[发明专利]物联网入侵检测模型训练方法、装置、设备及存储介质

说明书

本发明公开了一种物联网入侵检测模型训练方法、装置、设备及存储介质，其中方法包括：利用特征提取器从预先获取的全部打上标签的互联网源域数据和物联网源域数据、以及部分打上标签的物联网目标域数据中提取互联网源域数据特征向量、物联网源域数据特征向量、物联网目标域数据特征向量；利用分类器对互联网源域数据特征向量、物联网源域数据特征向量、物联网目标域数据特征向量进行预测，得到目标分类结果；根据目标分类结果和预设的目标损失函数计算损失函数值，并根据损失函数值优化物联网入侵检测模型。本发明能够借助互联网入侵数据以及少量物联网入侵数据辅助训练大量标签稀少的物联网入侵检测模型，以提升模型的预测准确率。

技术领域

本申请涉及物联网技术领域，特别是涉及一种物联网入侵检测模型训练方法、装置、设备及存储介质。

背景技术

随着信息时代的快速发展，越来越多的物联网设备被应用在人们的生产生活之中，如智能温度检测仪、智能摄像头等。这些设备无时无刻不在记录着所监测到的数据，部分数据，如智能摄像头等记录的数据往往会包含用户隐私信息，因此，如何确保物联网设备的安全可靠，及时检测到可能的非法入侵行为成为了一个至关重要、亟待解决的问题。

发明内容

有鉴于此，本申请提供一种物联网入侵检测模型训练方法、装置、设备及存储介质，以解决现有的物联网设备存在入侵风险导致隐私泄露的问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种物联网入侵检测模型训练方法，其应用于训练物联网入侵检测模型，物联网入侵检测模型包括特征提取器和分类器，方法包括：利用特征提取器从预先获取的全部打上标签的互联网源域数据和物联网源域数据、以及部分打上标签的物联网目标域数据中提取互联网源域数据特征向量、物联网源域数据特征向量、物联网目标域数据特征向量；利用分类器对互联网源域数据特征向量、物联网源域数据特征向量、物联网目标域数据特征向量进行预测，得到目标分类结果；根据目标分类结果和预设的目标损失函数计算损失函数值，并根据损失函数值优化物联网入侵检测模型，目标损失函数包括分类器分类时的第一损失函数、融合源域数据与目标域数据的第二损失函数、基于预测概率标签分布知识信息迁移的第三损失函数和采取空间图匹配以匹配源域数据图和目标域数据图的第四损失函数。

作为本申请的进一步改进，计算第一损失函数的第一损失函数值，包括：利用分类器对互联网源域数据特征向量、物联网源域数据特征向量和有标签的物联网目标域数据特征向量进行预测，得到第一分类结果；将每个特征向量的第一分类结果与自身对应的标签进行比对，并计算第一交叉熵损失值，再对所有的第一交叉熵损失值取平均值，得到第一损失函数值。

作为本申请的进一步改进，物联网入侵检测模型还包括对抗网络；计算第二损失函数的第二损失函数值，包括：将互联网源域数据特征向量和物联网源域数据特征向量标记为第一预设类别，并将物联网目标域数据特征向量标记为第二预设类别；将互联网源域数据特征向量、物联网源域数据特征向量、物联网目标域数据特征向量以及各自标记的预设类别输入至对抗网络进行预测，得到第二分类结果；将每个特征向量的第二分类结果与自身对应的预设类别进行比对，并计算第二损失值，再对所有的第二损失值取平均值，得到第二损失函数值。

作为本申请的进一步改进，计算第三损失函数的第三损失函数值，包括：利用分类器对互联网源域数据特征向量进行预测以得到第一预测概率分布向量，并对物联网源域数据特征向量进行预测以得到第二预测概率分布向量；根据同一类别对应的第一预测概率分布向量和第二预测概率分布向量计算得到每个类别的第一均值向量；利用分类器对有标签的物联网目标域数据特征向量进行预测，得到第三预测概率分布；根据每个有标签的物联网目标域数据所属类别对应的第一均值向量和第三预测概率分布计算每个有标签的物联网目标域数据的第三交叉熵损失值，再对所有的第三交叉熵损失值取平均值，得到第三损失函数值。