一种群智感知中可解释性的切片级主动威胁预测方法技术

移动群智感知平台所蕴含的大量高价值数据，使其成为诸如女巫攻击、Dos攻击等多种威胁的目标，严重干扰平台的感知服务，影响感知数据质量。本发明专利技术提出一种可学习可解释的切片级主动威胁预测方法，提供对于威胁的精准长期预测，使感知平台能够提前制定更合适的防御手段和策略。首先，通过一种“分而治之”的非平稳因素处理方法，学习每个切片自身的统计属性，并预测其未来的分布。然后，以对比学习的方式，结合双向交叉注意力机制学习攻击数据和时序基之间的相似性系数，相似性系数和时序基的未来部分组合得到此阶段的平稳化输出。最后，依据威胁切片统计属性的预测，在威胁预测模块的平稳化输出中恢复其非平稳特性，得到对威胁的最终预测结果。

【技术实现步骤摘要】

本专利技术属于移动群智感知领域，具体涉及一种可解释性的切片级主动威胁预测方法。

技术介绍

1、移动群智感知(mobile crowdsensing，mcs)利用拥有多样化传感功能的智能移动设备，依靠这些智能设备的普遍性和连接性正在彻底改变数据收集、处理和分析环境信息方式。mcs的应用范围涉及环境监测、交通管理、自然灾害监测和医疗服务等多个领域。mcs收集的数据通常包含大量的个人信息、位置数据以及环境信息等，这些数据对于恶意攻击者极具吸引力，使得mcs面临多样化、复杂化和持续化的严重安全威胁。而安全威胁是不可避免的，诸如女巫攻击、恶意攻击、dos攻击、网络钓鱼等多种攻击，让mcs的安全性和可信度受到重大挑战。

2、威胁是不可避免的，诸如女巫攻击、恶意攻击、dos攻击、网络钓鱼等多种攻击，让mcs的安全性和可信度受到重大挑战。现有的mcs防御手段本质上仍然是反应性的，在执行时间方面涉及大量开销，且易被攻击者绕过。这种时间延迟是由识别多态恶意软件的签名所需的复杂模式匹配、攻击数据处理的复杂性或安全策略的复杂性等多种原因造成。最近，引入了基于机器学习的本文档来自技高网...

【技术保护点】

1.一种群智感知中可解释性的切片级主动威胁预测方法，其特征在于，包括启发式切片级非平稳因素处理、可解释性时序基的学习、时间序列和时序基相似性计算、非平稳因素恢复及威胁预测；具体步骤如下：

2.根据权利要求1所述的群智感知中可解释性的切片级主动威胁预测方法，其特征在于，所述S1中的启发式切片级非平稳因素处理方法，依据现实世界中人为定义的周期(每天、每周等)，将{6,12,24}作为切片长度，将完整的攻击数据xi分割为M个不重叠的切片每个切片的均值和标准差计算如下：

3.根据权利要求1所述的群智感知中可解释性的切片级主动威胁预测方法，其特征在于，所述S3中时序基的未来...

【技术特征摘要】

1.一种群智感知中可解释性的切片级主动威胁预测方法，其特征在于，包括启发式切片级非平稳因素处理、可解释性时序基的学习、时间序列和时序基相似性计算、非平稳因素恢复及威胁预测；具体步骤如下：

2.根据权利要求1所述的群智感知中可解释性的切片级主动威胁预测方法，其特征在于，所述s1中的启发式切片级非平稳因素处理方法，依据现实世界中人为定义的周期(每天、每周等)，将{6,12,24}作为切片长度，将完...

【专利技术属性】
技术研发人员：王健，赵德磊，赵国生，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：