[发明专利]一种物联网安全检测方法、装置、设备及存储介质

说明书

本发明公开了一种物联网安全检测方法、装置、设备及存储介质，该方法包括：基于待测物联网设备的边缘节点，获取待测物联网设备在多个时刻的网络流量数据；对网络流量数据进行特征提取，获得网络流量特征；将网络流量特征输入至神经网络进行训练，构建多个时刻的物联网安全检测模型；基于多个时刻的物联网安全检测模型的模型参数，采用训练集对深度学习网络模型进行训练，确定深度学习网络模型的参数分布概率；将网络流量特征输入至确定参数分布概率后的深度学习网络模型，获得物联网安全检测结果。本发明基于边缘节点进行物联网安全检测，实时性较强，且能够准确地确定用于安全检测的模型的参数，从而提高对物联网安全进行检测的准确性。

技术领域

本发明涉及网络安全技术领域，尤其是涉及一种物联网安全检测方法、装置、终端设备及计算机可读存储介质。

背景技术

为了实现物联网的安全检测，从而为物联网提供安全防护，现有技术中通常采用云端服务器，通过云端算法对物联网进行安全检测。但由于物联网设备的数量庞大，因此现有技术中采用云端服务器对物联网进行安全检测的方法耗时较长，导致该方法实时性较差，且由于不同区域的物联网设备的数据分布具有较大的差异性，因此采用云端服务器对物联网进行安全检测的方法难以确定用于安全检测的模型的参数，难以获得准确的物联网安全检测结果，从而难以有效地为物联网提供安全防护。

发明内容

本发明提供一种物联网安全检测方法、装置、设备及存储介质，基于待测物联网设备的边缘节点，对待测物联网设备进行物联网安全检测，能够有效地避免由于物联网设备的数量庞大而导致安全检测实时性较差的问题，且靠近同一边缘节点的物联网设备的数据分布的差异性较小，能够准确地确定用于安全检测的模型的参数，从而提高对物联网安全进行检测的准确性，更有效地为物联网提供安全防护。

为了解决上述技术问题，本发明实施例第一方面提供一种物联网安全检测方法，包括：

基于待测物联网设备的边缘节点，获取所述待测物联网设备在多个时刻的网络流量数据；

对所述多个时刻的网络流量数据进行特征提取，获得所述待测物联网设备的网络流量特征；

将所述网络流量特征输入至神经网络进行训练，构建多个时刻的物联网安全检测模型；

基于所述多个时刻的物联网安全检测模型的模型参数，采用训练集对深度学习网络模型进行训练，确定所述深度学习网络模型的参数分布概率；

将所述网络流量特征输入至确定参数分布概率后的深度学习网络模型，获得所述待测物联网设备的物联网安全检测结果。

作为优选方案，所述训练集包括网络流量特征、与所述训练集中的网络流量特征相对应的流量异常值，所述深度学习网络模型为贝叶斯深度学习网络模型，所述参数分布概率包括权重分布概率和偏置分布概率。

作为优选方案，所述基于所述多个时刻的物联网安全检测模型的模型参数，采用训练集对深度学习网络模型进行训练，确定所述深度学习网络模型的参数分布概率，具体为：

基于所述多个时刻的物联网安全检测模型的模型参数，通过如下公式，采用训练集对贝叶斯深度学习网络模型进行训练，确定所述贝叶斯深度学习网络模型的权重分布概率和偏置分布概率：