CN115412324B 基于多模态条件对抗领域适应的空天地网络入侵检测方法 （北京鹏鹄物宇科技发展有限公司）

基于多模态条件对抗领域适应的空天地网本发明提供一种基于多模态条件对抗领域法由于对抗学习的平衡问题带来的弊端问题而合的多模态条件对抗领域自适应方法是空天地自适应训练为每个网络域提供适合域环境的最对抗网络的优点，不需要假定数据服从某种分2t三个特征提取网络，三个特征提取网络均s提取的特征融合后传入分类器C进行监督训练；源域数据训练的分类器学习到目标域的信m提取的特征与源域数据的分类标签按照多线性映射方法处理后输入对抗网络的判别器D中进行域判别；步骤1中，还包括在目标函数中引入特征对齐损失惩罚项学习目标域的两个特征提取网络、一个领域判别器和一个分将源域提取的特有特征与Fm提取的混淆特征融合后传入C中进行监督学习；分类器C对代表特征生成网络Fs的参数，代表特征混淆网络Fm的参数，θC代表分类器C的参3c代表交叉熵损失；Ladv-sadv-t分别为源域数据和目标域数据在特征提取网络Fm与判别器D上的对抗误差表示源域数据经过Fs和Fm后的融合特征在分类器C上的预测标签，表示目标域数据经过Ft和Fm后的融合特征在分类器C上的伪预测2.根据权利要求1所述的基于多模态条件对抗领域适应的空天地网络入侵检测方法，一种多线性映射方法f8g,通过多线性映射进行互协方差信息的提取，多线性映射定义为计算每一个类别的条件分布P(x|y)的均值。3.根据权利要求1所述的基于多模态条件对抗领域适应的空天地网络入侵检测方法，Nc表示类别数目，pr表示该样本属于第nc类的概率；从而根据熵值求得熵权重ω(H4判别器D判断接收到的数据样本是来自源域还是目标域，该部分采用的条件领域对抗4.根据权利要求1所述的基于多模态条件对抗领域适应的空天地网络入侵检测方法，t5判别器对齐来解决，因为多模态结构只能通过特征和类之间的互协方差依赖性来充分捕[0004]本发明要解决的技术问题是提供一种基于特征融合的多模态条件对抗领域适应[0007]模型使用Fs、Fm、Ft三个特征提取网络，三个特征提取网络均采用ShuffleNet_t分别用于提取源于和目标域的特有特征，Fm用于提取领域间的域不变s抗网络的判别器D中进行域判别。6[0013]判别器D判断接收到的数据样本是来自源域还是目标域，该部分采用的条件领域[0014]在目标函数中引入特征对齐损失惩罚项进行特征对齐，采用CORAL算法计算特征t7[0032]Ladv-s、Ladv-t分别为源域数据和目标域数据在特征提取网络F误差项：[0035]表示源域数据经过Fs和Fm后的融合特征在分类器C上的预测标签，c;=C(F(X⃞)OF,(X))表示目标域数据经过Ft和Fm后的融合特征在分类器C上的伪和c的多模态信息和联合分布；H(·)为用于衡量样本预测类别不确定性大小的熵；ω(H8[0046]3、针对传统对抗网络只使用一个共用特征提取网络导致源域和目标域独有特征[0048]5、针对源域个性特征和目标域个性特征可能会因对抗训练导致差异过大从而导态条件对抗领域自适应方法，图2为该方法的所提出的基于多模态条件对抗领域适应的空[0065]为了提高模型在目标领域上的泛用性能，并能够充分利用每个域特有的领域特9[0066]为了实现能够同时提取领域间共享特征和各领域特有的特征，本模型使用了Fs、[0067]当前的对抗领域自适应方法存在问题：(1)只考虑单独的对齐特征而不考虑对齐网络产生负面作用。络(CGAN)揭示了不同的分布可以在相关信息上得到辅助信息使得生成器和判别器能够能域的多峰分布。根据一种多线性映射方法f8g,通过多线性映射进行互协方差信息的提具有C类别数的one-hot标签变量y，简单的均值映射会分别独立计算x和y的均值，而多线性映射计算了每一个类别的条件分布P(x|y)的均值。f8g比优越的是，多线性映射模拟了不同变量之[0074]判别器D判断接收到的数据样本是来自源域还是目标域，该部分采用的条件领域域数据同时经过Fm、Ft特征提取网络进行共享特征和特有特征的提取，与源域数据不同的[0075]此外，为了防止源域和目标域的独有特征提取网络提取的特征i代表源域中第i域提取的特有特征与Fm提取的混淆特征融合后传入C中进行监督学习。因为混淆特征中存[0093]Ladv-s、Ladv-t分别为源域数据和目标域数据在特征提取网络F误差项：[0096]表示源域数据经过Fs和Fm后的融合特征在分类器C上的预测标签，表示目标域数据经过Ft和Fm后的融合特和c的多模态信息和联合分布；H(·)为用于衡量样本预测类别不确定性大小的熵；ω(H[0112]F-MCADA网络模型训练时采用的数据集是在CIC-IDS-2017和CSE-CIC-IDS-2018两个公开数据集的基础上添加经纬度、海拔高度等位置信息，并从中筛选出76种CIC-IDS-1，在前两层后使用ReLU激活，并使用dropout(0.5)防止过拟合。由于使用Pytorch的述两个算法的描述过程进行模型训练，最后在测试集上依照图5的网络结构对模型进行实域间个性特征对齐惩罚项损失组成。在对抗式训练的过程中，图6为领域判别器的损失变[0125]图8为分类器C的损失变化曲线，从图中可以看出源域分类器C的损失随着训练的这代表源域特征提取网络提取的特征和目标域特征提取网络提取的特征在训练初期差异[0127]为了体现本章所提出的多模态条件对抗域适应入侵检测模型的优越性，表1为与由于实验数据集间差异较大，基于特征的迁移学习算法TCA无法挖掘两个域间的深层共性[0132]F1作为Presion和Recall的权衡指标可以更准确反应模型的综合性能。在综合评[0134]为了更加直观展现经过F-MCADA域适应训练前后的特征分布状态，本节设计了t-取出的融合特征，在进行降维等一系列操作后，对这部分特征利用t-SNE进行了可视化展同时，也保留了域内类别间的区分度，有助于分类器的分类任务。然而由于SAT-IDS-1和