一种面向网络攻击的轻量级持续入侵检测方法
本发明涉及网络安全,特别是一种面向网络攻击的轻量级持续入侵检测方法。
背景技术:
1、入侵检测系统是网络安全架构中的关键防线,其部署场景已大幅拓展,从资源受限的物联网边缘环境,延伸至高吞吐量的骨干网络基础设施。传统入侵检测方法主要分为两类:基于特征签名的检测与基于异常的检测。但面对复杂且不断演化的攻击手段时,这类传统方法的泛化能力十分有限,且极易被攻击者通过混淆、对抗样本等手段绕过。为突破这些局限,基于深度学习的入侵检测系统已迅速成为该领域的主流研究方向。
2、在动态网络环境中,正常行为模式与恶意攻击特征会随时间演变,导致数据分布发生固有偏移。尽管基于深度学习的入侵检测在静态条件下表现出较强的检测能力,但在实际部署中,网络流量的非平稳特性会使其效果持续下降,这一现象被正式定义为概念漂移。因此,持续学习被引入入侵检测领域,使模型能对流式数据进行增量适配,同时缓解对已习得攻击知识的灾难性遗忘。
3、现有的基于持续学习的入侵检测方法大多依赖全标签数据集,而恶意流量真实标签的稀缺性与高获取成本,严重限制了这类方法的实际应用价值。半监督持续学习机制被引入该领域,以应对标签稀缺、数据分布动态变化的真实网络环境。
4、尽管半监督持续学习已取得一定进展,但现有方法大多针对图像分类优化,无法直接适配一维网络流量特征。此外,入侵检测系统常部署在资源受限的物联网设备或边缘节点,这些设备对模型参数量与推理计算开销有严格限制。更严峻的是,半监督方法高度依赖伪标签机制利用无标签样本,却会在筛选阶段直接丢弃低置信度样本,导致大量无标签网络流量无法有效参与模型训练。
5、除算法层面的局限外,真实网络环境还存在严重的类别不平衡问题正常流量远多于异常流量;而在持续学习框架下,新攻击样本数量通常远大于重放缓冲区中保留的历史样本,进一步加剧新旧类别的任务级不平衡。这种复合类别不平衡现象在现有研究中仍未被系统探究。尽管半监督持续学习被公认为平衡检测效果与部署成本的理想范式,但相关研究仍处于起步阶段,在多类别攻击的精准识别上存在明显不足。现有半监督持续学习方法主要依靠重放机制维持对旧攻击类别的识别能力,但受限于缓冲区容量有限、当前任务新攻击样本量大等问题,随机采样策略难以筛选出最具代表性的样本存入缓冲区,最终导致模型对新攻击的识别性能下降。
6、因此,亟需提出一种基于轻量级持续学习的入侵检测方法,该方法能够在动态网络环境下以有限标签数据实现对新型攻击的细粒度检测。同时,该框架应有效缓解物联网资源受限、新型攻击标签稀缺以及缓冲区样本筛选困难等问题,从而显著提升入侵检测的精度与效率,为边缘端网络安全提供轻量级且鲁棒的解决方案。
7、针对上述问题,本发明提出了一种面向网络攻击的轻量级持续入侵检测方法。
技术实现思路
1、本发明是通过如下的技术方案来解决上述技术问题的:
2、一种面向网络攻击的轻量级持续入侵检测方法,其特征在于,包括以下步骤:
3、s1、针对网络流量数据集,利用已知攻击类型和正常流量的有标签样本对模型进行初始训练;按照攻击演化顺序,将后续未知攻击样本划分为多个增量任务阶段;
4、s2、采用轻量级浅层全连接神经网络作为特征提取器和分类头,构建入侵检测模型;
5、s3、对每个增量任务的数据划分,包含第一数量有标签样本和第二数量无标签样本,所述第一数量小于第二数量;
6、s4、循环执行下述步骤s5到s9,直至处理完所有增量任务;
7、s5、对于当前增量任务的一个批的数据,表示当前增量任务一个批中的有标签样本,表示当前增量任务一个批中的无标签样本;利用第一数量有标签样本对检测模型展开训练;
8、s6、通过渐进式伪标签模块,根据置信度结果对无标签样本进行划分,大于预设置信度阈值的无标签样本生成硬伪标签,对小于等于预设置信度阈值的无标签样本通过原型相似度生成软标签;
9、s7、采用跨任务梯度重平衡模块,自适应调整任务平衡系数与损失函数平衡系数;
10、s8、执行原型-梯度协同选择模块,分别计算样本的原型置信度与梯度影响得分,通过加权联合评分从当前任务中筛选出最具代表性的样本,存入回放缓冲区;
11、s9、对模型参数进行优化更新,并将筛选后的优质样本加入缓冲区,用于后续的持续学习;
12、s10、完成所有增量任务后,返回最终更新之后的模型;对新到达的网络流量实时低延迟检测。
13、进一步的,步骤s6包括以下内容:
14、先获取无标签样本x的置信度:
15、;
16、其中表示浅层全连接神经网络的输出,maxk(·)为选出最大值;softmax 表示归一化指数函数;
17、设给定阈值,将第个任务到达的划分为两类样本,置信度大于预设置信度阈值的为高置信度无标签样本,反之为低置信度无标签样本:
18、;
19、表示当前增量任务batchsize中的无标签样本,对于高置信度无标签样本,基于分类头的预测结果生成硬标签:
20、;
21、其中argmaxk为最大值对应类别编号;
22、对于低置信度无标签样本,首先通过检测获取其嵌入向量表示:
23、;
24、设回放缓冲区为,其中第类攻击样本集合为,,得到每一类的平均特征向量:
25、;
26、其中k为攻击样本类型总数;表示第类攻击样本集合的总数量;
27、将低置信度无标签样本的嵌入向量与各类别原型之间的余弦相似度定义为:
28、;
29、表示向量范数 ;表示转置;构造基于余弦相似度的原型伪标签:
30、;
31、其中exp(·) 代表自然指数函数,sj(x)为区别于sk(x)的另一个低置信度无标签样本的嵌入向量与各类别原型之间的余弦相似度,γ为温度缩放系数。
32、进一步的,步骤s7自适应调整任务平衡系数与损失函数平衡系数包括:
33、获取第个任务中用于入侵检测模型分类的模型参数:
34、;
35、表示为第t-1个任务中用于入侵检测模型分类的模型参数,表示当前任务的持续学习的正则损失,为当前任务的半监督持续学习损失,▽为求梯度算符;为任务均衡系数;自适应缩放有监督持续学习梯度。
36、进一步的,当前任务的半监督持续学习的正则损失实现方式为:
37、;
38、其中,||表示当前缓冲区存在的样本数量,表示任务1到任务t-1已经学习的类别;是第类攻击样本教师模型预测概率,pk为第类攻击样本当前模型预测概率;log的底数为e。
39、进一步的,新的正则损失函数公式表示为:
40、;
41、其中,是一个动态调整任务平衡系数,为当前模型预测概率,p=[p1,p2,...,pk];为教师模型预测概率,为修正概率 ;
42、对于缓冲区中每个已学习攻击类别示任务1到任务t-1已经学习的类别,计算所有历史类别的差值集合中的第 k 个类别差值:
43、;
44、其中表示攻击类别的原始训练数据量,缓冲区中攻击类别的存储数量。
45、进一步的,动态调整任务平衡系数通过以下方式计算获得:
46、;
47、其中是丢失数据分布的熵度量,而表示当前所有类别的总熵。
48、进一步的,由以下公式确定:
49、;
50、s表示当前类别保留的数据与之前的数据的差值,表示任务1到任务t-1已经学习的类别。
51、进一步的,任务均衡系数定义为:
52、;
53、其中,是衰减因子,是用于调整幅度的超参数,表示前 t-1 个历史任务全部样本构成的特征集合,表示前t 个历史任务和当前第t个新任务全部样本构成的特征集合,表示获取中的最小值,表示任务1到任务t-1已经学习的类别;是表示任务t因学习的类别;表示第i类已学习攻击类别的平均累积梯度和新型攻击类别的平均累积梯度之比。
54、进一步的,自适应缩放有监督持续学习梯度定义为:
55、,表示向量范数 。
56、进一步的,步骤s8包括以下内容:
57、通过获得样本的特征表示,再将得到的最大预测概率的值作为原型置信度得分;通过计算梯度影响得分来量化每个新攻击样本对优化模型对新型攻击的识别效果:
58、;
59、为 l2 范数;▽θ为对模型参数θ求梯度;为当前任务的半监督持续学习损失;为伪标签;对两类得分做最小最大归一化,得到最小归一化的和最大归一化的,利用平衡系数构建联合评分函数:
60、;
61、在每次内存更新阶段,当前任务的数据得分按降序排列,从中选取前个攻击实例存入缓冲区。
62、本发明所取得的有益效果是:
63、本发明通过轻量级浅层全连接神经网络作为特征提取器,并创新性地引入半监督持续学习范式,提出了一种面向网络攻击的轻量级渐进式入侵检测方法。在模型迭代过程中,动态利用无标签流量数据,缓解了边缘设备资源受限与新型攻击标签稀缺的问题。同时,通过渐进式伪标签机制、跨任务梯度重平衡机制以及原型-梯度协同选择机制,有效解决了持续学习中的类别不平衡与灾难性遗忘难题,有效提升了模型对新旧攻击类型的识别能力。该方法不仅保证了极低的参数量与快速推理速度,还实现了对动态网络环境中未知攻击的精准检测,使其特别适用于资源受限的物联网边缘设备。该框架广泛适用于实时网络安全防护场景,尤其适合需兼顾检测精度、计算效率与长期演化能力的入侵检测系统。
64、为使能更进一步了解本发明的特征及技术内容,请参阅以下有关本发明的详细说明与附图,然而所提供的附图仅用于提供参考与说明,并非用来对本发明加以限制。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com