[发明专利]物联网入侵检测方法、设备及介质

权利要求书

1.一种物联网入侵检测方法，其特征在于，包括：

获取目标流量数据包；

提取所述目标流量数据包中的特征信息，其中，所述特征信息包括初始节点特征、路由图、邻接矩阵和数据特征；

所述提取所述目标流量数据包中的特征信息的步骤之前，所述方法还包括：

将预设属性指标输入边表示模型，筛除所述目标流量数据包中的无效属性数据；

所述边表示模型将所述无效属性数据中的全零值剔除后进行归一化操作，并计算所述归一化操作后的数据的均值和方差；

当所述归一化操作后的数据的均值大于第一阈值，以及，所述归一化操作后的数据的方差大于第二阈值时，将所述预设属性指标对应的数据和所述归一化操作后的数据形成所述数据特征；

将所述初始节点特征、所述路由图和所述邻接矩阵输入到图卷积神经网络，得到所述目标流量数据包中的源ip地址对应的源节点特征和目标ip地址对应的目标节点特征；

将所述源节点特征、所述数据特征和所述目标节点特征拼接，得到目标向量；

将所述目标向量输入多层感知器，输出所述目标流量数据包对应的攻击类型；

所述将所述目标向量输入多层感知器，输出所述目标流量数据包对应的攻击类型的步骤之前，所述方法还包括：

利用预设数量的样本向量训练所述多层感知器；

计算所述多层感知器的输出与所述样本向量的真实标签之间的类别损失，并通过链式求导法则更新所述边表示模型、所述多层感知器和所述图卷积神经网络的参数；

所述类别损失的表达式为ζ＝μH(p_s，y)+(1-μ)H(p_s，p_t)+λζ_LSP，其中，H(p_s，y)为基于数据特征的知识提取，H(p_s，p_t)是基于向量的知识提取，ζ_LSP代表了所述图卷积神经网络的局部知识提取，λ、μ分别为平衡不同损失的超参数，y是真实的标签，p_s为学生模型的预测标签，p_t为教师模型的预测标签；

所述计算所述多层感知器的输出与所述样本向量的真实标签之间的类别损失的步骤，包括：

将全部所述样本向量分别输入所述教师模型和所述学生模型，生成对应的SoftMax值；

计算所述教师模型的SoftMax值和所述学生模型的SoftMax值的匹配度；

根据所述匹配度计算所述类别损失。

2.根据权利要求1所述的方法，其特征在于，所述将所述初始节点特征、所述路由图和所述邻接矩阵输入到图卷积神经网络，得到所述目标流量数据包中的源ip地址对应的源节点特征和目标ip地址对应的目标节点特征的步骤，包括：

将所述初始节点特征、所述路由图和所述邻接矩阵输入到所述图卷积神经网络，更新所述节点特征得到节点矩阵；

根据所述路由图查找所述目标流量数据包对应的源ip地址和目标ip地址，并从所述节点矩阵中分别选取所述源ip地址对应的源节点特征和所述目标ip地址对应的目标节点特征。

3.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-2中任一项所述的物联网入侵检测方法。

4.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-2中任一项所述的物联网入侵检测方法。