欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021100342757
申请人: 浙江工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2023-12-11
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于网络节点拓扑结构的对抗攻击检测方法,其特征在于,所述攻击检测方法包括以下步骤:

S1:导入网络G=(V,E),其中V表示网络中的节点集合,E表示网络中的连边的集合,设一个网络中共存在N个节点,M条连边;对于这一网络,假设节点μ可能被某种针对节点分类任务的攻击方法所攻击;

S2:在原始网络中计算节点μ的5个网络拓扑性质,5个网络拓扑性质的计算如下:

2.1)计算节点μ的聚类系数,即Clustering Coefficient;聚类系数被用来衡量一个节点的邻居节点之间的联系程度;它被定义为与该节点相连的节点之间实际连接的连边数目与理论上最大连接数之间的比值;节点μ的聚类系数被计算为其中Lμ表示与节点μ连接的邻居节点之间实际存在的连边数量,kμ表示与节点μ连接的邻居节点数量,也被称为节点μ的度;

2.2)计算节点μ的介值中心性,即Betweenness Centrality;介值中心性被用来衡量一个节点的重要性;对于节点μ,该节点的介值中心性被定义为从任一节点到另一节点的最短路径通过节点μ的路径数量与任意两节点之间最短路径数量之和之间的比值,即节点μ的介值中心性被计算为

其中,gst表示节点s和节点t之间的所有最短路径数量,而 则表示从节点s到节点t的最短路径中通过节点μ的路径数量;

2.3)计算节点μ的接近中心性,即Closeness Centrality;接近中心性被用来衡量一个节点与其他节点之间的联系;对于节点μ,它被定义为其他节点到这一节点的平均距离的倒数,即节点μ的接近中心性被计算为

其中,dμj表示为节点j到节点μ的距离,而N为网络中的所有节点的数量;

2.4)计算节点μ的特征向量中心性,即Eigenvector Centrality;特征向量中心性同样被用来表征节点的重要性;不同于介值中心性,特征向量中心性认为一个节点的重要性与其邻居节点的重要性有关,对于节点μ,其特征向量中心性被计算为其中,c是一个预设参数,aμj为一个二值变量,用来表示节点μ和节点j间是否存在连边,若aμj=1则表示节点μ和节点j之间存在连边;反之则表示二者之间无连边;xj为节点j的重要性度量值;

2.5)计算节点μ的邻居节点平均度值,即Average Neighbor Degree;对于任一节点μ,邻居节点度被定义为该节点的邻居节点的平均度值,即其中,kμ表示为节点μ的邻居节点数,即节点μ的度值;N(μ)表示由节点μ的所有邻居节点组成的集合;

S3:特征向量空间构建;将在S2中得到的5个网络结构特征以横向拼接的形式进行特征空间扩展,从而,对每一个节点,可以得到该节点在原始网络中的一个维度为1×5的特征向量, 特征向量中网络拓扑性质的排列顺序是任意的,但此排列顺序一旦确定,对于所有节点的特征向量都应保持这样的排列顺序;

S4:利用网络中的对抗攻击方法针对节点μ进行攻击,获得被攻击的网络;

S5:在攻击后的网络中计算节点μ的5个网络拓扑性质,对被攻击网络中的节点μ计算其网络拓扑性质特征,如步骤S2;计算5个网络拓扑性质后以横向拼接的方式构建节点μ的特征向量 如步骤S3;

S6:采用机器学习中的分类器模型对所有节点利用留出法验证,将所有节点以一定比例划分成训练集和测试集,得出分类精度;将S3和S5中得到的各个节点的特征向量作为输入。

2.根据权利要求1所述的一种基于网络节点拓扑结构的对抗攻击检测方法,所述步骤S2中特征向量中心性计算中,预设参数c被设置为1,每个节点的重要性度量值设置为1。

3.根据权利要求1所述的一种基于网络节点拓扑结构的对抗攻击检测方法,所述步骤S4中所采用的攻击方法,可以选用Nettack、GradArgmax、Meta Gradient attack攻击方法中任意一种进行攻击。

4.根据权利要求1所述的一种基于网络节点拓扑结构的对抗攻击检测方法,所述步骤S6中利用留出法对所有节点的检测效果进行验证,此方法以80%和20%的比例来将节点划分为训练集和测试集;并且选取随机森林作为节点检测的分类器,随机森林中树的数量设置为256,将最小Cost‑Complexity剪枝参数设定为0.05,树的最大深度设置为50。

5.一种基于网络节点拓扑结构的对抗攻击检测系统,其特征在于:包括原始网络图导入模块、原始网络拓扑性质计算模块、原始特征向量构建模块、攻击原始网络模块、被攻击网络拓扑性质计算模块、受攻击后特征向量构建模块、随机森林分类器,原始网络图导入模块向原始网络拓扑性质计算模块和攻击原始网络模块导入网络G=(V,E),原始网络图导入模块由原始网络拓扑性质计算模块向原始特征向量构建模块输出节点μ的聚类系数、节点μ的介值中心性、节点μ的接近中心性、节点μ的特征向量中心性、节点μ的邻居节点平均度值;

攻击原始网络模块向被攻击网络拓扑性质计算模块输出被攻击的网络;被攻击网络拓扑性质计算模块向受攻击后特征向量构建模块输出被攻击网络中节点μ的5个网络拓扑性质特征;原始特征向量构建模块和受攻击后特征向量构建模块分别向随机森林分类器输出各节点的特征向量;

原始网络图导入模块导入网络G=(V,E),其中V表示网络中的节点集合,E表示网络中的连边的集合,设一个网络中共存在N个节点,M条连边;对于这一网络,假设节点μ可能被某种针对节点分类任务的攻击方法所攻击;

原始网络拓扑性质计算模块,在原始网络中计算节点μ的5个网络拓扑性质,5个网络拓扑性质的计算如下:

2.1)计算节点μ的聚类系数,即Clustering Coefficient;聚类系数被用来衡量一个节点的邻居节点之间的联系程度;它被定义为与该节点相连的节点之间实际连接的连边数目与理论上最大连接数之间的比值;节点μ的聚类系数被计算为其中Lμ表示与节点μ连接的邻居节点之间实际存在的连边数量,kμ表示与节点μ连接的邻居节点数量,也被称为节点μ的度;

2.2)计算节点μ的介值中心性,即Betweenness Centrality;介值中心性被用来衡量一个节点的重要性;对于节点μ,该节点的介值中心性被定义为从任一节点到另一节点的最短路径通过节点μ的路径数量与任意两节点之间最短路径数量之和之间的比值,即节点μ的介值中心性被计算为

其中,gst表示节点s和节点t之间的所有最短路径数量,而 则表示从节点s到节点t的最短路径中通过节点μ的路径数量;

2.3)计算节点μ的接近中心性,即Closeness Centrality;接近中心性被用来衡量一个节点与其他节点之间的联系;对于节点μ,它被定义为其他节点到这一节点的平均距离的倒数,即节点μ的接近中心性被计算为

其中,dμj表示为节点j到节点μ的距离,而N为网络中的所有节点的数量;

2.4)计算节点μ的特征向量中心性,即Eigenvector Centrality;特征向量中心性同样被用来表征节点的重要性;不同于介值中心性,特征向量中心性认为一个节点的重要性与其邻居节点的重要性有关,对于节点μ,其特征向量中心性被计算为其中,c是一个预设参数,aμj为一个二值变量,用来表示节点μ和节点j间是否存在连边,若aμj=1则表示节点μ和节点j之间存在连边;反之则表示二者之间无连边;xj为节点j的重要性度量值;

2.5)计算节点μ的邻居节点平均度值,即Average Neighbor Degree;对于任一节点μ,邻居节点度被定义为该节点的邻居节点的平均度值,即其中,kμ表示为节点μ的邻居节点数,即节点μ的度值;N(μ)表示由节点μ的所有邻居节点组成的集合;

原始特征向量构建模块,将原始网络拓扑性质计算模块得到的5个网络结构特征以横向拼接的形式进行特征空间扩展,从而,对每一个节点,得到该节点在原始网络中的一个维度为1×5的特征向量, 特征向量中网络拓扑性质的排列顺序是任意的,但此排列顺序一旦确定,对于所有节点的特征向量都应保持这样的排列顺序;

攻击原始网络模块,利用网络中的对抗攻击方法针对节点μ进行攻击,获得被攻击的网络;

被攻击网络拓扑性质计算模块,利用与原始网络拓扑性质计算模块相同的计算方式计算节点μ的5个网络拓扑性质;

受攻击后特征向量构建模块,以横向拼接的方式构建节点μ的特征向量随机森林分类器,从原始特征向量构建模块和受攻击后特征向量构建模块输入各节点的特征向量,采用机器学习中的分类器模型对所有节点利用留出法验证,将所有节点以一定比例划分成训练集和测试集,得出分类精度。