【技術(shù)實現(xiàn)步驟摘要】
本申請涉及工業(yè)互聯(lián)網(wǎng)的入侵檢測，特別涉及一種基于歷史數(shù)據(jù)和gcn的入侵檢測模型和方法。
技術(shù)介紹
1、數(shù)字化技術(shù)的運用賦能工業(yè)互聯(lián)網(wǎng)實現(xiàn)全面感知與高度智能化運行，強化源、網(wǎng)、荷、儲各環(huán)節(jié)間的靈活協(xié)調(diào)、互聯(lián)互通，但同時也給工業(yè)互聯(lián)網(wǎng)帶來網(wǎng)絡(luò)安全風(fēng)險，對現(xiàn)有技術(shù)架構(gòu)和安全防護(hù)體系產(chǎn)生沖擊。
2、目前，針對工業(yè)互聯(lián)網(wǎng)的網(wǎng)絡(luò)風(fēng)險感知技術(shù)仍存在不足。現(xiàn)有的入侵檢測方法主要有基于規(guī)則的、基于序列和圖匹配檢測方法?；谝?guī)則的檢測方法，主要是根據(jù)惡意行為總結(jié)規(guī)律，比如權(quán)限低的進(jìn)程訪問權(quán)限高的進(jìn)程、下載包含不安全信息的文件等，對日志數(shù)據(jù)打標(biāo)簽，可以有效識別攻擊行為?；谛蛄械臋z測方法是將日志數(shù)據(jù)通過會話、靜態(tài)時間窗口或動態(tài)時間窗口將日志數(shù)據(jù)分為一系列的日志行為數(shù)據(jù)，然后通過無監(jiān)督或監(jiān)督學(xué)習(xí)方法識別攻擊行為?；趫D匹配的檢測方法是將惡意行為構(gòu)建為圖的表示形式，然后和日志數(shù)據(jù)的溯源圖進(jìn)行圖節(jié)點和結(jié)構(gòu)對比，超過一定閾值即為攻擊行為。以上方法雖然都能夠?qū)θ肭址椒ㄟM(jìn)行檢測，但是現(xiàn)有的檢測方法無法利用不同數(shù)據(jù)形式形成的空間依賴關(guān)系，因此雖然在短期預(yù)測效果較好，但是對于長序列的處理能力不夠，檢測準(zhǔn)確率較低。
技術(shù)實現(xiàn)思路
1、本申請?zhí)峁┝艘环N基于歷史數(shù)據(jù)和gcn的入侵檢測模型，旨在解決現(xiàn)有技術(shù)中的檢測方法無法利用不同數(shù)據(jù)形式形成的空間依賴關(guān)系，導(dǎo)致對于長序列的處理能力不夠，檢測準(zhǔn)確率較低的技術(shù)問題。
2、本申請?zhí)峁┝艘环N基于歷史數(shù)據(jù)和gcn的入侵檢測模型，包括：
3、輸入模塊，
4、嵌入模塊，用于獲取所述多視圖時序數(shù)據(jù)，并根據(jù)所述多視圖時序數(shù)據(jù)生成多個嵌入結(jié)果，并將多個嵌入結(jié)果和多個圖像數(shù)據(jù)饋送至多視圖時空模塊；
5、多個多視圖時空模塊，包括第一多視圖時空模塊、第二多視圖時空模塊，第三多視圖時空模塊、其中：
6、第一多視圖時空模塊，用于根據(jù)多個嵌入結(jié)果和多個圖像數(shù)據(jù)輸出對應(yīng)的多個時態(tài)信息以及多個空間依賴關(guān)系信息，并對多個時態(tài)信息和多個空間依賴關(guān)系信息進(jìn)行融合，得到第一融合信息，并將第一融合信息作為第一預(yù)測信息和多個圖像數(shù)據(jù)饋送至第二多視圖時空模塊；
7、第二多視圖時空模塊，用于根據(jù)第一預(yù)測信息和多個圖像數(shù)據(jù)生成第二預(yù)測信息，并將第二預(yù)測信息和多個圖像數(shù)據(jù)饋送至第三多視圖時空模塊；
8、第三多視圖時空模塊，用于根據(jù)第二預(yù)測信息和多個圖像數(shù)據(jù)生成對應(yīng)第三預(yù)測信息；
9、輸出模塊，用于根據(jù)多個多視圖時空模塊生成的第一預(yù)測信息、第二預(yù)測信息和第三預(yù)測信息生成預(yù)測結(jié)果。
10、作為優(yōu)選，多個粒度的歷史數(shù)據(jù)包括最近歷史數(shù)據(jù)、每天歷史數(shù)據(jù)以及每周歷史數(shù)據(jù)，所述歷史數(shù)據(jù)包括會話數(shù)據(jù)、按照時間窗口劃分的時間窗口時序數(shù)據(jù)以及按照鄰域劃分的鄰域時序數(shù)據(jù)，多個所述圖像數(shù)據(jù)包括多組圖像，每組圖像包括交互事件圖、時間窗口圖、鄰居信息圖。
11、作為優(yōu)選，所述嵌入模塊包括第一嵌入塊、第二嵌入塊和第三嵌入塊，其中：
12、所述第一嵌入塊用于獲取最近歷史數(shù)據(jù)，并根據(jù)最近歷史數(shù)據(jù)生成最近嵌入結(jié)果并饋送至多視圖時空模塊；
13、所述第二嵌入塊用于獲取每天歷史數(shù)據(jù)，并根據(jù)每天歷史數(shù)據(jù)生成每天嵌入結(jié)果并饋送至多視圖時空模塊；
14、所述第三嵌入塊用于獲取每周歷史數(shù)據(jù)，并根據(jù)每周歷史數(shù)據(jù)生成每周嵌入結(jié)果并饋送至多視圖時空模塊。
15、作為優(yōu)選，每個多視圖時空模塊均包括多視圖時間學(xué)習(xí)單元和第一視圖智能融合單元，其中：
16、多視圖時間學(xué)習(xí)單元用于根據(jù)多個最近嵌入結(jié)果、多個每天嵌入結(jié)果、多個每周嵌入結(jié)果分別生成多個最近時態(tài)信息、多個每天時態(tài)信息和多個每周時態(tài)信息；
17、第一視圖智能融合單元用于根據(jù)多個最近時態(tài)信息、多個每天時態(tài)信息和多個每周時態(tài)信息生成多個最佳融合比例以對多個最近時態(tài)信息、多個每天時態(tài)信息和多個每周時態(tài)信息進(jìn)行整合，得到多個時態(tài)信息。
18、作為優(yōu)選，每個多視圖時空模塊均包括多視圖空間學(xué)習(xí)單元和第二視圖智能融合單元，其中：
19、多視圖空間學(xué)習(xí)單元，用于根據(jù)每組圖像中的交互事件圖、時間窗口圖、鄰居信息圖挖掘圖像關(guān)系信息，并生成對應(yīng)的三個挖掘結(jié)果，并將三個挖掘結(jié)果輸出至下一個多視圖融合模塊；
20、第二視圖智能融合單元，用于根據(jù)多個時態(tài)信息生成對應(yīng)的注意力系數(shù)，并根據(jù)注意力系數(shù)對多視圖學(xué)習(xí)單元生成的挖掘結(jié)果進(jìn)行視覺融合操作，得到融合信息。
21、作為優(yōu)選，所述第二視圖智能融合單元，用于將多個時態(tài)信息作為多個節(jié)點映射至關(guān)鍵子空間，并計算關(guān)鍵子空間中每一層中每個節(jié)點的關(guān)注分?jǐn)?shù)，其中，計算公式為：
22、
23、其中，i表示關(guān)鍵子空間中節(jié)點的編號，其中，i＝1,2,3…，表示關(guān)鍵子空間中第l層中第i個節(jié)點的關(guān)注分?jǐn)?shù)，表示關(guān)鍵子空間中輸入的第l層中第i個節(jié)點的挖掘結(jié)果，w表示可訓(xùn)練的權(quán)重矩陣，u表示查詢向量；
24、還用于根據(jù)關(guān)注分?jǐn)?shù)計算關(guān)鍵子空間中每一層中每個節(jié)點的注意力系數(shù)，其中，計算公式為：
25、
26、其中，i表示關(guān)鍵子空間中節(jié)點的編號，其中，i＝1,2,3…，表示第l層中第i個節(jié)點的注意力系數(shù)，softmaxl表示softmax函數(shù)，用于將第l層中所有節(jié)點的注意力權(quán)重歸一化為概率分布；
27、還用于根據(jù)注意力系數(shù)對挖掘結(jié)果進(jìn)行視覺融合操作，得到融合信息，其中，視覺融合操作所對應(yīng)的公式為：
28、
29、其中，i、p均表示關(guān)鍵子空間中節(jié)點的編號，其中，i＝1,2,3…p；表示表示第k層中第i個節(jié)點的融合信息，表示第l層中第i個節(jié)點的注意力系數(shù)，表示關(guān)鍵子空間中輸入的第l層中第i個節(jié)點的挖掘結(jié)果。
30、作為優(yōu)選，所述第一嵌入塊、所述第二嵌入塊和所述第三嵌入塊均包括第一全連接層、激活函數(shù)、批歸一化、第二全連接層。
31、作為優(yōu)選，所述多視圖學(xué)習(xí)單元包括兩個由relu激活函數(shù)和批歸一化連接的圖卷積網(wǎng)絡(luò)層，每個圖卷積網(wǎng)絡(luò)層均用于獲取鄰居信息，并對鄰居信息進(jìn)行邊緣傳遞，將鄰居信息乘以邊緣權(quán)重并進(jìn)行聚合，得到聚合后的鄰居信息，將聚合后的鄰居信息和交互事件圖、時間窗口圖、鄰居信息圖分別對應(yīng)的節(jié)點信息進(jìn)行線性變換并對線性變換結(jié)果相加，得到對應(yīng)的三個挖掘結(jié)果。
32、本申請還提供一種基于歷史數(shù)據(jù)和gcn的入侵檢測方法，包括：
33、輸入多視圖時序數(shù)據(jù)，其中，多視圖時序數(shù)據(jù)包括多個粒度的歷史數(shù)據(jù)以及多個圖像數(shù)據(jù)；
34、獲取所述多視圖時序數(shù)據(jù)，并根據(jù)所述多視圖時序數(shù)據(jù)生成多個嵌入結(jié)果；
35、根據(jù)多個嵌入結(jié)果和多個圖像數(shù)據(jù)輸出對應(yīng)的多個時態(tài)信息以及多個空間依賴關(guān)系信息，并對多個時態(tài)信息和多個空間依賴關(guān)系信息進(jìn)行融合，得到第一融合信息；
36、根據(jù)第一預(yù)測信息和多個圖像數(shù)據(jù)生成第二預(yù)本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點】
1.一種基于歷史數(shù)據(jù)和GCN的入侵檢測模型，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于歷史數(shù)據(jù)和GCN的入侵檢測模型，其特征在于，多個粒度的歷史數(shù)據(jù)包括最近歷史數(shù)據(jù)、每天歷史數(shù)據(jù)以及每周歷史數(shù)據(jù)，所述歷史數(shù)據(jù)包括會話數(shù)據(jù)、按照時間窗口劃分的時間窗口時序數(shù)據(jù)以及按照鄰域劃分的鄰域時序數(shù)據(jù)，多個所述圖像數(shù)據(jù)包括多組圖像，每組圖像包括交互事件圖、時間窗口圖、鄰居信息圖。
3.根據(jù)權(quán)利要求2所述的基于歷史數(shù)據(jù)和GCN的入侵檢測模型，其特征在于，所述嵌入模塊包括第一嵌入塊、第二嵌入塊和第三嵌入塊，其中：
4.根據(jù)權(quán)利要求3所述的基于歷史數(shù)據(jù)和GCN的入侵檢測模型，其特征在于，每個多視圖時空模塊均包括多視圖時間學(xué)習(xí)單元和第一視圖智能融合單元，其中：
5.根據(jù)權(quán)利要求3所述的基于歷史數(shù)據(jù)和GCN的入侵檢測模型，其特征在于，每個多視圖時空模塊均包括多視圖空間學(xué)習(xí)單元和第二視圖智能融合單元，其中：
6.根據(jù)權(quán)利要求5所述的基于歷史數(shù)據(jù)和GCN的入侵檢測模型，其特征在于，所述第二視圖智能融合單元，用于將多個時態(tài)信息作為多個節(jié)點映射至關(guān)
7.根據(jù)權(quán)利要求3所述的基于歷史數(shù)據(jù)和GCN的入侵檢測模型，其特征在于，所述第一嵌入塊、所述第二嵌入塊和所述第三嵌入塊均包括第一全連接層、激活函數(shù)、批歸一化、第二全連接層。
8.根據(jù)權(quán)利要求4所述的基于歷史數(shù)據(jù)和GCN的入侵檢測模型，其特征在于，所述多視圖學(xué)習(xí)單元包括兩個由ReLU激活函數(shù)和批歸一化連接的圖卷積網(wǎng)絡(luò)層，每個圖卷積網(wǎng)絡(luò)層均用于獲取鄰居信息，并對鄰居信息進(jìn)行邊緣傳遞，將鄰居信息乘以邊緣權(quán)重并進(jìn)行聚合，得到聚合后的鄰居信息，將聚合后的鄰居信息和交互事件圖、時間窗口圖、鄰居信息圖分別對應(yīng)的節(jié)點信息進(jìn)行線性變換并對線性變換結(jié)果相加，得到對應(yīng)的三個挖掘結(jié)果。
9.一種基于歷史數(shù)據(jù)和GCN的入侵檢測方法，其特征在于，包括：
10.根據(jù)權(quán)利要求1所述的基于歷史數(shù)據(jù)和GCN的入侵檢測方法，其特征在于，多個粒度的歷史數(shù)據(jù)包括最近歷史數(shù)據(jù)、每天歷史數(shù)據(jù)以及每周歷史數(shù)據(jù)，所述歷史數(shù)據(jù)包括會話數(shù)據(jù)、按照時間窗口劃分的時間窗口時序數(shù)據(jù)以及按照鄰域劃分的鄰域時序數(shù)據(jù)，多個所述圖像數(shù)據(jù)包括多組圖像，每組圖像包括交互事件圖、時間窗口圖、鄰居信息圖。
...【技術(shù)特征摘要】
1.一種基于歷史數(shù)據(jù)和gcn的入侵檢測模型，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于歷史數(shù)據(jù)和gcn的入侵檢測模型，其特征在于，多個粒度的歷史數(shù)據(jù)包括最近歷史數(shù)據(jù)、每天歷史數(shù)據(jù)以及每周歷史數(shù)據(jù)，所述歷史數(shù)據(jù)包括會話數(shù)據(jù)、按照時間窗口劃分的時間窗口時序數(shù)據(jù)以及按照鄰域劃分的鄰域時序數(shù)據(jù)，多個所述圖像數(shù)據(jù)包括多組圖像，每組圖像包括交互事件圖、時間窗口圖、鄰居信息圖。
3.根據(jù)權(quán)利要求2所述的基于歷史數(shù)據(jù)和gcn的入侵檢測模型，其特征在于，所述嵌入模塊包括第一嵌入塊、第二嵌入塊和第三嵌入塊，其中：
4.根據(jù)權(quán)利要求3所述的基于歷史數(shù)據(jù)和gcn的入侵檢測模型，其特征在于，每個多視圖時空模塊均包括多視圖時間學(xué)習(xí)單元和第一視圖智能融合單元，其中：
5.根據(jù)權(quán)利要求3所述的基于歷史數(shù)據(jù)和gcn的入侵檢測模型，其特征在于，每個多視圖時空模塊均包括多視圖空間學(xué)習(xí)單元和第二視圖智能融合單元，其中：
6.根據(jù)權(quán)利要求5所述的基于歷史數(shù)據(jù)和gcn的入侵檢測模型，其特征在于，所述第二視圖智能融合單元，用于將多個時態(tài)信息作為多個節(jié)點映射至關(guān)鍵子空間，并計算關(guān)鍵子空間中每一層中每...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：霍闖，王鋼，劉乃維，何京恒，孔令飛，
申請(專利權(quán))人：內(nèi)蒙古工業(yè)大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。