本發(fā)明在物聯(lián)網(wǎng)技術(shù)的基礎(chǔ)上，構(gòu)建了一種基于擴(kuò)散模型的網(wǎng)絡(luò)攻擊樣本生成方法。利用一維混合擴(kuò)散模型對(duì)采集到的攻擊數(shù)據(jù)進(jìn)行學(xué)習(xí)，并生成分布相似的新網(wǎng)絡(luò)攻擊樣本，生成的樣本用于提升物聯(lián)網(wǎng)系統(tǒng)中的網(wǎng)絡(luò)攻擊檢測(cè)模型的精度。本發(fā)明屬于網(wǎng)絡(luò)安全領(lǐng)域，具體涉及網(wǎng)絡(luò)攻擊樣本生成和檢測(cè)技術(shù)，能夠提高物聯(lián)網(wǎng)環(huán)境中的網(wǎng)絡(luò)安全防護(hù)水平。

背景技術(shù)：

1、隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展，越來(lái)越多的設(shè)備接入網(wǎng)絡(luò)，形成了龐大的物聯(lián)網(wǎng)生態(tài)系統(tǒng)。物聯(lián)網(wǎng)設(shè)備廣泛應(yīng)用于智能家居、智能城市、工業(yè)自動(dòng)化、醫(yī)療健康等各個(gè)領(lǐng)域，極大地提升了生產(chǎn)效率和生活便利。然而，物聯(lián)網(wǎng)設(shè)備由于資源受限、安全機(jī)制不完善，成為網(wǎng)絡(luò)攻擊的主要目標(biāo)。這些攻擊不僅威脅到個(gè)人隱私和數(shù)據(jù)安全，也可能對(duì)公共安全和經(jīng)濟(jì)造成嚴(yán)重影響。因此，提升物聯(lián)網(wǎng)系統(tǒng)的網(wǎng)絡(luò)安全防護(hù)能力成為亟待解決的問(wèn)題，本發(fā)明研究成果具有廣闊的應(yīng)用前景。

2、在網(wǎng)絡(luò)攻擊檢測(cè)中，檢測(cè)模型的性能高度依賴于訓(xùn)練數(shù)據(jù)的質(zhì)量和數(shù)量?，F(xiàn)實(shí)中，高質(zhì)量的網(wǎng)絡(luò)攻擊樣本往往稀缺，難以滿足模型訓(xùn)練的需求。這導(dǎo)致現(xiàn)有的檢測(cè)模型在面對(duì)新型和復(fù)雜攻擊時(shí)，表現(xiàn)出較高的誤報(bào)率和漏報(bào)率。傳統(tǒng)的樣本生成方法，如生成對(duì)抗網(wǎng)絡(luò)和變分自編碼器，雖然能夠生成一定數(shù)量的樣本，但在處理復(fù)雜非線性特征和保持樣本分布一致性方面仍存在不足。這些方法在生成高質(zhì)量和多樣化的攻擊樣本時(shí)，常常需要大量的計(jì)算資源和時(shí)間，難以滿足實(shí)際應(yīng)用中的高效性要求。

3、本發(fā)明提出了一種基于擴(kuò)散模型的網(wǎng)絡(luò)攻擊樣本生成方法，實(shí)現(xiàn)網(wǎng)絡(luò)攻擊樣本的擴(kuò)充，提升檢測(cè)網(wǎng)絡(luò)的精度。該方法利用一維混合擴(kuò)散模型對(duì)采集到的攻擊數(shù)據(jù)進(jìn)行學(xué)習(xí)，通過(guò)捕捉數(shù)據(jù)中的非線性和時(shí)序特征，生成分布相似的新網(wǎng)絡(luò)攻擊樣本。生成的樣本不僅能夠顯著增加樣本量，彌補(bǔ)實(shí)際數(shù)據(jù)的不足，還能提升樣本的質(zhì)量，使其更接近真實(shí)攻擊場(chǎng)景。因此，本發(fā)明提出的一種基于擴(kuò)散模型的網(wǎng)絡(luò)攻擊樣本生成方法，可以解決物聯(lián)網(wǎng)系統(tǒng)中網(wǎng)絡(luò)攻擊樣本不足的問(wèn)題，提升提升檢測(cè)網(wǎng)絡(luò)的精度，為物聯(lián)網(wǎng)系統(tǒng)網(wǎng)絡(luò)攻擊檢測(cè)提供一個(gè)有效方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出了一種物聯(lián)網(wǎng)網(wǎng)絡(luò)攻擊的分布式仿真系統(tǒng)，這個(gè)仿真系統(tǒng)不僅能夠?qū)崟r(shí)接收環(huán)境數(shù)據(jù)，還具備可控的網(wǎng)絡(luò)攻擊插入功能，可以在仿真環(huán)境中模擬各種網(wǎng)絡(luò)攻擊場(chǎng)景，觀察其對(duì)物聯(lián)網(wǎng)系統(tǒng)的影響，并收集關(guān)鍵的網(wǎng)絡(luò)攻擊數(shù)據(jù)。

2、本發(fā)明采用了如下的技術(shù)方案及實(shí)現(xiàn)步驟：

3、一種基于擴(kuò)散模型的網(wǎng)絡(luò)攻擊樣本生成方法，其特征在于采集多維數(shù)據(jù)、構(gòu)建網(wǎng)絡(luò)攻擊樣本生成深度網(wǎng)絡(luò)模型、生成網(wǎng)絡(luò)攻擊樣本，包括以下步驟：

4、(1)多維時(shí)序數(shù)據(jù)樣本采集

5、①設(shè)置n個(gè)傳感器集群采集時(shí)序數(shù)據(jù)；

6、②所述①中的傳感器集群同時(shí)采集時(shí)序數(shù)據(jù)，長(zhǎng)度為100個(gè)樣本點(diǎn)；

7、③所述①中的傳感器集群采集數(shù)據(jù)的過(guò)程中，進(jìn)行4種網(wǎng)絡(luò)攻擊并加入標(biāo)簽，網(wǎng)絡(luò)攻擊包括分布式拒絕服務(wù)攻擊、ip端口掃描攻擊、異常數(shù)據(jù)頻率攻擊、錯(cuò)誤數(shù)據(jù)內(nèi)容攻擊；

8、④所述③得到網(wǎng)絡(luò)攻擊數(shù)據(jù)集d＝{x,y},樣本量為m，其中x尺寸為n×100，標(biāo)簽y有五種，y0為正常樣本標(biāo)簽，y"，y#，y$，y％為異常樣本標(biāo)簽，分別對(duì)應(yīng)分布式拒絕服務(wù)攻擊、ip端口掃描攻擊、異常數(shù)據(jù)頻率攻擊、錯(cuò)誤數(shù)據(jù)內(nèi)容攻擊；

9、(2)網(wǎng)絡(luò)攻擊樣本生成深度網(wǎng)絡(luò)模型構(gòu)建

10、①設(shè)置位置編碼器pe：網(wǎng)絡(luò)攻擊樣本生成深度網(wǎng)絡(luò)模型中的位置編碼通過(guò)計(jì)算每個(gè)位置的正弦和余弦函數(shù)來(lái)生成位置向量，位置編碼公式為：

11、

12、其中，pos表示輸入序列中的位置索引，取值范圍是[0,99]，i是位置編碼的維度索引，取值范圍是[0,63]；

13、②構(gòu)建第r類網(wǎng)絡(luò)攻擊樣本生成模型其中r的取值范圍是[1,4]，x*為第n維輸入，k為加噪步數(shù)，取值范圍是[0,100]，模型結(jié)構(gòu)包括輸入層、三層下采樣和上采樣模塊、跳躍連接層以及輸出層；

14、輸入層接收長(zhǎng)度為100，批量為256的樣本x*，并通過(guò)一維卷積層conv_u1，卷積核為64；

15、在第一層下采樣和上采樣模塊中，下采樣模塊conv_d1使用卷積核為128，并通過(guò)池化窗口大小為2的最大池化層maxpooling_1進(jìn)行下采樣，上采樣模塊conv_u1使用卷積核為64，并通過(guò)位置編碼線性變換pe進(jìn)行維度對(duì)齊；

16、在第二層下采樣和上采樣模塊中，下采樣模塊conv_d2使用卷積核為256，并通過(guò)池化窗口大小為2的最大池化層maxpooling_2進(jìn)行下采樣，上采樣模塊conv_u2使用卷積核為128，并通過(guò)位置編碼線性變換pe進(jìn)行維度對(duì)齊；

17、在第三層下采樣和上采樣模塊中，下采樣模塊conv_d3使用卷積核為512，并通過(guò)池化窗口大小為2的最大池化層maxpooling_3進(jìn)行下采樣，上采樣模塊conv_u3使用卷積核為512，并通過(guò)位置編碼線性變換pe進(jìn)行維度對(duì)齊；

18、跳躍連接層拼接對(duì)應(yīng)層次的下采樣特征與上采樣特征，并通過(guò)置編碼線性變換pe；

19、輸出層使用卷積核為1的一維卷積層conv_o，輸出其中是高斯隨機(jī)分布，作為第n維模型的輸入；

20、③構(gòu)建第n維數(shù)據(jù)的網(wǎng)絡(luò)攻擊樣本生成模型的損失函數(shù)l，公式為：

21、

22、其中，ε為高斯隨機(jī)噪聲，長(zhǎng)度為100，k為加噪步數(shù)，取值范圍是[0,100]，表示對(duì)輸入數(shù)據(jù)x*、時(shí)間步k和噪聲ε進(jìn)行期望計(jì)算，為給定第n維的原樣本x*以及高斯隨機(jī)噪聲ε得到的加噪樣本，作為模型輸入，為第n維數(shù)據(jù)的第k步噪聲控制參數(shù)，從0到100步的每一步隨機(jī)取值，取值范圍是[0.0001，0.02]，表示k步加噪前所有噪聲控制參數(shù)的乘積，為第n為的第r類網(wǎng)絡(luò)攻擊樣本生成模型，m為非n維的其他維度，其中高斯隨機(jī)噪聲ε的概率密度函數(shù)公式為：

23、

24、其中，exp(·)為指數(shù)函數(shù)，l是高斯隨機(jī)噪聲中的隨機(jī)變量；

25、(3)網(wǎng)絡(luò)攻擊樣本生成

26、①網(wǎng)絡(luò)攻擊樣本是逐步生成，其中第n維樣本在生成過(guò)程中的第k步是由第k+1步逆向生成，公式為：

27、

28、②生成第r類網(wǎng)絡(luò)攻擊樣本，其中第n維樣本生成公式為：

29、

30、其中，為通過(guò)網(wǎng)絡(luò)攻擊樣本生成深度網(wǎng)絡(luò)模型生成的第n維標(biāo)簽為y:的樣本，是一個(gè)高斯隨機(jī)分布；

31、③生成n維網(wǎng)絡(luò)攻擊樣本

32、④對(duì)所有4類網(wǎng)絡(luò)攻擊樣本進(jìn)行數(shù)據(jù)生成，完成網(wǎng)絡(luò)攻擊樣本生成。

技術(shù)特征：

1.一種基于擴(kuò)散模型的網(wǎng)絡(luò)攻擊樣本生成方法，其特征在于包括以下步驟：

技術(shù)總結(jié)
本發(fā)明提出了一種基于擴(kuò)散模型的網(wǎng)絡(luò)攻擊樣本生成方法，利用一維混合擴(kuò)散模型對(duì)攻擊數(shù)據(jù)進(jìn)行學(xué)習(xí)，生成分布相似的新攻擊樣本。該方法增加了樣本量和多樣性，提高了物聯(lián)網(wǎng)系統(tǒng)中的檢測(cè)精度和魯棒性，有效應(yīng)對(duì)復(fù)雜網(wǎng)絡(luò)攻擊，適用于物聯(lián)網(wǎng)和工業(yè)控制系統(tǒng)的網(wǎng)絡(luò)安全防護(hù)。

技術(shù)研發(fā)人員：李方昱,林軍諾,王爍,牛末寒,杜永萍
受保護(hù)的技術(shù)使用者：北京工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10