基于特征学习的无线传感网络入侵行为检测方法.pdf

PAGE076无线传感器网络Wireless Sensor Network传统的机器学习算法在无线传感网络入侵行为检测中应用效果不理想，R e c a l l（召全率）和F 1-s c o r e（召全率与精准率的调和平均数）较低，针对现行方法存在的不足和缺陷，提出基于特征学习的无线传感网络入侵行为检测方法。利用时间戳马尔可夫模型对无线传感网络进行分段，实现对网络入侵数据局部特征编码，利用深度学习网络，学习网络入侵行为特征，对网络数据标签进行数值化和归一化处理，根据入侵特征对网络行为进行分类，识别检测入侵行为，以此实现基于特征学习的无线传感网络入侵行为检测。经实验证明，设计方法R e c a ll在9 5%以上，F 1-s c o r e 在9 0%以上，检测精度较高，在无线传感网络入侵行为检测方面具有良好的应用前景。The application effect of traditional machine learning algorithms in intrusion detection of wireless sensor networks is not ideal,with low Recall(recall)and F1 score(harmonic average of recall and accuracy).In response to the shortcomings and shortcomings of current methods,a feature learning based intrusion detection method for wireless sensor networks is proposed.Using timestamp Markov model of wireless sensor network,realize the local characteristics of network intrusion data coding,using deep learning network,learning network intrusion behavior characteristics,numerical and normalized processing,according to the intrusion characteristics of network behavior,identification and detection behavior,to realize the wireless sensor network intrusion behavior detection based on feature learning.The experiment proved that the design method Recall is above 95%and F1-score is above 90%,with high detection accuracy and has good application prospect in detecting intrusion behavior of wireless sensor network.特征学习 无线传感网络 入侵行为 检测 时间戳马尔可夫模型 深度学习网络feature learning;wireless sensor network;intrusion behavior;detection;time stamp Markov model;deep learning networkDoi:10.3969/j.issn.1673-5137.2024.01.011摘 要 Abstract关键词 Key Words0.引言随着物联网技术的快速发展，无线传感网络已经广泛应用于各个领域，如智能家居、环境监测、城市交通等。然而，由于无线传感网络自身的开放性和脆弱性，其安全问题日益突出，受到了各种网络攻击的威胁。对无线传感网络入侵行为进行检测和防范具有重要的现实意义。目前，针对无线传感网络的入侵行为检测方法主要分为基于规则和基于特征两种。其中，基于规则的方法虽然具有一定的准确性和可靠性，但面对不断变化的网络攻击方式，其自适应能力较差，容易过时。而基于特征的方法则能够通过对网络流量等特征进行学习，有效地识别异常行为，具有更好的泛化性能。因此，基于特征学习的无线传感网络入侵行为检测方法成为了研究的热点。在基于特征学习的无线传感网络入侵行为检测方法中，如何提取有效的特征是关键问题。一般来说，无线传感网络的流量特征包括时间特征、频率特征、空间特征等。这些特征可以反映出网络流量的分布情况和变化趋势，从而帮助识别出异常行为。由于无线传感网络流量具有较高的维度和复杂性，直接提取特征往往存在困难。此外，传统的机器学习算法也难以应对高维数据的处理。针对这些问题，特征学习技术为特征学习提供了新的解决方案，为此提出基于特征学习的无线传感网络入侵行为检测方法。1.无线传感网络分段无线传感网络数据包含多种特征，并且网络数据是多维的，如果直接对长序列的网络数据特征进行学习和提取，可基于特征学习的无线传感网络入侵行为检测方法 程卓（贵阳职业技术学院 贵州 贵阳 550081）PAGE077无线传感器网络Wireless Sensor Network能会出现学习误差，因此为了方便后续网络入侵行为特征学习和识别，采用时间戳马尔可夫模型对无线传感网络进行分段1。根据无线传感网络数据大小和步长，对每个数据样本进行分段，将其分割为长度相同的序列并对其标记，每段无线传感网络数据序列与模型的分割窗口长度相同，其用公式表示为：（1）式中，X表示无线传感网络数据第n个片段集；f(X)表示时间戳马尔可夫模型函数；表示第一段无线传感网络数据序列段；d表示片段之后的传输顺序的片段总数2。根据每个数据序列段进入无线传感网络时间对其进行标记，实现对无线传感网络传输数据局部特征编码，为后续无线传感网络入侵行为特征学习奠定基础。2.无线传感网络入侵特征学习将分段后的无线传感网络数据作为训练样本，将其导入到深度学习网络中，深度学习网络具有较强的学习能力，通过对深度学习网络训练，学习到无线传感网络入侵特征3。深度学习网络由输入层、卷积层、池化层和输出层五部分组成，在输入层中对无线传感网络属性特征进行标签数值化，常见的无线传感网络入侵包括NMRI入侵、MPCI入侵、Dos入侵、MSCI入侵、Reco入侵、MFCI入侵，将正常运行场景下的数据序列段标签定义为0，将NMRI入侵场景下的数据序列段标签数值化为1，以此类推，对每种场景下的数据序列段标签进行数值化4。由于不同场景下数据特征单位、幅值等存在差异，导致特征量纲也会存在较大的差异，因此对无线传感网络数据进行归一化处理，其用公式表示为：（2）式中，x表示归一化后的无线传感网络数据序列；Xmin表示无线传感网络数据最小值；Xmax表示无线传感网络数据最大值5。将预处理后的无线传感网络数据输入到卷积层，为了提高无线传感网络入侵行为特征学习效率，以及学习准确性，此次使用1*8、1*16、1*32以及1*64四种尺寸的卷积核，利用激活函数对数据进行四次卷积操作，其用公式表示为：s(i,j)=(x*W)(i,j)ReLU(x)（3）式中，s(i,j)表示深度学习网络卷积层输出；W表示卷积核；i表示卷积核的长度；j表示卷积核的宽度；ReLU(x)表示激活函数6。利用上述公式对无线传感网络数据进行四次卷积计算，学习到所有网络行为特征7。由于卷积层学习到的特征向量较多，一些特征为非必要特征，将学习到的网络行为特征输入到池化层，池化层的功能是对特征降维，将不影响整体效果的特征删除，保留有效特征8。池化层利用注意力机制对输入特征进行降维处理，其用公式表示为：cj=aijhs(i,j)v （4）式中，cj表示降维后的无线传感网络入侵行为特征；aij表示学习注意力权重；h表示无线传感网络入侵行为特征向量的候选状态；v表示无线传感网络入侵行为特征向量的查询状态9。利用注意力机制对学习的网络入侵行为特征进行降维，保证深度学习网络学习到可用于网络行为分类的有效特征。将降维后的特征向量发送到输出层，输出层对学习到的无线传感网络入侵行为特征进行融合，其用公式表示为：（5）式中，y表示学习的网络入侵行为特征；a表示第a个池化层池化输出。将其与标签匹配输入，以此实现无线传感网络入侵行为特征学习。3.网络入侵行为识别检测在上述基础上，利用学习到的无线传感网络入侵行为特征，对当前无线传感网络行为进行分类，分类依据为入侵行为与当前行为的斯皮尔曼相关系数，斯皮尔曼相关系数用于衡量两个变量的相关性，将学习的入侵行为特征与当前网络行为特征作为变量，计算出两种行为的斯皮尔曼相关系数，其计算公式为：（6）式中，表示当前时刻无线传感网络行为与入侵行为的斯皮尔曼相关系数；表示当前时刻无线传感网络行为特征平均值；表示学习到的无线传感网络入侵行为特征平均值；B表示当前时刻无线传感网络行为特征标准差；T表示学习到的无线传感网络入侵行为特征标准差10。斯皮尔曼相关系数值越高，表示两种行为的相关性越大，根据实际情况设定一个阈值，将其与阈值比较，如果小于阈值，则说明当前无线传感网络行为与入侵行为无关，判定为正常行为；如果大于阈值，说明当前无线传感网络行为与入侵行为非常相似，判定为入侵行为，其用公式表示为：（7）PAGE078无线传感器网络Wireless Sensor Network式中，F表示无线传感网络行为分类结果；1表示正常行为；0表示入侵行为；表示无线传感网络入侵行为判别阈值。如果判定当前行为为入侵行为，则输出斯皮尔曼相关系数最高的入侵行为，检测到无线传感网络入侵行为类别，以此实现基于特征学习的无线传感网络入侵行为检测。4.实验论证4.1 实验准备与设计以某无线传感网络为实验环境，该无线传感网络包含16个无线传感器，实验共采集OUFAHTA、UFAHFTWA、OUFAWHUA三个数据包，将OUFAHTA数据包作为特征学习训练样本，利用UFAHFTWA、OUFAWHUA两个数据包对设计方法性能进行检验。为了直观地感受到研究方法对于无线传感网络入侵行为的检测效果，利用混淆矩阵展示网络入侵行为的分类结果，下表为混淆矩阵。表1：混淆矩阵如表1所示，混淆矩阵中真正类为正常样本被正确检测；假正类表示异常行为样本被错误地检测为正常行为；真负类表示异常行为样本被正确检测；假负类表示正常行为样本被错误地检测为异常行为。根据混淆矩阵计算出Recall（召全率）和F1-score，其计算公式为：（8）（9）式中，Recall表示无线传感网络入侵行为检测召全率；TP表示入侵行为检测结果中真正类数量；FN表示入侵行为检测结果中假负类数量；F1-score表示无线传感网络入侵行为检测召全率与精准率的调和平均数；Precision表示无线传感网络入侵行为检测精准率。Recall是所有异常行为被成功检测出来的比例，F1-score是召全率与精准率的调和平均数，经常作为检测模型或者方法评价考量。该两个指标数值越高，说明检测越精准。4.2 实验结果与讨论从实验结果需要具备一定的说明性角度出发，将本文研究方法与基于数据挖掘的检测方法和基于大数据的检测方法作对比，该两种方法是目前最常用的。利用UFAHFTWA数据包对方法检验，利用OUFAWHUA数据包对方法检验，实验结果统计如表2、图1所示。表2：无线传感网络入侵行为检测Recall(%)图1：无线传感网络入侵行为检测F1-score如表2所示，从检测方法对于网络入侵行为召全情况来看，研究方法Recall值更高一些，Recall平均值为98.45%，比基于数据挖掘的检测方法高将近30%，比基于大数据的检测方法高将近20%，说明本文研究方法基本可以实现对无线传感网络入侵行为的全部检测。从图1可以看出，三种检测方法F1-score差异性较大，本文研究方法F1-score最高，平均为93.15%，比基于数据挖掘的检测方法高将近30%，比基于大数据的检测方法高将近40%。根据以上两个实验指标的差异性对比，证明了本文研究方法具有较高的检测精度，能够实现对无线传感网络入侵行为的高精度检测，从性能方面优于现行方法。5.结束语此次结合特征学习技术优势，将其应用到无线传感网络入侵行为检测中，研究出一种新的检测方法，本文区别于传统的机器学习算法，综合使用了多种机器学习领域中的算法，包括时间戳马尔可夫模型、深度学习网络、注意力机制。利用时间戳马尔可夫模型对网络入侵数据局部特征编码，利用深度学习网络学习网络入侵行为特征，利用注意力机制对学习的网络入侵行为特征进行降维，并结合斯皮尔曼相关系数实现入侵行为识别。通过多种算法的结合，完成了入侵行为的特征学习实现了最终的检测，并通过实验证明本文方法能够提高Recall和F1-score，具有较高的检测精度，类别检测为正类检测为负类实际为正类真正类假负类实际为负类假正类真负类检测样本数量/个 研究方法 基于数据挖掘的检测方法 基于大数据的检测方法10098.4864.1570.0220098.5265.8271.2630098.4363.4870.2440098.1562.4770.3550098.2565.2570.4160098.4664.1571.2670098.5263.5270.5980098.1664.1571.46PAGE079可有效保护无线传感网络免受恶意攻击。尽管所提方法在许多方面都表现出色，但仍存在一些局限性，例如对计算资源和数据量的依赖，以及可能出现的新型攻击方式。未来的研究将需要进一步探索更高效、更稳健的模型和算法，以应对不断变化的网络威胁环境。总的来说，本次研究提供了一个全新的视角来审视和应对无线传感网络的入侵行为，期待这一领域未来的进一步发展，以及对实际应用场景的深远影响。作者简介程卓，1993年2月生，女，贵州桐梓人，硕士研究生，就职于贵阳职业技术学院，主要从事计算机应用技术、信号处理、图像处理等方面的研究。参考文献1 买欣蕾.基于时间戳马尔可夫模型的无线传感网络入侵检测方法J.长江信息通信，2023,36(09):52-54.2 叶利军.基于大数据分析技术的互联网非法入侵行为智能检测J.自动化技术与应用，2022,41(12):88-91.3 李昂.基于BILSTM与改进PSO算法的农业物联网入侵行为检测J.湖南邮电职业技术学院学报，2022,21(04):9-11+46.4 赵雅.基于强化学习的计算机网络恶意入侵行为检测方法J.信息与电脑(理论版)，2022,34(22):16-18.5 洪梅，艾春.基于FS算法和极限学习机的通信网络入侵检测方法J.长江信息通信，2022,35(06):51-53.6 沈溶溶.基于大数据技术的交互式网络恶意入侵行为检测方法J.信息与电脑(理论版)，2022,34(01):35-37.7 编辑部.2020年网络威胁报告隐蔽或带有噪声的网络攻击使检测复杂化J.信息安全与通信保密，2021,(04):57-65.8 张康宁，廖光忠.基于改善Bagging-SVM集成多样性的网络入侵检测方法J.东北师大学报(自然科学版)，2020,52(04):53-59.9 赵智阳，夏筱筠.基于卷积神经网络的电网工控系统入侵检测算法J.计算机系统应用，2020,29(08):179-184.10 王婷，王娜，崔运鹏，等.基于半监督学习的无线网络攻击行为检测优化方法J.计算机研究与发展，2020,57(04):791-802.无线传感器网络Wireless Sensor Network