【技术实现步骤摘要】
本专利技术属于网络安全与人工智能领域，尤其涉及基于深度生成模型的数据扩增方法在工业物联网环境下的网络入侵检测应用。
技术介绍
1、工业物联网设备具有数量庞大、分布广泛的特点，但普遍存在防护能力薄弱的问题，易遭受各类恶意攻击。入侵检测技术虽能为网络设备提供有效防护，但实际网络流量中正常与异常数据分布不均衡，这种类别不平衡问题会显著降低机器学习检测算法的性能。因此，在模型训练阶段经常采用数据平衡技术提升检测效果。
2、对于数据层面，普遍思路就是扩充少数样本、削减多数样本，如欠采样（undersampling）和过采样（oversampling）方法。其中，随机欠采样通过减少多数类样本数量来平衡数据集，但可能会丢失重要信息；而像smote（synthetic minority over-sampling technique）等过采样技术则通过合成少数类样本来改善不平衡，不过其生成样本的质量和多样性存在一定局限性，可能会造成过拟合、引入噪声数据。另外，基于深度生成模型如 vae、gan 的数据扩增一直是热门研究方向。在扩散模型兴起后...
【技术保护点】
1.一种小样本非平衡工业物联网检测数据的扩增方法，其特征在于，包括：
2.根据权利要求1所述小样本非平衡工业物联网检测数据的扩增方法，其特征在于：所述预处理包括对离散特征进行独热编码，对连续特征执行标准化处理。
3.根据权利要求1所述小样本非平衡工业物联网检测数据的扩增方法，其特征在于：所述生成器采用全连接网络结构。
4.根据权利要求1所述小样本非平衡工业物联网检测数据的扩增方法，其特征在于：所述判别器与分类器采用带辅助分类器的网络结构，同步判断样本真伪与类别。
5.根据权利要求1所述小样本非平衡工业物联网检测数据的扩增...
【技术特征摘要】
1.一种小样本非平衡工业物联网检测数据的扩增方法，其特征在于，包括：
2.根据权利要求1所述小样本非平衡工业物联网检测数据的扩增方法，其特征在于：所述预处理包括对离散特征进行独热编码，对连续特征执行标准化处理。
3.根据权利要求1所述小样本非平衡工业物联网检测数据的扩增方法，其特征在于：所述生成器采用全连接网络结构。
4.根据权利要求1所述小样本非平衡工业物联网检测数据的扩增方法，其特征在于：所述判别器与分类器采用带辅助分类器的网络结构，同步判断样本真伪与类别。
5.根据权利要求1所述小样本非平衡工业物联网检测数据的扩增方法，其特征在于：训练采用的判别器损失函数融合相对配对对抗损失、分类损失、真实样本梯度惩罚和生成样本梯度惩罚。
6.根据权利要求1所述小样本非平衡工业物联网检测数据的扩增方法，其特征在于：训练采用的生成器损失函数融合相对配对对抗...
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。