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：中南大学

摘要：本发明公开了一种基于社区特征选择的ICPS无监督在线攻击检测方法和设备，方法为：根据ICPS的历史多源特征数集构建特征网络，并基于社区检测方法自动划分得到多个特征子集，从中选择最佳特征子集进而获取训练数据；构建基于自编码器的攻击检测模型，使用训练数据进行训练；然后使用训练好的攻击检测模型对训练数据重构以获取重构误差，并根据重构误差计算攻击检测阈值；实时在线获取ICPS的多源特征数集，将其最佳特征子集作为在线检测输入数据，并使用训练好的攻击检测模型重构，得到对应的重构误差；最终通过与攻击检测阈值进行比较，确定ICPS当前时刻是否受到攻击。本发明可以有效缩减系统数据的特征维度，并提升攻击检测的准确率。

主权项：1.一种基于社区特征选择的ICPS无监督在线攻击检测方法，其特征在于，包括：特征约简与训练数据获取：根据ICPS的历史多源特征数集构建特征网络，然后基于社区检测方法对特征网络进行自动划分得到多个特征子集，再基于最低误分类率标准选择最佳特征子集，并将历史多源特征数集的最佳特征子集作为训练数据；将历史多源特征数集表示为X＝[x1,x2,...,xM]∈RN×M，其中xi∈RN，i＝1,2,...,M，xi表示第i个传感器收集的N个数据样本，M表示ICPS的传感器个数；则构建特征网络的方法为：步骤A1，定义有权无向图G＝V,E,W的节点集合为V＝{xi|i＝,1,2,...,M}，连边集合为E＝{xi,xj:xi,xj∈V}；i,j用于区分不同的传感器节点；步骤A2，计算权重集合W＝{wij|i,j＝,1,2,...,M}，其中wij定义为两个传感器节点xi和xj之间的相似性测度，采用皮尔森相关性进行计算，即： 其中，和分别为向量xi和xj的平均值，得到有权无向图G＝V,E,W的权重矩阵，即 步骤A3：定义阈值η，用于对有权无向网络G＝V,E,W的权重元素进行修剪，即 由此将有权无向图G转化为无权无向图G*，且无权无向图G*的节点集合V*＝{xi|i＝,1,2,...,M}的连边集合E*＝{xi,xj:xi,xj∈V*}表示为连边矩阵： 其中，表示数据集X＝[x1,x2,...,xM]∈RN×M的特征xi和xj之间是否具有强判别性关系，如果有强判别性关系，否则至此，历史多源数据集X＝[x1,x2,...,xM]∈RN×M的特征网络G*＝V*,E*构建完毕；对特征网络进行自动划分，具体过程为：步骤B1，将特征网络G*＝V*,E*中每个传感器节点初始化为一个独立的社区，此时社区的数量与传感器节点数相同；步骤B2，对每个节点i，依次尝试把节点分配到其每个邻居节点所在的社区C，并计算社区C在分配前与分配后的模块变化度ΔQ，计算方式为： 其中Σin表示社区C内边的权值之和，Σtot表示与社区C内节点相连的边的权值之和，Ki,in表示社区C内各节点与节点i的边的权值之和，Ki表示所有与节点i相连的边的权值之和，m表示所有边的权重之和；步骤B3，记录ΔQ最大的那个邻居节点，如果maxΔQ＞0，则把节点i分配给ΔQ最大的那个邻居节点所在的社区，否则保持不变；步骤B4，重复步骤B2-B3，直到所有节点的所属社区不再变化；步骤B5，将同一社区内的节点压缩为一个新节点，社区内节点之间的边的权重转换为新点的环的权重，社区间的边权重转换为新节点间的边权重；步骤B6，重复步骤B1-B5，直到社区不再发生变化，得到社区划分结果Ω＝{C1,C2,...,Ck}，C1,C2,...,Ck为自动划分得到的k个特征子集；模型训练与攻击检测阈值计算：构建基于自编码器的攻击检测模型，使用训练数据作为输入和输出对攻击检测模型进行训练；然后使用训练好的攻击检测模型对训练数据进行重构进而获取对应的重构误差，再基于核密度估计方法根据重构误差计算攻击检测阈值；基于核密度估计方法根据重构误差计算攻击检测阈值的方法为： 其中，Kl表示正定核函数，loss＝l1,l2,...,lN表示训练数据的重构误差，l泛指重构误差，h表示正平滑参数，表示缩放核函数；在线攻击检测：实时在线获取ICPS的多源特征数集，将其最佳特征子集作为在线检测输入数据；然后使用训练好的攻击检测模型对在线检测输入数据进行重构，进而得到对应的重构误差；最终将在线检测输入数据的重构误差与攻击检测阈值进行比较，确定ICPS当前时刻是否受到攻击。

全文数据：

权利要求：

百度查询： 中南大学 基于社区特征选择的ICPS无监督在线攻击检测方法和设备