申请/专利权人：长春大学

申请日：2024-04-18

公开（公告）日：2024-06-25

公开（公告）号：CN118101326B

主分类号：H04L9/40

分类号：H04L9/40;H04L12/40;H04L67/12;G06N3/0464;G06F18/214;G06F18/243

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.06.14#实质审查的生效;2024.05.28#公开

摘要：本发明属于车联网和通信安全技术领域，涉及一种基于改进的MobileNetV3模型的轻量级车联网入侵检测方法；该方法通过对改进的MobileNetV3模型进行训练得到车联网入侵检测模型，利用车联网入侵检测模型区分正常流量和攻击流量；模型训练时，在数据预处理部分，通过随机无放回采样，异常值处理，SMOTE采样，关键特征筛选等一系列的处理，保留对车联网入侵检测至关重要的数据，筛除无效且无用的数据集；此外，通过在MobileNetV3模型初期添加空间特征提取块和对反向残差块参数的配置，使检测过程中能够识别细微差异，显著提高检测的准确率，同时达到快速且轻量化的需求。

主权项：1.一种基于改进的MobileNetV3模型的轻量级车联网入侵检测方法，该方法包括以下步骤：步骤1.实时接收CAN流量数据；步骤2.将实时接收的CAN流量数据输入到车联网入侵检测模型中；步骤3.采用步骤2的车联网入侵检测模型对实时接收的CAN流量数据进行识别分类，得到分类结果；步骤4.基于分类结果，确定入侵检测结果；其特征在于，步骤2所述的车联网入侵检测模型是通过对改进的MobileNetV3模型进行训练得到，具体训练方法为：步骤S2.1获取公开的Car-Hacking数据集；步骤S2.2对Car-Hacking数据集进行预处理，具体方法为：步骤S2.2.1采用无放回的随机抽样方法对正常数据按照50%的比例进行采样，对于恶意流量数据不对其进行采样，之后将采样后的正常数据和攻击数据合并，重新排序索引，保存为一个新样本数据集；步骤S2.2.2采用孤立森林算法来检测并删除步骤S2.2.1的新样本数据集中的异常值；步骤S2.2.3采用SMOTE算法对标签为Fuzzy的数据进行过采样；步骤S2.2.4采用随机森林分类器进行特征选择，保留选定的特征和标签列，并将其保存为新的数据集文件；步骤S2.2.5读取步骤S2.2.4保存的新的数据集，采用归一化方法将数值型特征归一化到[0,1]的范围，并将缺失值填充为0；步骤S2.2.6采用基于分位数的数据转换方法将步骤S2.2.5归一化后的数据集进行数据转换，使其放缩到[0,255]的范围；步骤S2.2.7数据标准化完成后，根据网络流量数据集的时间戳和特征大小将步骤S2.2.6的样本数据转换为块，之后再转换为图像；步骤S2.3将训练数据集和测试数据集输入到改进的MobileNetV3模型当中进行训练；其中，所述改进的MobileNetV3模型包括输入层、空间特征提取块、反向残差块、平均池化层、分类块；所述空间特征提取块输出的是从输入张量中提取的增强的空间特征，空间特征提取块包括第一卷积层、第一批量归一化层、第一激活层、第二卷积层、第二批量归一化层，所述第一卷积层的输入与第二卷积层的输出之间通过第三卷积层进行残差连接，残差结果相加之后通过第二激活层并输出；第一卷积层、第二卷积的卷积核大小均设置为3×3，填充设置为1，步长设置为1；所述第一激活层、第二激活层均使用ReLU激活函数；所述第三卷积层的卷积核大小设置为1×1，空间特征提取块处理后的数据经反向残差块、平均池化层、分类块处理后输出分类结果；所述反向残差块包括扩展块、深度可分离卷积块、注意力机制层、投影块、倒残差结构；其中，扩展块设置在深度卷积之前，用于扩大或增加特征图的通道数，扩展块包括第四卷积层、第三批量归一化层和第三激活层，第四卷积层的卷积核大小为1×1，所述第三激活层使用ReLU6激活函数；所述深度可分离卷积块包括深度卷积模块、逐点卷积模块，深度卷积模块对输入特征图的每个通道分别使用一个卷积核，在每个通道内独立提取空间特征，遍历每个通道，得到最终输出；所述逐点卷积模块用于对深度卷积模块输出的每个通道进行融合；所述注意力机制层用来动态地调整不同位置的特征图的权重，注意力机制层的输入通道数为深度卷积模块的输出通道数，输入的数据通过全局平均池化层操作将空间维度降为1,1，之后通过两个1×1卷积层实现注意力机制中的激发操作，在两个×1卷积层之间使用ReLU激活函数，最后通过HardSigmoid激活函数，得到注意力系数，输入特征与注意力系数相乘得到的加强后的特征输入逐点卷积模块，该操作有助于提高模型对重要特征的关注度；所述逐点卷积模块包括第六卷积层、第五批量归一化层、第五激活层，第六卷积层的卷积核大小为1×1，第五激活层所用的激活函数根据反向残差块的配置参数确定，为ReLU激活函数或HardSwish激活函数；所述投影块用于将深度可分离卷积块的输出投影到最终的输出通道，同时调整通道数，将扩展后的特征通道数压缩回预期的输出通道数；投影块包括第七卷积层、第六批量归一化层、第六激活层，第七卷积层的卷积核大小为1×1，用于对通道数进行线性映射，然后通过批量归一化进行规范化，第六激活层采用恒等激活函数；所述平均池化层用于将整个特征图的空间维度降低为1,1，即对特征图进行全局平均池化；所述分类块首先通过一个卷积核为1×1的卷积层将输入的特征向量映射到一个中间的隐藏层，用于调整特征图的通道数并进行特征融合；然后，通过Hardswish激活函数进行非线性变换；接着，经过全局平均池化将特征图转换为特征向量；此后，特征向量被传递到一个全连接层，再经过Hardswish激活和Dropout操作以防止过拟合；最后，通过另一个全连接层将特征映射到最终的输出类别数，并通过输出层输出分类结果；步骤S2.3对改进的MobileNetV3模型训练的具体步骤如下：步骤S2.3.1将处理完的数据输入到改进的MobileNetV3模型中，在进行最终训练评估之前，首先通过树形Parzen估计器超参数优化方法调用数据集和改进的MobileNetV3模型来寻找出适用于改进的MobileNetV3模型的最佳超参数组合；步骤S2.3.2在得到最优的超参数组合后，采用五重交叉验证对得到的最优超参数组合进行评估；步骤S2.3.3对改进的MobileNetV3模型进行最终评估，得到车联网入侵检测模型。

全文数据：

权利要求：

百度查询： 长春大学 基于改进的MobileNetV3模型的轻量级车联网入侵检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD