[发明专利]基于聚类联邦学习的物联网设备异常流量检测方法

说明书

本发明公开了一种基于聚类联邦学习的物联网设备异常流量检测方法，其实现步骤为：初始化联邦学习系统，本地参与者对全局神经网络模型进行本地迭代训练，中心服务器判断是否满足聚类开启条件，中心服务器聚合神经网络模型并下发，中心服务器将所有参与者进行聚类化，中心服务器在聚类内部聚合神经网络模型并下发，所有本地参与者进行异常流量检测。本发明中心服务器能够将物联网设备按照数据分布情况划分到不同聚类中，通过聚类内部聚合全局模型，实现了数据分布不均场景下的模型最优化和个性化，从而提升了物联网设备的异常流量检测准确率。

技术领域

本发明涉及物联网(Internet of Things，IoT)安全领域，涉及一种网络异常流量检测方法，特别涉及一种分布式的基于聚类联邦学习的物联网设备异常流量检测方法。

背景技术

物联网即万物相连的互联网，是互联网基础上的延伸和扩展的网络，将各种信息传感设备与互联网结合起来而形成的一个巨大网络，实现在任何时间、任何地点，人、机、物的互联互通。物联网设备，即物物相连的互联网设备。物联网设备有：条码、射频识别、传感器、全球定位系统、激光扫描器等信息，其中的传感器设备是基础设备。因此物联网设备在现如今的生产生活中扮演着重要角色，物联网设备中存储着大量的隐私信息。随之而来针对物联网的攻击手段和规模也愈演愈烈，严重威胁着社会的正常秩序。

为了快速准确响应网络中的异常情况、维护网络的正常通信、提高网络的服务质量，网络异常流量检测技术得到人们的广泛关注。异常流量检测系统主要是通过技术手段建模检测异常行为，发现流量异常，即向网络管理者发出警告。

异常流量检测方法的重点在于检测异常流量精度要高，自动化程度要高。机器学习通过海量数据自主迭代训练可以以自动化完成高精度的异常检测，可是在多源异构的物联网场景下，基于机器学习的高精度的异常流量检测需要海量数据的支撑，在大规模分布式环境下，数据孤岛的出现大幅提高了模型训练的难度。同时用户海量数据被采集并应用于模型训练，也引起人们对数据隐私和安全问题的担忧。为解决上述问题，将联邦学习框架应用于物联网场景下的异常流量检测。

中国人民解放军战略支援部队信息工程大学在申请的专利文献“基于区块链和联邦学习的分布式物联网入侵检测方法及系统”(专利申请号：202110797 560.4，申请公布号：CN 113794675A)中公开了一种针对物联网设备的基于联邦学习的网络入侵检测方法。该方法利用联邦学习的分布式训练提升入侵检测模型训练效率及攻击检测准确率；利用区块链的分布式存储解决中心化存储的安全性问题。

虽然上述方法利用联邦学习技术解决了数据孤岛的问题，为机器学习提供了海量数据。但是在异构网络融合，海量终端常态化接入的物联网时代，由于多元化终端的安全需求不同，不同设备的网络流量分布存在差异化。这将导致上述方法在数据分布不均时，模型训练无法最优化，以及分布式训练的全局模型并不适用于物联网设备的本地网络异常流量检测两个技术问题导致异常流量检测准确率低。

发明内容

本发明的目的是克服上述现有技术的不足，提出了一种基于多任务聚类联邦学习的物联网设备异常流量检测方案，用于解决数据分布不均场景下，模型训练无法最优化，以及联邦学习的全局模型并不适用于物联网设备的本地网络异常流量检测，两方面导致异常流量检测准确率低小的问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)初始化联邦学习系统：

初始化包括一个中心服务器和N个物联网设备M＝{M₁,M₂,...,M_n,...,M_N}作为本地参与者的联邦学习系统，中心服务器与本地参与者的通信轮数为r，最大通信轮数为R，参与者的本地迭代训练轮数为T，中心服务器初始化一个用于异常检测的全局神经网络模型权值参数θ₀并下发给所有本地参与者，并令r＝1，其中，N≥2，M_n表示第n个本地参与者，R≥20，T≥1；