[发明专利]基于混合神经网络模型优化的物联网入侵检测系统及方法

说明书

本发明公开了一种基于混合神经网络模型优化的物联网入侵检测系统及方法。从物联网系统历史数据库中采集生成过程的历史监控数据，经过数据解析和归一化后作为物联网入侵检测离线优化模块的输入数据集，设计基于离散粒子群优化技术的混合神经网络模型优化平台，获得物联网入侵检测特征库和混合神经网络最优模型，针对物联网系统实时数据库中的实时监控数据，从而实现物联网入侵检测的在线检测。本发明不仅可实现用于物联网入侵检测系统的混合神经网络模型的自动生成和优化设计，提高了物联网入侵检测系统的智能化设计水平和设计效率，还提升了物联网系统入侵检测的精准率、召回率和F₁评分等性能指标。

技术领域

本发明涉及物联网系统信息安全领域的智能入侵检测技术，特别涉及一种混合神经网络模型优化的物联网入侵检测系统及方法。

背景技术

随着物联网的迅速发展，物联网设备已经逐渐参与进普通大众的生活之中。智能家居和城市交通系统、医疗保健系统、信息物理系统等系统采用大量轻量、迅速的小型物联网设备为行业提供了较低成本的解决方案并创造了巨大的价值。但同时也因为物联网系统设备的轻量化，低功耗，缺乏标准化导致其更加容易遭受攻击。低计算成本，高检测率的入侵检测系统成为了一个迫切的需求。

目前，物联网的运行环境和结构随着产业升级、需求变更等原因不断进行持续的变化，传统的入侵检测模型(如基于简单机器学习的入侵检测模型等)，往往难以针对网络威胁进行自适应调整，不能在物联网环境风险变化时及时调整自身的辨识策略，存在着面对新型入侵准确性差和检测效率低等问题。

近年来，基于深度学习的物联网系统入侵检测技术已成为学术界和工业界的研发热点之一。目前，面向物联网系统入侵检测的深度神经网络模型架构及参数设计严重依赖于设计人员的经验，设计人员需要经过大量的经验和不断地试错，消耗了大量的时间和精力，才有可能设计出一个特定环境的可行的架构及参数方案，但最终架构及参数方案往往在计算成本以及检测性能上难以平衡。而深度神经模型优化设计的现有研究主要集中在图像识别领域，但在物联网系统入侵检测领域的应用鲜有研究报道。而深度神经网络模型优化设计方案在应对动态变化的环境风险，和平衡计算成本与提高检测率上有与生俱来的优势。因此，基于深度神经网络模型优化设计的物联网系统新型入侵检测技术亟待研发。

发明内容

本发明的目的在于针对现有技术的不足，提供基于混合神经网络模型优化的物联网入侵检测系统及方法。

本发明的目的是通过以下技术方案来实现的：一种基于混合神经网络模型优化的物联网入侵检测系统包括物联网入侵检测的数据解压模块、数据预处理模块、混合神经网络模型离线优化模块和在线检测模块；

所述物联网入侵检测的数据解压模块包括数据嗅探和数据采集两个子模块，即首先将物联网通讯流量数据进行数据嗅探，通过将网卡置于混杂模式，将网络中的通讯流量以报文为单位存储进系统中；数据采集模块收到通讯报文后，将其汇总成网络流的形式并产生相对应的特征；

将数据解压模块处理后的网络流发送到数据预处理模块，所述数据预处理模块包括数据解析和数据归一化两个子模块；数据解析子模块对其中所有类别特征进行汇总并产生特征映射表，特征表中类别特征与数值特征一一对应；根据特征表将数据中的类别特征全部转换为数值特征，从而获得源数据集，将其标记为X，并按照公式(1)进行数据的归一化处理，将归一化处理后获得的数据集标记为X_o，再将X_o进行序号随机化处理并以7:3的比例分配进训练集X_o1与验证集X_o2中；

其中，X_oj表示数据集X_o第j维度的特征，X_j表示源数据集X第j维度的特征，X_jmax与X_jmin分别表示X_oj的最小值与最大值，m表示数据集X_o维度的最大值；