本发明专利技术涉及一种基于图神经网络的动态权重联邦学习异常检测方法，包括：基于图神经网络构建异常检测模型并分发至客户端，其中，异常检测模型通过图神经网络构建；客户端基于本地数据对异常检测模型进行训练，获取客户端模型并发送至服务器端，服务器端基于客户端模型结合余弦相似度量化方法对客户端动态分发权重；获取数据集并分发给客户端模型，获取客户端异常检测结果；基于客户端异常检测结果和客户端的权重更新全局模型，对更新后的全局模型进行聚合，获取最终异常检测模型；基于最终异常检测模型进行流量异常检测，获取异常检测结果。本发明专利技术在保护数据隐私的前提下能够有效处理图结构数据和时间序列数据，并在联邦学习框架下实现良好的性能。
【技术实现步骤摘要】
本专利技术涉及物联网安全，特别是涉及一种基于图神经网络的动态权重联邦学习异常检测方法。
技术介绍
1、随着计算机网络和物联网(iot)系统的广泛应用，确保网络安全已成为各类组织的关键问题。传统的基于集中式机器学习(ml)方法的异常检测在提高网络入侵检测系统(ids)准确性和效率方面显示出了良好的效果。然而，这些方法也带来了新的挑战：在经典集中式机器学习方法中，原始数据需要从终端设备传输到中央服务器进行处理和分析。这一过程中涉及的数据传输可能引发一系列安全风险，包括数据泄露、数据篡改和未经授权的访问。这些安全风险对于用户数据隐私敏感的领域尤其严重。联邦学习(federatedlearning,fl)作为一种新兴的机器学习范式被提出。联邦学习旨在分布式环境中训练机器学习模型时保护数据隐私。在这种范式下，数据保留在本地客户端(如移动设备、iot设备等)，而模型训练则在本地客户端上进行。这种方法避免了将原始数据传输到中央服务器，从而减少了数据泄露和隐私侵犯的风险。因此，提出一种基于图神经网络的动态权重联邦学习异常检测方法。
>技术实现思路本文档来自技高网...
【技术保护点】
1.一种基于图神经网络的动态权重联邦学习异常检测方法，其特征在于，包括：
2.根据权利要求1所述的基于图神经网络的动态权重联邦学习异常检测方法，其特征在于，所述异常检测模型包括：邻接矩阵构造模块、空间卷积模块、时间卷积模块、预测模块，其中，所述邻接矩阵构造模块用于基于数据集中的节点和边构造图的邻接矩阵；所述空间卷积模块用于基于所述邻接矩阵提取节点间关系；所述时间卷积模块用于基于所述节点间关系提取节点特征；所述预测模块用于基于所述节点特征获取异常预测结果。
3.根据权利要求2所述的基于图神经网络的动态权重联邦学习异常检测方法，其特征在于，所述空间卷积模块采用图卷积神...
【技术特征摘要】
1.一种基于图神经网络的动态权重联邦学习异常检测方法，其特征在于，包括：
2.根据权利要求1所述的基于图神经网络的动态权重联邦学习异常检测方法，其特征在于，所述异常检测模型包括：邻接矩阵构造模块、空间卷积模块、时间卷积模块、预测模块，其中，所述邻接矩阵构造模块用于基于数据集中的节点和边构造图的邻接矩阵；所述空间卷积模块用于基于所述邻接矩阵提取节点间关系；所述时间卷积模块用于基于所述节点间关系提取节点特征；所述预测模块用于基于所述节点特征获取异常预测结果。
3.根据权利要求2所述的基于图神经网络的动态权重联邦学习异常检测方法，其特征在于，所述空间卷积模块采用图卷积神经网络，所述时间卷积模块采用包含注意力机制的transformer，所述预测模块采用多层感知器。
4.根据权利要求1所述的基于图神经网络的动态权重...
【专利技术属性】
技术研发人员：刘苗，陈逸阳，刘洋洋，柳龙玺，谷越，
申请(专利权)人：无锡学院，
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。