CN116506858B 基于時空特征并行分析的車聯網入侵檢測方法 （河南科技大學）

ParallelAnalysisofSp文.ParallelAnalysisofSpatio-基于時空特征并行分析的車聯網入侵檢測本發明公開了一種基于時空特征并行分析狀態時和發生入侵時分別采集若干個車聯網流量數據序列，提取得到車聯網流量數據特征矩本發明從車聯網流量數據中并行提取空間特征2S1：對于所需要進行入侵檢測的車聯網，分別在集若干個車聯網流量數據序列，每個車聯網流量數據序列中包含連續的N條車聯網流量數S2：根據每個車聯網流量數據序列采集時的車空間特征提取模塊用于對輸入的車聯網流量數據特征矩陣中每個車聯網流量數據特向量構成大小為N×B的空間特征Fspatial并發送至特征拼接模塊和特時域特征提取模塊用于對輸入的車聯網流量數據特征矩陣提取大小為N×B的時域特征Ftemporal并發送至特征拼接模塊和特特征拼接模塊用于將空間特征Fspatial和時域特征Ftemporal進行拼接，得到大小為N×2B自注意力模塊用于根據自注意力機制生成時空特征F對應的大小為N×2B自注意力分特征融合模塊用于根據自注意力分數矩陣H對空間特征Fspatial和時域特征Ftemporal進行根據特征拼接模塊的拼接方式對自注意力分數矩陣H進行劃分，Ffusion=λspatial*Fspatial多層感知機用于根據融合特征Ffusion對輸入車聯網流量數據特征矩陣采集時車聯網是S5：將每個車聯網流量數據序列對應的車聯31)記步驟S1中所收集的車聯網流量數據序列數量為D，則車聯網流量數據初始特征向m表示第m個數據特征在G個車聯網流量數據初始特征向量中對應m表示第m個數據特征在G個車聯網流量數據初始特征向量中對應取3)令輸入為從車聯網流量數據初始特征向量中提取包含當前數據特征集合中數據特5)對于當前數據特征集合中篩選出與類標簽6)從R個訓練好的分類器中篩選出分類準確率最大的分類器，將其對應的數據特征集45別采集若干個車聯網流量數據序列，每個車聯網流量數據序列中包含連續的N條車聯網流6[0010]空間特征提取模塊用于對輸入的車聯網流量數據特征矩陣中每個車聯網流量數特征向量構成大小為N×B的空間特征Fspatial并發送至特征拼接模[0011]時域特征提取模塊用于對輸入的車聯網流量數據特征矩陣提取大小為N×B的時域特征Ftemporal并發送至特征拼接模塊和特[0012]特征拼接模塊用于將空間特征Fspatial和時域特征Ftemporal進行拼接，得到大小為N[0013]自注意力模塊用于根據自注意力機制生成時空特征F對應的大小為N×2B自注意[0014]特征融合模塊用于根據自注意力分數矩陣H對空間特征Fspatial和時域特征Ftemporal[0018]多層感知機用于根據融合特征Ffusion對輸入車聯網流量數據特征矩陣采集時車聯7[0025]圖1是本發明基于時空特征并行分析的車聯網入侵檢測方法的具體實施方式流程[0029]圖1是本發明基于時空特征并行分析的車聯網入侵檢測方法的具體實施方式流程[0033]本實施例中字符數據特征編碼采用sklearn庫中的標簽編碼(LabelEncoder)。數[0035]根據每個車聯網流量數據序列采集時的車聯網狀態對車聯網流量數據序列進行[0037]在進行車聯網入侵檢測時，需要從車聯網流量的的數據特征中提取通信行為信8[0038]因此，本發明根據所收集的車聯網流量數據對數據特征進行篩選得到K個有效數[0040]1)記步驟S101中所收集的車聯網流量數據序列數量為D，則車聯網流量數據初始m個數據特征在G個車聯網流量數據初始特征向量中對應取值的標m個數據特征在G個車聯網流量數據初始特征向量中對應取值的平y表示G個類標簽的平均值。[0046]3)令輸入為從車聯網流量數據初始特征向量中提取包含當前數據特征集合中數[0048]5)對于當前數據特征集合中篩選出與類標簽相關度最小[0049]6)從R個訓練好的分類器中篩選出分類準確率最大的分類器，將其對應的數據特[0052]空間特征提取模塊用于對輸入的車聯網流量數據特征矩陣中每個車聯網流量數9特征向量構成大小為N×B的空間特征Fspatial并發送至特征拼接模[0053]空間特征提取模塊通常采用CNN(ConvolutionalNeuralNetwork，卷積神經網使其擁有記憶歷史信息的能力。相較于傳統的CNN需要將網絡流量數據處理成二維圖像進[0054]時域特征提取模塊用于對輸入的車聯網流量數據特征矩陣提取大小為N×B的時域特征Ftemporal并發送至特征拼接模塊和特[0055]時域特征提取通常使用的是RNN(RecurrentNeuralNetwor[0056]特征拼接模塊用于將空間特征Fspatial和時域特征Ftemporal進行拼接，得到大小為N[0057]自注意力模塊用于根據自注意力機制生成時空特征F對應的大小為N×2B自注意[0058]特征融合模塊用于根據自注意力分數矩陣H對空間特征Fspatial和時域特征Ftemporal[0063]多層感知機用于根據融合特征Ffusion對輸入車聯網流量數據特征矩陣采集時車聯[0070]當需要對車聯網進行入侵檢測時，采集得到包含連續的N條車聯網流量數據的車一。本實施例選取4個入侵檢測領域典型模型，分別為SVM模型、CNN模型、LSTM模型和表1是本發明和4種對比方法在UNSW_NB15數據集上