物联网入侵检测方法、系统、设备及介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113765928A(43)申请公布日2021.12.07(21)申请号202111063442.7(22)申请日2021.09.10(71)申请人湖南工商大学地址410000湖南省长沙市岳麓区岳麓大道569号(72)发明人梁伟吴嘉懿陈晓红郑旭哲黄素珍胡春华徐雪松(74)专利代理机构长沙轩荣专利代理有限公司43235代理人董崇东(51)Int.Cl.H04L29/06(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书10页附图2页(54)发明名称物联网入侵检测方法、系统、设备及介质(57)摘要本公开实施例中提供了一种物联网入侵检测方法、系统、设备及介质，属于数据处理技术领域，具体包括：获取目标流量数据包；提取目标流量数据包中的特征信息；将初始节点特征、路由图和邻接矩阵输入到图卷积神经网络，得到目标流量数据包中的源ip地址对应的源节点特征和目标ip地址对应的目标节点特征；将源节点特征、数据特征和目标节点特征拼接，得到目标向量；将目标向量输入多层感知器，输出目标流量数据包对应的攻击类型。通过本公开的方案，对流量包进行分析处理，拼接网络节点信息和网络结构信息，利用边的语义信息结合图卷积输出的带有结构信息的节点表示输入多层感知器进行入侵攻击的检测，提高了检测效率、精准度和安全性。CN113765928ACN113765928A权利要求书1/2页1.一种物联网入侵检测方法，其特征在于，包括：获取目标流量数据包；提取所述目标流量数据包中的特征信息，其中，所述特征信息包括初始节点特征、路由图、邻接矩阵和数据特征；将所述初始节点特征、所述路由图和所述邻接矩阵输入到图卷积神经网络，得到所述目标流量数据包中的源ip地址对应的源节点特征和目标ip地址对应的目标节点特征；将所述源节点特征、所述数据特征和所述目标节点特征拼接，得到目标向量；将所述目标向量输入多层感知器，输出所述目标流量数据包对应的攻击类型。2.根据权利要求1所述的方法，其特征在于,所述将所述初始节点特征、所述路由图和所述邻接矩阵输入到图卷积神经网络，得到所述目标流量数据包中的源ip地址对应的源节点特征和目标ip地址对应的目标节点特征的步骤，包括：将所述初始节点特征、所述路由图和所述邻接矩阵输入到所述图卷积神经网络，更新所述节点特征得到节点矩阵；根据所述路由图查找所述目标流量数据包对应的源ip地址和目标ip地址，并从所述节点矩阵中分别选取所述源ip地址对应的源节点特征和所述目标ip地址对应的目标节点特征。3.根据权利要求1所述的方法，其特征在于,所述提取所述目标流量数据包中的特征信息的步骤之前，所述方法还包括：将预设属性指标输入边表示模型，筛除所述目标流量数据包中的无效属性数据；所述边表示模型将所述无效属性数据中的全零值剔除后进行归一化操作，并计算所述归一化操作后的数据的均值和方差；当所述归一化操作后的数据的均值大于第一阈值，以及，所述归一化操作后的数据的方差大于第二阈值时，将所述预设属性指标对应的数据和所述归一化操作后的数据形成所述数据特征。4.根据权利要求2所述的方法，其特征在于,所述将所述目标向量输入多层感知器，输出所述目标流量数据包对应的攻击类型的步骤之前，所述方法还包括：利用预设数量的样本向量训练所述多层感知器；计算所述多层感知器的输出与所述样本向量的真实标签之间的类别损失，并通过链式求导法则更新所述变表示模型、所述多层感知器和所述图卷积神经网络的参数。5.根据权利要求4所述的方法，其特征在于,所述类别损失的表达式为ζ＝μH(ps，y)+(1‑μ)H(ps，pt)+λζLSF，其中，H(ps，y)为基于数据特征的知识提取，H(ps，pt)是基于向量的知识提取，ζLSP代表了所述图卷积神经网络的局部知识提取，λ、μ分别为平衡不同损失的超参数，y是真实的标签，ps为学生模型的预测标签，pt为教师模型的预测标签。6.根据权利要求5所述的方法，其特征在于,所述计算所述多层感知器的输出与所述样本向量的真实标签之间的类别损失的步骤，包括：将全部所述样本向量分别输入所述教师模型和所述学生模型，生成对应的SoftMax值；计算所述教师模型的SoftMax值和所述学生模型的SoftMax值的匹配度；根据所述匹配度计算所述类别损失。7.一种物联网入侵检测系统，其特征在于，包括：2CN113765928A权利要求书2/2页获取模块，用于获取目标流量数据包；提取模块，用于提取所述目标流量数据包中的特征信息，其中，所述特征信息包括初始节点特征、路由图、邻接矩阵和数据特征；卷积模块，用于将所述初始节点特征、所述路由图和所述邻接矩阵输入到图卷