[发明专利]基于表征学习的边缘网络状态感知建模方法

权利要求书

1.基于表征学习的边缘网络状态感知建模方法，其特征在于，包括以下步骤：

边缘物联网络中抓取的边缘网络通信双向流量数据包作为训练数据集、验证数据集和测试数据集；

根据所采集到的数据规模特征和期望检测的结果确定CNN网络结构参数；

利用训练数据集和验证数据集对CNN网络结构参数组成进行调节，其中，所述调节包括调整卷积层数量以及卷积核个数，调整池化层数量，调整全连接层和输出层的连接参数以确定输出种类的数量，得到调优后的表征学习模型。

2.根据权利要求1所述的基于表征学习的边缘网络状态感知建模方法，其特征在于，边缘物联网络中抓取的边缘网络通信双向流量数据包，包括：利用libpcap采集工业边缘网络中的流量数据包，将网络正常运行状况下的边缘网络通信流量数据包作为数据集的标准部分，其状态为Normal，其中数据集的标准部分包括正常工作状态以及各协议的功能命令状态；

采集工作中途注入攻击模块并记录时间节点，以此节点为始采集攻击状态工作模式下的边缘网络通信流量数据包作为数据集的攻击部分，其状态包括Dos、Probe、R2L、U2R中的至少一种，用于表示攻击手段。

3.根据权利要求1所述的基于表征学习的边缘网络状态感知建模方法，其特征在于，在边缘物联网络中抓取的边缘网络通信双向流量数据包作为训练数据集、验证数据集和测试数据集之后，还包括：

将一份流量数据包按照设定规格切分为若干份流量数据包，其中切割前后数据包格式不变；

将切割后的每个流量数据包进行数据包清理；

将清理过的每个数据包按照设定的长度处理，统一长度后的文件按照二进制形式转换为灰度图片；

利用python代码将所有灰度图片打包并转换为CNN标准输入格式为IDX的压缩文件。

4.根据权利要求1所述的基于表征学习的边缘网络状态感知建模方法，其特征在于，根据所采集到的数据规模特征和期望检测的结果确定CNN网络结构参数，包括：

根据数据预处理中所生成图片的规格，确定CNN卷积层、池化层数量及卷积核的大小、个数，根据欲得到的分类结果确定全连接层、输出层数量，根据数据训练需求添加其他附加条件层。

5.根据权利要求4所述的基于表征学习的边缘网络状态感知建模方法，其特征在于，所述卷积层的计算公式为：

其中，M_j代表输入层的感受野，i、j分别表示输入图对应卷积核大小区域、卷积层总层数；表示共j层中第l层的输出图；表示上一层输入图,表示共j层中第l层输出图的偏移量；表示第l层输入图对应的卷积核大小区域；f()代表对括号内自变量的运算表达式；

卷积层中，输入上一层的FeatureMap之后，每个卷积核以设定的步长在FeatureMap上进行滑动，每滑动一次进行一次卷积运算，得到一个FeatureMap，提取用于表示当前图层的像素信息及统计信息；

其中，卷积层个数为2，每个卷积层的卷积核大小均为5*5。

6.根据权利要求4所述的基于表征学习的边缘网络状态感知建模方法，其特征在于，所述池化层的计算公式为：

其中down(·)是池化函数，表示共j层中第l层的输出图，表示共j层中第l-1层(上一层)的输出图，表示共j层中第l层输出图的偏移量；表示共j层中第l层的步长；f()代表对括号内自变量的运算表达式；

池化层，采用均值采样、最大值采样、重叠采样中的一种；在输入的FeatureMap上每个n*n的区域内选出最大值，若每两个n*n的区域不产生重叠，经过池化层后FeatureMap将变成原来的1/n，但FeatureMap数量不变，n表示特征图的边缘长度。