[发明专利]一种基于图神经网络的车联网入侵检测方法

说明书

本发明公开了一种基于图神经网络的车联网入侵检测方法；本发明所述方法包括：收集车联网流量数据并对原始流量数据进行预处理；构建图生成模块，将预处理过的流量数据转化为图结构数据；构建图神经网络模型GraphSAGE作为图特征提取器来提取流量的结构特征和属性特征信息；将提取到的特征作为Softmax层的输入，输出得到是否是攻击流量的概率值来检测入侵。本发明方法在车联网入侵检测任务上展示了巨大的潜力，有效地提高了入侵检测的准确率。

技术领域

本发明属于车联网安全技术领域，具体涉及一种基于图神经网络的车联网入侵检测方法。

背景技术

随着5G和人工智能等新兴技术在智能交通系统的实践应用，车联网可以真正实现车与车，车与基础设施，车与人的全方位网络连接，从而避免交通事故，提高运输安全和效率。车辆相对较快的移动速度使车联网具有高度动态的网络拓扑结构，无线通信信道的开放性会使网络连接不稳定，这些特点为车联网网络安全带来了极大的风险。入侵检测系统通过分析车联网中大量的流量信息可以高效地识别各种恶意攻击行为，使它成为了保障车联网安全问题的一种解决方案。

为了降低车联网中存在的安全风险，许多学者借助深度学习技术提出了针对车联网的入侵检测方法。主要是利用深度学习技术捕获车联网原始流量数据的高维特征和其是否为恶意流量之间复杂的非线性关系，从而识别车联网的各种攻击行为。田纳西大学Wyk博士提出将卷积神经网络与基于检测器的卡尔曼滤波的异常检测方法相结合，用于检测车联网中的异常行为。北京大学曾博士提出首先借助卷积神经网络提取流量空间特征，然后输入长短期记忆网络学习时间相关特征的模型。印度比尔拉科学技术学院Alladi博士提出先将原始流量处理成时间序列数据，再将时间序列数据转换成灰度图像以便输入卷积神经网络，从而将问题转化为图像分类。随后，Alladi博士又提出利用深度学习模型进行序列重构，通过计算原始序列和重构序列之间的误差对序列进行分类来检测未知的网络攻击。

但是以上深度学习技术将车联网流量建模为图像或者序列数据存在极大的局限性，忽略了车联网本质上是图结构数据这一事实导致了较高的误报率。如何在图结构数据中挖掘异常元素是比较困难的问题，图神经网络作为处理图结构数据的深度学习技术，展示了其强大的图数据拟合能力。因此，为了解决车联网入侵检测问题，本发明结合车联网的网络结构特征和流量节点的属性特征，提出一种基于图神经网络的车联网入侵检测方法。

发明内容

针对现有技术存在的问题，本发明的目的是提供一种基于图神经网络的车联网入侵检测方法，以提高车联网入侵检测的准确率，解决车联网通信网络安全问题。

为实现上述目的，本发明方法主要流程包括以下步骤：

步骤S1：收集车联网流量数据，对原始流量数据进行预处理；

步骤S2：构建图生成模块，将预处理过的流量数据转化为图结构数据；

所述的图生成模块具体为：

S2.1：构建车辆通信图G：流量数据是由车辆ID标识，并通过一组提供流详细信息的字段进行注释，流量数据以图的形式表示：G＝(V,E)，其中节点集合V表示车辆，边集E代表车辆之间的通信流；将车联网入侵检测问题建模为一个边分类问题；

引入线图，基于车辆通信图G生成相应的流量连通图G_L；

S2.2：构建流量连通图G_L：G_L＝(V_L,E_L)表示相应的流量连通图，E_L表示G_L的边集，代表流量之间的相关性，那么G_L的节点集是G的边集，即V_L＝{(v_i,v_j)∈E}且|V_L|＝|E|，如果G中的两条边共享一个节点，则G_L中存在一条边；G_L的边集用邻接矩阵表示