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：暨南大学

摘要：本发明公开了一种基于神经架构演化联邦学习的工业物联网入侵检测系统及方法。服务端将基于5种神经网络基础模块的联邦学习神经网络架构组合方式进行编码，下发到参与联邦学习的客户端，各客户端对本地IIoT设备的数据进行本地训练，服务端对各客户端模型中间参数聚合和适应度加权平均，通过种群演化操作，获得基于最优神经架构的联邦学习模型，并将其部署在IIoT在线入侵检测系统中，从而实现IIoT高效精准的在线入侵检测。本发明不仅可实现用于IIoT入侵检测的联邦学习模型的优化设计和自动生成，获得了易于在线部署的轻量化联邦学习模型，在保护IIoT设备隐私安全的同时，还提升了IIoT入侵检测的精确率、召回率、F1评分等性能指标。

主权项：1.一种基于神经架构演化联邦学习的工业物联网入侵检测系统，其特征在于，该系统主要包括基于神经架构演化的联邦学习模型离线优化模块和基于最优联邦学习模型的工业物联网在线入侵检测模块；所述基于神经架构演化的联邦学习模型离线优化模块，即服务端将基于5种神经网络基础模块的联邦学习神经网络架构组合方式进行个体编码，随机产生初始化种群，将编码下发到参与的各个客户端；各个客户端生成初始本地模型，各个客户端针对各自的工业物联网本地通信流量历史数据，分别进行初始的本地训练，将各自的模型中间参数上传至服务端；服务端进行中间参数聚合，中间参数聚合后下发到各个客户端的本地模型；各个客户端再进行下一轮的本地训练，重复各个客户端模型中间参数上传到服务端、服务端进行中间参数聚合后下发到各个客户端本地生成模型、各个客户端再进行新一轮本地训练这一过程，直至达到各个客户端达到指定的最大本地训练轮次；然后，各个客户端分别进行本地测试，将各自获得的评估指标上传至服务端，服务端对收到的各个客户端的评估指标进行适应度加权平均运算，并对种群中的个体进行交叉、变异和环境选择等演化操作，重复上述过程，进行特定轮次的神经网络架构搜索，最终获得在历史数据中表现最优的神经网络架构，从而构建出基于最优神经网络架构的联邦学习模型；所述基于最优联邦学习模型的工业物联网在线入侵检测模块，即服务端在线部署基于最优神经网络架构的联邦学习模型，将最优联邦学习模型下发到各个客户端，各个客户端生成本地初始模型，各个客户端针对各自的工业物联网本地通信流量历史数据，分别进行初始的本地训练，将各自的模型中间参数上传至服务端；服务端进行模型中间参数聚合后，再将聚合后的模型中间参数下发到各个客户端的本地模型，再进行下一轮的本地训练，重复各个客户端模型中间参数上传到服务端、服务端进行中间参数聚合后下发到各个客户端本地生成模型、各个客户端再进行新一轮本地训练这一过程，直至达到各个客户端达到指定的最大本地训练轮次，各个客户端生成本地最终在线测试模型；各个客户端针对各自采集的工业物联网本地通信流程实时数据，采用各自生成的本地最终在线测试模型进行在线入侵监测，若检测到异常数据，则进行异常告警，并对各个客户端在线测试模型的性能进行评估，将各个客户端的性能指标上传到服务端，服务端对各个客户端的性能指标进行加权平均后获得最终的平均性能指标；在上述两个模块中，各个客户端对本地工业物联网通信流量历史数据和实时数据依次进行数据嗅探、数据采集、数据解析和数据归一化操作，即首先对工业物联网设备通讯流量数据进行数据嗅探，通过将网卡置于混杂模式，将网络中的通讯流量以报文为单位存储至系统中；数据采集模块收到通讯报文后，将其汇总成网络流的形式并产生相对应的特征；数据解析对其中所有类别特征进行汇总并产生特征映射表，特征表中类别特征与数值特征一一对应；根据特征表将数据中的类别特征全部转换为数值特征，从而获得源数据集，将其标记为X，并按照公式1进行数据的归一化处理，将归一化处理后获得的数据集标记为Xo，即离线优化所需的本地历史数据集，再将Xo进行序号随机化处理并以4:1的比例分配进训练集Xox与测试集Xoc中； 其中，Xoi表示数据集Xo第i维度的特征，Xi表示源数据集X第i维度的特征，Ximax与Ximin分别表示Xoi的最小值与最大值，m表示数据集Xo维度的最大值。

全文数据：

权利要求：

百度查询： 暨南大学 一种基于神经架构演化联邦学习的IIoT入侵检测系统及方法