【技術實現步驟摘要】
本專利技術屬于網絡安全，特別是一種基于跨視圖知識蒸餾的輕量級物聯網惡意流量識別方法。
技術介紹
1、隨著物聯網技術的飛速發展，其設備數量呈現指數型增長，帶動了網絡流量的爆炸性增加。這一增長趨勢不僅促進了各行各業的數字化轉型，也帶來了前所未有的網絡安全挑戰。網絡攻擊者利用多樣化的技術和手段，針對物聯網設備的固有安全缺陷，如有限的計算和存儲能力，以及固件中的潛在安全漏洞，發起了日益復雜和隱蔽的攻擊，使得物聯網環境的安全性面臨嚴峻考驗。
2、在現有的物聯網流量識別技術中，早期基于端口或負載的簡單分析方法已因動態端口分配和數據加密技術的普及而逐漸失效。盡管傳統的基于機器學習的方法通過自動化特征學習提升了一定的識別能力，但它們在處理復雜模式時仍受限于特征工程的復雜性和模型的學習能力。
3、近年來，基于深度學習的方法憑借其卓越的特征提取和泛化能力，在物聯網流量識別領域展現出巨大潛力。然而，這些方法對計算和存儲資源的高需求限制了它們在資源受限的物聯網環境中的實際應用。此外，現有技術多從單一視角分析流量，忽略了物聯網設備的高度異構性和多樣性，導致無法全面捕捉流量的行為模式和特征。
4、鑒于此，迫切需要一種既能適應資源受限環境，又能提供高精度惡意流量識別的輕量級方法。
技術實現思路
1、針對現有技術的不足，本專利技術提出了一種基于跨視圖知識蒸餾的輕量級物聯網惡意流量識別方法，該方法旨在通過綜合利用多視角的流量數據，提高識別的準確性，同時降低模型的復雜性和資源消耗，
2、實現本專利技術目的的技術解決方案為：第一方面，本專利技術提供一種基于跨視圖蒸餾的輕量級的物聯網惡意流量識別方法，包括以下步驟：
3、步驟1、捕獲流經物聯網平臺的良性流量和惡意流量，基于五元組信息將輸入流量的樣本分流處理為會話流量，對其進行去重、分組操作；所述五元組為源地址、目的地址、源端口、目的端口、協議五元組；
4、步驟2、針對捕獲的物聯網流量，分別根據流持續時間、流中數據包的平均長度構造流級信息視圖表征；根據數據包長度和數據包的方向構造包時空序列視圖表征；
5、步驟3、基于步驟2得到的多視圖流量表征構造多視圖教師模型進行訓練并保存；
6、步驟4、輸入包時空序列視圖，結合深度可分離卷積網絡構造單視圖學生模型；
7、步驟5、利用跨視圖知識蒸餾策略對單視圖學生模型進行訓練并測試，實現對物聯網惡意流量的準確識別。
8、第二方面，本專利技術提供一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現第一方面所述的方法的步驟。
9、第三方面，本專利技術提供一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現第一方面所述的方法的步驟。
10、第四方面，本專利技術提供一種計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現第一方面所述的方法的步驟。
11、本專利技術與現有技術相比，其顯著優點為：1)本專利技術采用的跨視圖知識蒸餾機制，不僅提升了對物聯網中惡意流量的識別精度，而且通過優化模型結構，有效降低了模型的復雜性和資源占用，使得模型能夠高效地部署在計算和存儲資源受限的物聯網設備或者節點上；2)通過綜合利用流級信息和數據包序列兩個視圖的特征，本專利技術能夠全面捕捉物聯網流量的行為模式，有效識別包括加密流量在內的各類異常行為，同時在整個過程中不觸及用戶數據，確保了用戶隱私的安全；3)本專利技術設計的包序列編碼器采用了深度可分離卷積技術，替代了傳統的卷積操作，大幅降低了模型的計算負擔。此外，通過應用不同尺寸的卷積核，編碼器能夠精確捕捉數據包在不同時間尺度上的時空特征，增強了模型對流量模式的識別能力。
12、下面結合附圖對本專利技術作進一步詳細描述。
本文檔來自技高網...【技術保護點】
1.一種基于跨視圖知識蒸餾的輕量級物聯網惡意流量識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于跨視圖知識蒸餾的輕量級物聯網惡意流量識別方法，其特征在于，步驟2中提取的流級信息視圖表征包括流持續時間、上行數據包數量、下行數據包數量、雙向數據包總數、上行包間時延總均值、上行包間時延總標準差、下行包間時延總均值、下行包間時延總標準差、雙向包間時延總均值、雙向包間時延總標準差、上行每秒傳輸包數、下行每秒傳輸包數、雙向每秒傳輸包數、上行數據包總包長、上行包長平均值、上行包長標準差、下行數據包總包長、下行包長平均值、下行包長標準差、雙向數據包總包長、雙向包長平均值、雙向包長標準差、上行每秒傳輸字節數、下行每秒傳輸字節數、雙向每秒傳輸字節數、上行數據包頭字節數、下行數據包頭字節數、雙向數據包頭字節數、上行數據包頭字節占比、下行數據包頭字節占比、雙向數據包頭字節占比，并對這些特征進行標準化處理；對于包時空序列視圖，其中數據包的方向是根據是否從物聯網設備發送或者接受標記為+1或者-1。
3.根據權利要求1所述的基于跨視圖知識蒸餾的輕量級物聯網惡意流量識別
4.根據權利要求1所述的基于跨視圖知識蒸餾的輕量級物聯網惡意流量識別方法，其特征在于，步驟4所述的單視圖學生模型僅使用包時空序列視圖作為輸入；單視圖學生模型主要由輕量級的包序列編碼器和分類器構成；輕量級的包序列編碼器由多個并行的不同尺度殘差卷積塊構成，每個殘差卷積塊包含1維卷積層、BN層、ReLU激活函數及殘差連接，其中1維卷積層采用深度可分離卷積；分類器由兩個全連接的線性層構成。
5.根據權利要求4所述的基于跨視圖知識蒸餾的輕量級物聯網惡意流量識別方法，其特征在于，步驟5所述的跨視圖知識蒸餾包括兩部分：軟損失優化和硬損失優化；
6.根據權利要求1所述的基于跨視圖知識蒸餾的輕量級物聯網惡意流量識別方法，其特征在于，訓練完成的單視圖學生模型部署在物聯網環境中，實現對物聯網惡意流量的實時識別和分類。
7.一種計算機設備，包括存儲器、處理器及存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現權利要求1-6中任一所述的方法的步驟。
8.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現權利要求1-6中任一所述的方法的步驟。
9.一種計算機程序產品，包括計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1-6中任一所述的方法的步驟。
...【技術特征摘要】
1.一種基于跨視圖知識蒸餾的輕量級物聯網惡意流量識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于跨視圖知識蒸餾的輕量級物聯網惡意流量識別方法，其特征在于，步驟2中提取的流級信息視圖表征包括流持續時間、上行數據包數量、下行數據包數量、雙向數據包總數、上行包間時延總均值、上行包間時延總標準差、下行包間時延總均值、下行包間時延總標準差、雙向包間時延總均值、雙向包間時延總標準差、上行每秒傳輸包數、下行每秒傳輸包數、雙向每秒傳輸包數、上行數據包總包長、上行包長平均值、上行包長標準差、下行數據包總包長、下行包長平均值、下行包長標準差、雙向數據包總包長、雙向包長平均值、雙向包長標準差、上行每秒傳輸字節數、下行每秒傳輸字節數、雙向每秒傳輸字節數、上行數據包頭字節數、下行數據包頭字節數、雙向數據包頭字節數、上行數據包頭字節占比、下行數據包頭字節占比、雙向數據包頭字節占比，并對這些特征進行標準化處理；對于包時空序列視圖，其中數據包的方向是根據是否從物聯網設備發送或者接受標記為+1或者-1。
3.根據權利要求1所述的基于跨視圖知識蒸餾的輕量級物聯網惡意流量識別方法，其特征在于，步驟3所述的多視圖教師模型由多視圖編碼模塊、多視圖融合模塊和分類器構成；
4.根據權利要求1所述的基于跨視圖知識...
【專利技術屬性】
技術研發人員：聶豐原，劉偉偉，劉光杰，柏晶晶，
申請(專利權)人：南京理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。