买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西华师范大学

摘要：本发明提供一种面向物联网设备的基于可分卷积的轻量级入侵检测方法，包括以下步骤：获取物联网设备的无线网络数据，并对无线网络数据中的字符数据进行数值化；引入液态分子蒸馏原理，将数值化后的无线网络数据视为液态分子，对液态分子依次进行蒸馏和分馏操作，即将优化后的无线网络数据进行粗提纯和精提纯DPA；将提纯后的无线网络数据转换为二维灰度图；基于可分离小波的刚体运动卷积原理构建LSCNN模型；输入二维灰度图至LSCNN模型中进行入侵检测，判断物联网设备是否产生入侵情况。该方法基于DPA提纯数据训练的LSCNN模型相较于传统CNN算法具有更高的时间效率与检测准确率，相较于传统机器学习算法具有更高的准确率。

主权项：1.一种面向物联网设备的基于可分卷积的轻量级入侵检测方法，其特征在于，包括以下步骤：获取物联网设备的无线网络数据，并对无线网络数据中的字符数据进行数值化；引入液态分子蒸馏原理，将数值化后的无线网络数据视为液态分子，数据空间位置视为沸点，数据间的间距视为溶解性，数据的提纯误差视为蒸馏误差，对液态分子依次进行蒸馏和分馏操作，即将优化后的无线网络数据进行粗提纯和精提纯；将提纯后的无线网络数据转换为二维灰度图；基于CNN模型，根据可分离小波的刚体运动卷积原理使用可分卷积结构对原有卷积结构进行改进，构建LSCNN模型；其中，LSCNN模型的多个可分卷积层后均增加交叉通道参数池化层形成SMLP卷积层；其中，LSCNN模型将原CNN模型中的全连接层改为神经元内参数共享机制的半连接层，将原分类层改为利用投票机制的分类层SoftVMax；输入二维灰度图至LSCNN模型中进行入侵检测，判断物联网设备是否产生入侵情况；所述对无线网络数据中的字符数据进行数值化，包括以下步骤：将无线网络数据的字符数据通过词向量模型Word2Vec，转换生成对应的词向量；基于K-Means算法对词向量转换结果进行聚类，计算聚类中心到原点的欧式距离；通过计算出的欧式距离替换由词向量生成的多维向量，实现字符数据的数值化；所述液态分子的蒸馏操作，即对液态分子混合物的粗提纯，在一定的k值范围下，进行k次蒸馏操作，得到k种馏分，重复蒸馏过程，直到满足终止条件，具体包括以下步骤：S2.1：初始化k种馏分其中，1≤k≤w；w表示蒸馏得到的液态分子种类数；随机选择k类液态分子的沸点作为温度参数集T＝{ti|ti＝x1,x2,..,xn,1≤i≤k}，作为每次蒸馏操作的沸点；S2.2：计算每类液态分子与所选k种温度参数的溶解性S，即混合物L中，L＝{lj|lj＝x1,x2,..,xn}，液态分子间的溶解性S由它们之间的距离决定，通过欧几里德距离计算： 每类液态分子lj在与k种温度参数中溶解性最高的那种温度参数下被馏化，即馏分Pi，表示为：Pi＝{li}∪Pi；S2.3：计算蒸馏误差DEk： 如果DEk-DE'k！＝0，更新温度参数转执行S2.2；S2.4：如果kw,k＝k+1，转执行S2.1；S2.5：对每一个k值，在二维空间中，蒸馏次数k及其蒸馏误差DEk所构成的点与k-1、k+1及其对应的蒸馏误差所在直线的距离为distk： 蒸馏次数k+1及其蒸馏误差DEk+1所构成的点与k、k+2及其对应的蒸馏误差所在直线的距离为distk+1；如果distk-distk+1为最大值，返回k、Pi；所述液态分子的精提纯包括：S3.1：初始化各馏分Pi的子馏分S3.2：计算馏分Pi中液态分子与其所对应的馏分中心的溶解性Si；S3.3：对溶解性Si降序排序Si＝rankSi，返回第r×|Pi|个溶解性值：Si[r×|Pi|]；其中，r为提纯率；S3.4：返回各馏分Pi中溶解性最高的前r×|Pi|类液态分子，Psubi＝{x|x∈Pi,Sx,tk＞Si[r×|Pi|]}；所述基于可分离小波的刚体运动卷积原理使用可分卷积结构对原有卷积结构进行改进，其中可分卷积算法包括以下步骤：对于任意赋有测度的群G，通过在可分离小波的刚体运动卷积中插入仿射子群g′g＝v′+A′v,A′A,对于任意将可分离小波的组卷积定义为： 假设测度和小波是可分离的，则: 则因式分解为： 当线性粒子群时，存在一种快速卷积算法，即包含旋转矩阵rθ,θ∈[0,2π的旋转群G1＝SO2,相应的仿射子群是刚体运动群，被表示为包含所有的平移和旋转组合，则： 式中，内项是与旋转小波的二维卷积；外项是内项与一维2π周期小波在旋转群SO2上的一维周期性卷积；所述SMLP卷积层，其对输入的特征图执行加权线性重组，然后输出新的特征图；所述神经元内参数共享机制的半连接层的计算公式为： 式中，zj为半连接层第j类的得分，wj为权值矩阵，xi为半连接层的输入，n为输出的featuremap数；所述利用投票机制的分类层SoftVMax将多个神经元的输出映射到0,1区间内，通过正常类别与异常类别分别投票判断数据类型，其表达式为： 其中，Class表示输出类别，Class＝1表示正常数据，Class＝0表示异常数据；nnormal与nattack分别表示训练集中正常类型与攻击类型数据的类别量；zi与zj分别表示半连接层输出的与正常或攻击数据所对应的概率，k为训练数据类别；所述将提纯后的无线网络数据转换为二维灰度图，包括以下步骤：S4.1：假设非结构化数据的维度为n；将n维非结构化数据转m×m的图像： 并将冗余部分填充为0；S4.2：以行开始,添加每行每列的标准差到对应的行尾和列尾： 用标准差来描述行或列的弥散程度，以增加图像的特征；S4.3：为了放大图像特征，增强图像特征，在生成的矩阵的相邻行列之间插入相邻行列值之和的一半。

全文数据：

权利要求：

百度查询： 西华师范大学 面向物联网设备的基于可分卷积的轻量级入侵检测方法