[发明专利]基于云雾协同的车联网入侵检测方法

权利要求书

1.一种基于云雾协同的车联网入侵检测方法，其特征在于：采用云雾协同的数据分类方法，在雾节点采用决策树CART分类器进行粗分类，云服务器采用代价敏感CNN算法进行具体分类，包括：

步骤1，将车联网数据转化为特征向量数据集，特征向量集具体包括802.11p协议IP地址及类型，UDP数据报和IP数据报中的时间、源IP、目的IP、协议名、包大小、端口号、flag信息，以及丢包率、通信链接次数。在资源有限的雾节点利用决策树CART算法对特征向量数据集进行学习，获得决策树CART分类器；

步骤2，在雾节点采用决策树CART将特征向量数据集初步分类，初步分类后的特征向量数据发送至云服务器；

步骤3，在云服务器上，部署代价敏感CNN算法，代价敏感CNN算法对雾节点发送的数据进行具体分类。

2.根据权利要求1所述的一种基于云雾协同的车联网入侵检测方法，其特征在于，所述步骤2中在雾节点采用决策树CART算法进行初步分类，包括：

在车联网的雾节点检测中采用CART决策树算法，CART决策树通过选取GINI系数最小的属性作为根节点的分裂属性，利用二元递归分裂方法形成一种二叉树形式的简单决策树，并且在雾节点进行二分类时效率最高，适合雾节点资源有限并且实时性检测要求。

3.根据权利要求1所述的一种基于云雾协同的车联网入侵检测方法，其特征在于，所述步骤2中在雾节点和云服务器进行不同计算任务分配实现协同，具体协同步骤包括：

步骤21，雾节点将数据进行二分类，分为正常数据和可疑数据。如果雾节点检测到正常数据，则在本地处理，减少发送到云服务器的数据，用于保护智能交通环境下的用户隐私数据。

步骤22，在雾节点上，如果检测到的数据为异常数据，则雾节点将数据发送至云服务器。

步骤23，在云服务器上，代价敏感CNN算法对异常数据进行多分类，得到具体的攻击类型。

步骤24，云服务器中的响应系统会将结果发送至雾节点端的管理员，管理员发现被感染的智能设备，并采取措施实现雾节点与云服务器的协同工作。

4.根据权利要求1所述的一种基于云雾协同的车联网入侵检测方法，其特征在于，所述步骤3中代价敏感CNN在CNN的softmax和loss层之间加入代价矩阵ξ，通过联合优化自动更新参数，具体包括：

步骤31，雾节点筛选出来的可疑数据传递给代价敏感CNN算法，将数据标签更新，更改为具体的攻击标签。为减少类别不平衡对算法的影响，修改CNN的最后一层，在softmax和loss层之间加入一个代价矩阵；

步骤32，在计算分类损失之前，代价矩阵的结果被压缩到[0,1]之间，损失函数采用的是交叉熵损失函数；

步骤33，代价矩阵ξ所添加的位置，在softmax的公式中每一个元素的指数值前，都相应的乘上一个代价值，所有的代价值构成代价矩阵的值，其中softmax公式中o_n表示经过两层CNN的输出。

步骤34，使用交叉熵损失函数时，需要更新代价敏感CNN参数θ和代价矩阵参数ξ，采用联合优化方式更新θ和ξ；

5.根据权利要求4所述的步骤34采用联合优化方式更新θ和ξ，具体包括：

步骤51，对于θ的优化，使用误差反向传播的随机梯度下降。为了优化ξ，再次使用梯度下降算法来计算步长的方向来更新参数，具体如下；

步骤52，创建代价敏感CNN网络，初始化神经网络参数θ，将代价矩阵，误差初始化设为1；

步骤53，epoch循环开始，直到达到最大epoch数；

步骤54，计算梯度grad(x，d，F(ξ))，更新梯度参数,其中，x为数据，d为数据标签；

步骤55，batch循环内，前向传播得到输出，反向传播得到梯度，更新网络参数，达到最大batch数，则退出该循环；

步骤56，前向传播得到误差，如果误差大于设定误差，则代价矩阵的学习率缩小100倍，更新误差；

步骤57，epoch循环停止，退出循环；

步骤58，得到代价矩阵参数ξ和学习参数θ最优值。利用待识别的特征向量数据集对代价敏感CNN算法进行训练，得到代价敏感CNN算法分类器。