【技术实现步骤摘要】
本专利技术涉及网络安全领域，尤其涉及一种基于联邦学习与联盟博弈的威胁情报分类方法及系统。
技术介绍
1、在数字化时代，传统的威胁情报生产和分析方法大多基于集中式数据处理模式，这种模式不仅潜在地暴露数据隐私泄露的威胁，而且在应对日益庞大且复杂的数据流量时常常显得捉襟见肘。正是这些挑战催生了联邦学习这一新兴的分布式学习方法的诞生，并迅速在保护数据隐私领域引起了行业的广泛重视。
2、区别于传统的机器学习框架，该框架通常需要从终端设备中汇聚海量数据到中央服务器以训练模型，联邦学习优雅地规避了直接数据汇集的需求。它允许终端设备保留各自的数据，仅在本地进行模型训练，然后将模型更新分享给中央服务器，这一创新使得数据隐私得到了前所未有的保护。
3、然而，在现实世界中，设备间的数据分布往往呈现出显著的异质性。比如，在网络安全领域内，不同地域或机构所面临的网络威胁有着独特的差异性——某些地区可能频繁遭遇恶意网址攻击，而另一些则可能多数接触到安全的网络环境。这种数据的非独立同分布(non-iid)性质对于构建一个高效的联邦学习二分类模...
【技术保护点】
1.一种基于联邦学习与联盟博弈的威胁情报分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于联邦学习与联盟博弈的威胁情报分类方法，其特征在于，所述分类模型包括预处理单元、特征提取单元、特征处理单元和分类单元。
3.根据权利要求2所述一种基于联邦学习与联盟博弈的威胁情报分类方法，其特征在于，所述将待测威胁情报数据输入至所述训练完成的分类模型，得到分类结果这一步骤，其具体包括：
4.根据权利要求3所述一种基于联邦学习与联盟博弈的威胁情报分类方法，其特征在于，所述特征处理单元包括池化层和归一化层，所述分类单元包括Dropo
【技术特征摘要】
1.一种基于联邦学习与联盟博弈的威胁情报分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于联邦学习与联盟博弈的威胁情报分类方法，其特征在于，所述分类模型包括预处理单元、特征提取单元、特征处理单元和分类单元。
3.根据权利要求2所述一种基于联邦学习与联盟博弈的威胁情报分类方法，其特征在于，所述将待测威胁情报数据输入至所述训练完成的分类模型，得到分类结果这一步骤，其具体包括：
4.根据权利要求3所述一种基于联邦学习与联盟博弈的威胁情报分类方法，其特征在于，所述特征处理单元包括池化层和归一化层，所述分类单元包括dropout层和线性层。
5.根据权利...
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。