1.一种面向边缘计算网络的攻击行为识别方法,其特征在于,包括:
获取边缘计算网络的待检测流量数据;
根据待检测流量数据中预设特征,采用多元相关性分析方法构建特征相关性的三角形面积图,记为待检测三角形面积图;
将所述待检测三角形面积图输入攻击行为识别模型,输出攻击行为识别结果;
所述攻击行为识别模型是根据网络流量数据集对攻击行为识别网络进行训练得到的;所述攻击行为识别网络包括空间特征挖掘模块、时序特征挖掘模块和深度神经网络分类模块;所述空间特征挖掘模块用于提取所述待检测三角形面积图的空间特征,所述时序特征挖掘模块用于提取所述待检测三角形面积图的时序特征,所述深度神经网络分类模块用于将空间特征和时序特征融合后进行攻击行为识别;
所述攻击行为识别网络的训练具体包括:
对网络流量数据集进行预处理;
对预处理后的网络流量数据集进行基于信息增益的特征选择,获得所述预设特征;
对于预处理后的网络流量数据集,从每个样本中筛选出预设特征构成预设特征样本;
对于每个预设特征样本,采用多元相关性分析方法构建特征相关性的三角形面积图,记为待训练三角形面积图;由待训练三角形面积图和标签构成训练样本,训练样本构成训练集;
根据所述训练集训练所述攻击行为识别网络;
对预处理后的网络流量数据集进行基于信息增益的特征选择,获得所述预设特征,具体包括:根据公式g(DataSet,f)=H(DataSet)-H(DataSet|f)计算预处理后的网络流量数据集中每个特征的信息增益;
将信息增益从高到低排序,将前k个特征作为所述预设特征;
其中,g(DataSet,f)表示特征f的信息增益,H(DataSet)为预处理后的网络流量数据集经验熵,H(DataSet|f)为条件经验熵,DataSet表示预处理后的网络流量数据集;
根据待检测流量数据中预设特征,采用多元相关性分析方法构建特征相关性的三角形面积图,记为待检测三角形面积图,具体包括:采用三角形面积法映射提取待检测流量数据的预设特征中每两个预设特征之间的集合关系:将两个预设特征投影到二维欧式子空间上,获得二维列向量在笛卡尔坐标系内通过连接原点与两个预设特征投影的映射,得到三角形面积;
多个三角形面积构成三角形面积矩阵;
将三角形面积矩阵中元素值转换为灰度,得到成三角形面积图;
采用多元相关性分析方法构建特征相关性的三角形面积图,具体包括:用三角形面积法映射提取flowi={f1,f2,...,fk}中的第q和p个特征之间的集合关系:将样本flowi投影到(q-p)二维欧式子空间上,yi,q,p=[εqεp]T=[fiq fip]T,(1<=i<=m,1<=q,p<=k,q!=p);变量εq=[eq,1,eq,2,...,eq,k],εp=[ep,1,ep,2,...,ep,k],其中eq,q=1,ek,k=1,其他元素为0;yi,q,p为第i个样本的第q和第p个特征通过变量εq和变量εp投影得到的二维列向量,在笛卡尔坐标系内通过连接原点和fiq及fip在子空间上的映射,fiq和fip表示二维列向量关于第q和第p个索引下的映射值,flowi为第i条样本,m样本条数,k为预设特征的数量;f1、f2和fk分别为第1、2和k个预设特征;
构造的三角形面积为Triq,p:
得到三角形面积矩阵为:
2.根据权利要求1所述的面向边缘计算网络的攻击行为识别方法,其特征在于,所述空间特征挖掘模块包括卷积神经网络,所述时序特征挖掘模块包括双向长短时记忆网络;所述卷积神经网络包括依次连接的第一一维向量卷积层、第一最大池化层、第二一维向量卷积层、第二最大池化层、第三一维向量卷积层、第三最大池化层和全连接层。
3.根据权利要求2所述的面向边缘计算网络的攻击行为识别方法,其特征在于,所述对网络流量数据集的格式为CSV文件格式;
所述对网络流量数据集进行预处理,具体包括:
对于网络流量数据集中非数值型值、无穷大值和空值,采用非数值型值所在列的均值替换所述非数值型值,采用无穷大值所在列的均值替换所述无穷大值,采用空值所在列的均值替换所述空值,得到均值处理后的数据集;
对所述均值处理后的数据集中字符型特征进行One-Hot编码成数值型特征,并对编码处理后的全部特征进行归一化,得到预处理后的网络流量数据集。
4.根据权利要求1所述的面向边缘计算网络的攻击行为识别方法,其特征在于,所述深度神经网络分类模块包括注意力机制;所述注意力机制用于计算空间特征的权重和时序特征的权重,并根据空间特征的权重和时序特征的权重对空间特征和时序特征进行加权求和,得到融合特征。
5.一种面向边缘计算网络的攻击行为识别系统,其特征在于,包括:
待检测流量数据获取模块,用于获取边缘计算网络的待检测流量数据;
三角形面积图构建模块,用于根据待检测流量数据中预设特征,采用多元相关性分析方法构建特征相关性的三角形面积图,记为待检测三角形面积图;
攻击行为识别模块,用于对所述待检测三角形面积图进行攻击行为识别,得到攻击行为识别结果;
所述攻击行为识别模型是根据网络流量数据集对攻击行为识别网络进行训练得到的;所述攻击行为识别网络包括空间特征挖掘模块、时序特征挖掘模块和深度神经网络分类模块;所述空间特征挖掘模块用于提取所述待检测三角形面积图的空间特征,所述时序特征挖掘模块用于提取所述待检测三角形面积图的时序特征,所述深度神经网络分类模块用于将空间特征和时序特征融合后进行攻击行为识别;
所述攻击行为识别网络的训练具体包括:
对网络流量数据集进行预处理;
对预处理后的网络流量数据集进行基于信息增益的特征选择,获得所述预设特征;
对于预处理后的网络流量数据集,从每个样本中筛选出预设特征构成预设特征样本;
对于每个预设特征样本,采用多元相关性分析方法构建特征相关性的三角形面积图,记为待训练三角形面积图;由待训练三角形面积图和标签构成训练样本,训练样本构成训练集;
根据所述训练集训练所述攻击行为识别网络;
对预处理后的网络流量数据集进行基于信息增益的特征选择,获得所述预设特征,具体包括:根据公式g(DataSet,f)=H(DataSet)-H(DataSet|f)计算预处理后的网络流量数据集中每个特征的信息增益;
将信息增益从高到低排序,将前k个特征作为所述预设特征;
其中,g(DataSet,f)表示特征f的信息增益,H(DataSet)为预处理后的网络流量数据集经验熵,H(DataSet|f)为条件经验熵,DataSet表示预处理后的网络流量数据集;
根据待检测流量数据中预设特征,采用多元相关性分析方法构建特征相关性的三角形面积图,记为待检测三角形面积图,具体包括:采用三角形面积法映射提取待检测流量数据的预设特征中每两个预设特征之间的集合关系:将两个预设特征投影到二维欧式子空间上,获得二维列向量在笛卡尔坐标系内通过连接原点与两个预设特征投影的映射,得到三角形面积;
多个三角形面积构成三角形面积矩阵;
将三角形面积矩阵中元素值转换为灰度,得到成三角形面积图;
采用多元相关性分析方法构建特征相关性的三角形面积图,具体包括:用三角形面积法映射提取flowi={f1,f2,...,fk}中的第q和p个特征之间的集合关系:将样本flowi投影到(q-p)二维欧式子空间上,yi,q,p=[εqεp]T=[fiq fip]T,(1<=i<=m,1<=q,p<=k,q!=p);变量εq=[eq,1,eq,2,...,eq,k],εp=[ep,1,ep,2,...,ep,k],其中eq,q=1,ek,k=1,其他元素为0;yi,q,p为第i个样本的第q和第p个特征通过变量εq和变量εp投影得到的二维列向量,在笛卡尔坐标系内通过连接原点和fiq及fip在子空间上的映射,fiq和fip表示二维列向量关于第q和第p个索引下的映射值,flowi为第i条样本,m样本条数,k为预设特征的数量;f1、f2和fk分别为第1、2和k个预设特征;
构造的三角形面积为Triq,p:
得到三角形面积矩阵为: