[发明专利]一种基于网络结构学习的边缘云异常检测方法

说明书

本发明公开一种基于网络结构学习的边缘云异常检测方法，包括以下内容：云计算中心数据采集，网络结构学习，以及边缘云异常检测与预警；其中云计算中心数据采集指对边缘云进行网络拓扑结构构造和特征提取；网络结构学习指对构造的网络结构进行学习训练；边缘云异常检测与预警指利用学习得到的网络结构对边缘云进行异常预测，将预测异常的节点通知云系统预警。本方法在预测存在异常行为的边缘云方面，打破了传统方法的独立性假设，通过学习网络结构来考虑边缘云之间可能存在的关联性，以达到提高边缘云异常检测准确率的目的。该方法对云计算系统中边缘云异常检测和安全保障有重大帮助，有很高的应用价值。

技术领域

本发明涉及云计算领域边缘云的异常检测，具体是一种基于网络结构学习的边缘云异常检测方法，属于数据安全技术领域。

背景技术

边缘计算将原有的云计算模型的部分或者全部计算任务迁移到网络边缘，有效降低了云数据中心的网络带宽和计算负载，也能很好的解决某些任务的特定需求如时延要求高、移动频繁、地理信息感知强等，边缘计算模型也受到学术界和产业界的广泛关注。典型的边缘云计算系统包括云计算中心、边缘云网络、终端接入设备等模块。

边缘云计算靠近用户，使得边缘计算也面临着一系列的安全挑战，如恶意设备入侵、黑客入侵导致的边缘云异常。异常的边缘云节点通过窃取用户隐私数据，恶意消耗云计算网络的资源，返回错误的任务执行结果，干扰整个云计算系统运行等行为对云计算系统造成威胁。

入侵检测系统(Intrusion detection system，IDS))是防止云边缘被恶意入侵的主要技术，这类传统的入侵检测技术主要通过监控和检测主机侧或网络侧的异常数据，并通常使用人工经验设定的规则来进行检测，其缺点是容易被入侵者抓住漏洞。近年来，基于机器学习的方法获得越来越多的关注，使用神经网络的方法也说明机器学习在边缘云入侵检测中能有很好的效果。然而，现有的入侵检测技术只关注了边缘云节点的统计属性，将每个边缘云看成独立的个体，而忽视了边缘节点之间的关联性。现有的网络嵌入技术也存在网络结构完备性依赖的问题。

发明内容

发明目的：现有的边缘云异常检测方法忽略了对云计算系统中网络结构的考察，同时已有的网络嵌入技术对网络结构的完备性依赖较高。本发明针对现有的边缘云异常检测方法的不足和网络嵌入的特性要求，提出一种基于网络结构学习的边缘云异常检测方法，通过对边缘云计算网络的充分训练和学习，使边缘云的异常检测效果大幅提升。该方法具有运行速度稳定、运行效果好、网络结构依赖性低的优点，在边缘云网络存在稀疏等缺陷的情况下表现依然稳定。

技术方案：一种基于网络结构学习的边缘云异常检测方法，包括以下内容：

(1)云计算中心数据采集：

(101)云计算中心根据边缘云计算节点的通信连接信息构造网络拓扑结构；

(102)云计算中心统计边缘云计算节点特征生成节点特征数据；

(2)网络结构学习

对由边缘云构造的网络结构，进行网络结构学习，采用迭代式训练方法，每一轮迭代中使用以下步骤对网络结构进行学习：

步骤1，对未在当前基准网络结构中的边选取子集，作为待评测边；

步骤2，对所有待评测边使用损失函数进行评价；

步骤3，将评价得分最高的若干条边添加到当前网络结构作为更新，将更新后的网络结构作为下一轮的基准网络结构；

步骤4，对更新后的网络结构进行网络嵌入模型训练，计算更新后网络结构效果表现是否收敛：如果未收敛，则进入下一轮学习，重复步骤1-4；如果收敛，终止训练；

(3)边缘云异常检测与预警