CN114548222B 一种分布式物联网入侵检测方法及系统 （电子科技大学长三角研究院(湖州)）

云服务器使用IDS的公共数据初始化轻量级的机当服务器从客户端接收到所有更新时，采用客户端根据更新的模型启动本地化入侵检测系统IDS。本发明采用秩聚合算法对FedAvg方法进使用非独立同分布数据训练局部模型的关键问2步骤二，每个客户端使用所述模型作为基础分类器步骤三，完成整个本地化训练过程后，所述客户端将更步骤五，安全云服务器将最终输出分发回客户端，客模型训练部分由云模型初始化和局部化模型训练两个步骤组成；安全云法AdaBoost是一种使用多个机器学习模型实现基础和n为源域和目标域中的样本数量；MMD作为损失函数量化传输源域和目标域之间的差异；3k为：4)使用公式(2)计算错误率εk和使用公式(3)和公式(4)计算7)整合结果pk和prx,k=1,2,3k;45.一种应用如权利要求1～4任意一项所述的分布式物联网入侵检测方法的分布式物所述安全云服务器拥有大量的公共数据和高性能硬件，用于模型所述客户端是与安全云连接的各种独立的物联网端点，不允许每个客得所述处理器执行权利要求1～4任意一项所述的分布式物联5度、隐私性和高价值的性质也阻碍了共享内部数据用于训练高性能入侵检测机器学习模[0004](1)现有的资源受限的传感器系统易于受到来自网络的攻击和僵尸网络(例如[0005](2)现有IIoT数据的灵敏度、隐私性和高价值的性质阻碍了共享内部数据用于训隐私性和高价值性也阻碍了训练高性能入侵检测[0010]针对现有技术存在的问题，本发明提供了一种分布式物联网入侵检测方法及系6和βT在获得预测的标签后进行更新；βT是与εk相关的该迭代的权重因子，7[0049]1)使用公式(7)计算MMD距离MMD[Dtest，Aj]以及使用公式(8)计算权重wts[Dtest，强算法AdaBoost是一种使用多个机器学习模型实现基础估[0059]本发明的另一目的在于提供一种应用所述的分布式物联网入侵检测方法的分布8[0063]安全云服务器使用IDS的公共数据初始化轻量级的机器学习模型，服务器向所有[0066]安全云服务器使用IDS的公共数据初始化轻量级的机器学习模型，服务器向所有[0067]在完成整个本地化训练过程后，客户端将更新后的分类中使用非独立同分布(IID)数据训练局部模型的关莓派(3个Pi3BTM和2个Pi4BTM)来呈现不同的IIoT硬件。所有的树莓派都使用9本发明使用两个基于debian的和三个基于archc的Linux操作系统。高性能桌面机运行户端机器具有不同的数据配置，其中公共数据(DS)和5个具有非iid设置的客户端数据集CIC-IDS2017数据集组成。在硬件测试系统上测试时，本发明的联邦学习策略达到了[0078]图5是本发明实施例提供的在硬件测试系统上测试时，本发明的联邦学习策略达[0080]针对现有技术存在的问题，本发明提供了一种分布式物联网入侵检测方法及系[0088]如图3所示，本发明实施例提供的分布式物联网入侵检测系统包括安全云服务器[0093]本发明为了解决在联邦学习中使用非独立同分布(IID)数据训练局部模型的关键共数据和模型；(3)在基于实例的迁移学习中，每个客户端都使用这个模型作为基础分类务器将最终输出分发回客户端，客户端可以根据更新的模型启动本地化入侵检测系统平均差异(MMD)来计算核希尔伯特空间中两个和私人数据之间的分布可能会有所不同。本地预处理和标记数据集的大小也可能受到限k为：[0112]根据结果Hk和迭代错误率εk，可以对训练数据的权重因子ωS和ωT进行更新。最莓派(3个Pi3BTM和2个Pi4BTM)来呈现不同的IIoT硬件。所有的树莓派都使用ARMC本发明使用两个基于debian的和三个基于archc的Linux操作系统。高性能桌面机运行户端机器具有不同的数据配置，其中公共数据(DS)和5个具有非iid设置的客户端数据集传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一