着各厂商数据隐私和安全意识的提高以及用户隐私数据相关法律法规的出台，越来越多的网络安全厂商不愿与其他厂商共享自己的数据，造成了“数据孤岛”现象的发生。网络安全厂商之间存在的“数据壁垒”将会使得各个厂商只能基于自身的本地数据来训练得到一个网络入侵检测模型，而单个厂商的标签数据数量以及标签类型往往不够全面，从而导致训练得到的模型性能受到很大的影响。
技术实现思
<本文档来自技高网...【技术保护点】
1.一种融合联邦学习与差分隐私的网络入侵检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的融合联邦学习与差分隐私的网络入侵检测方法，其特征在于，所述步骤1中具体采用一维卷积神经网络作为初始全局模型。
3.如权利要求1所述的融合联邦学习与差分隐私的网络入侵检测方法，其特征在于，所述步骤2中的预处理操作包括：删除恶意值和重复值、标签合并和编码以及数据归一化。
4.如权利要求1或2所述的融合联邦学习与差分隐私的网络入侵检测方法，其特征在于，所述步骤3具体包括以下步骤：
5.如权利要求1所述的融合联邦学习与差分隐私的网...
【技术特征摘要】
1.一种融合联邦学习与差分隐私的网络入侵检测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的融合联邦学习与差分隐私的网络入侵检测方法，其特征在于，所述步骤1中具体采用一维卷积神经网络作为初始全局模型。
3.如权利要求1所述的融合联邦学习与差分隐私的网络入侵检测方法，其特征在于，所述步骤2中的预处理操作包括：删除恶意值和重复值、标签合并和编码以及数据归一化。
4.如权利要求1或2所述的融合联邦学习与差分隐私的网络入侵检测方法，其特征在...
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。