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: 2021111483871
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: 电通信技术
更新日期:2026-11-16
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:

1.一种基于元学习的小样本Wi-Fi伪装攻击检测方法,其特征在于,包括以下步骤:

1)数据预处理:数据来自公开可用的AWID数据集,它包含了从真实网络环境中收集的大量Wi-Fi伪装攻击流量数据;首先将网络流量特征转换为图像,并且图像通道数与网络协议分层框架的层数相一致,其次将数据标签进行one-hot编码处理;

2)深度特征提取:使用卷积神经网络(CNN)处理数据,提取协议空间结构特征;为了提升特征学习性能,将原始特征和提取后的特征一同输入多个全连接层;

3)多个辅助网络的元知识转移:构建多个辅助网络分别从不同的历史Wi-Fi伪装攻击检测(Wi-Fiimpersonation attack detection,WAID)任务学习元知识并将知识迁移至新的存在小样本问题的WAID任务;具体包括以下过程:步骤301,构建WAID任务:针对不同的WAID任务Tt,构建几个辅助网络分别单独训练,其中θt表示第t个WAID任务的模型参数;然后将WAID任务定义为其中T,N,K,Q分别表示任务的数量,类别数,支持集St数量,查询集Qt数量,和Yit分别表示第t个WAID任务的数据样本和标签;一个WAID任务可以被认为是通过少量支持集样本识别未知的Wi-Fi伪装攻击其中和分别表示数据样本和标签;

步骤302,具体的训练过程如下:首先训练St,通过二元交叉损失函数获得分类损失L(θt),之后根据梯度下降法更新辅助网络G(θt)aux中的参数θt′:

其中,α和分别表示元学习率和Tt的梯度;

将更新梯度用于查询集Qt测试,通过计算损失L(θt′)获取Tt的元知识;

对于不同的Tt,元目标函数被定义为:

从形式上看,使用梯度下降法来获得一个自我学习模型G(θ*)*:

其中,β是元步长;之后使用G(θ*)*对新的WAID任务Tnew进行少样本微调:其中,θ′new代表更新后网络G(θ′new)的参数,表示Tnew={Xnew,Ynew}的损失,其中Xnew和Ynew分别表示新的测试样本和标签;最后,可以对新任务进行预测:其中,F(Xnew;θ′new)为全连接层特征;FCs()为全连接层映射函数;

4)方法评估:使用准确率(Accuracy)、精准率(Precision)、召回率(Recall)和F1_score来评估所述一种基于元学习的小样本Wi-Fi伪装攻击检测方法的性能;具体包括以下步骤:步骤401,方法评价:数据来自公开可用的AWID数据集,它包含了从真实网络环境中收集的最大数量的Wi-Fi网络数据;它包含四种类型:正常实例,假冒攻击,泛洪攻击和注入攻击,且在训练集中正常实例与攻击实例的比例为33:1:1:1.35;在训练阶段,从3个攻击类型中随机选择2个攻击类型和正常实例形成历史WAID任务;在测试阶段,使用正常样本和新的攻击类型组成新的WAID任务;将每个WAID任务定义为二分类任务,即对正常和新的异常进行分类;

步骤402,评价指标:为了定量地评估WAID任务的性能,使用准确率Acc、精准率Preci、召回率Rci和F1_score作为衡量标准:其中,TPi,TNi,FPi,FNi分别表示标签集中第i个标签的真阳性、真阴性、假阳性和假阴性。

2.如权利要求1所述的一种基于元学习的小样本Wi-Fi伪装攻击检测方法,其特征在于,步骤1)所述的数据预处理包括:步骤101,数据预处理阶段,AWID数据集是一个基于IEEE802.11网络协议的网络流量数据集;首先使为网络流量数据集,其中表示M维原始特征,表示进行one-hot编码后的N维标签,表示实数空间;

步骤102,将原始特征Xi输入c个卷积(conv)层通道,通过协议帧得到空间结构信息其中,h和w代表卷积通道的长度和宽度;

通过上式可以将每一个流量Xi转换成一个c×h×w的图像,不同的协议帧具有不同的h和w,如果其中H和W表示每个图像通道的均匀长度和宽度,需要添加多个“0”来保持H和W一致。

3.如权利要求2所述的一种基于元学习的小样本Wi-Fi伪装攻击检测方法,其特征在于,步骤2)所述的深度特征提取包括以下过程:步骤201,将处理好的数据输入到卷积神经网络(CNN),可以通过下式提取空间结构特征fiS:其中,w'和b表示CNN参数θ的权重和偏差;

为了获取d维特征应当考虑原始特征以进一步提高特征学习的性能;嵌入Xi作为辅助特征并与一起转换为全连接层特征F(Xi;θ):最后,使用多层卷积和全连接层映射函数FCs,可以得到WAID任务的攻击预测标签。

4.实施如权利要求1所述的基于元学习的小样本Wi-Fi伪装攻击检测方法的系统,其特征在于,包括依次连接的数据预处理模块、深度特征提取模块、多个辅助网络的元知识转移模块、方法评估模块,其中,数据预处理模块,用于对数据进行预处理;数据来自公开可用的AWID数据集,它包含了从真实网络环境中收集的大量Wi-Fi伪装攻击流量数据;首先将网络流量特征转换为图像,并且图像通道数与网络协议分层框架的层数相一致,其次将数据标签进行one-hot编码处理;

深度特征提取模块,用于使用卷积神经网络(CNN)处理数据,提取协议空间结构特征;为了提升特征学习性能,将原始特征和提取后的特征一同输入多个全连接层;

多个辅助网络的元知识转移模块,用于构建多个辅助网络分别从不同的历史Wi-Fi伪装攻击检测(Wi-Fiimpersonation attack detection,WAID)任务学习元知识并将知识迁移至新的存在小样本问题的WAID任务;具体包括以下过程:步骤301,构建WAID任务:针对不同的WAID任务Tt,构建几个辅助网络G(θt)aux={G(θt)aux|t∈T}分别单独训练,其中θt表示第t个WAID任务的模型参数;然后将WAID任务定义为其中T,N,K,Q分别表示任务的数量,类别数,支持集St数量,查询集Qt数量,和Yit分别表示第t个WAID任务的数据样本和标签;一个WAID任务可以被认为是通过少量支持集样本识别未知的Wi-Fi伪装攻击其中和Yin分别表示数据样本和标签;

步骤302,具体的训练过程如下:首先训练St,通过二元交叉损失函数获得分类损失L(θt),之后根据梯度下降法更新辅助网络G(θt)aux中的参数θt′:

其中,α和分别表示元学习率和Tt的梯度;

将更新梯度用于查询集Qt测试,通过计算损失L(θt′)获取Tt的元知识;对于不同的Tt,元目标函数被定义为:从形式上看,使用梯度下降法来获得一个自我学习模型G(θ*)*:

其中,β是元步长;之后使用G(θ*)*对新的WAID任务Tnew进行少样本微调:其中,θ′new代表更新后网络G(θ′new)的参数,表示Tnew={Xnew,Ynew}的损失,其中Xnew和Ynew分别表示新的测试样本和标签;最后,可以对新任务进行预测:其中,F(Xnew;θ′new)为全连接层特征;FCs()为全连接层映射函数;

方法评估模块,用于评估一种基于元学习的小样本Wi-Fi伪装攻击检测方法的性能;使用准确率(Accuracy)、精准率(Precision)、召回率(Recall)和F1_score来评估所述一种基于元学习的小样本Wi-Fi伪装攻击检测方法的性能;具体包括以下步骤:步骤401,方法评价:数据来自公开可用的AWID数据集,它包含了从真实网络环境中收集的最大数量的Wi-Fi网络数据;它包含四种类型:正常实例,假冒攻击,泛洪攻击和注入攻击,且在训练集中正常实例与攻击实例的比例为33:1:1:1.35;在训练阶段,从3个攻击类型中随机选择2个攻击类型和正常实例形成历史WAID任务;在测试阶段,使用正常样本和新的攻击类型组成新的WAID任务;将每个WAID任务定义为二分类任务,即对正常和新的异常进行分类;

步骤402,评价指标:为了定量地评估WAID任务的性能,使用准确率Acc、精准率Preci、召回率Rci和F1_score作为衡量标准:其中,TPi,TNi,FPi,FNi分别表示标签集中第i个标签的真阳性、真阴性、假阳性和假阴性。