CN116506858B 基于时空特征并行分析的车联网入侵检测方法 （河南科技大学）

ParallelAnalysisofSp文.ParallelAnalysisofSpatio-基于时空特征并行分析的车联网入侵检测本发明公开了一种基于时空特征并行分析状态时和发生入侵时分别采集若干个车联网流量数据序列，提取得到车联网流量数据特征矩本发明从车联网流量数据中并行提取空间特征2S1：对于所需要进行入侵检测的车联网，分别在集若干个车联网流量数据序列，每个车联网流量数据序列中包含连续的N条车联网流量数S2：根据每个车联网流量数据序列采集时的车空间特征提取模块用于对输入的车联网流量数据特征矩阵中每个车联网流量数据特向量构成大小为N×B的空间特征Fspatial并发送至特征拼接模块和特时域特征提取模块用于对输入的车联网流量数据特征矩阵提取大小为N×B的时域特征Ftemporal并发送至特征拼接模块和特特征拼接模块用于将空间特征Fspatial和时域特征Ftemporal进行拼接，得到大小为N×2B自注意力模块用于根据自注意力机制生成时空特征F对应的大小为N×2B自注意力分特征融合模块用于根据自注意力分数矩阵H对空间特征Fspatial和时域特征Ftemporal进行根据特征拼接模块的拼接方式对自注意力分数矩阵H进行划分，Ffusion=λspatial*Fspatial多层感知机用于根据融合特征Ffusion对输入车联网流量数据特征矩阵采集时车联网是S5：将每个车联网流量数据序列对应的车联31)记步骤S1中所收集的车联网流量数据序列数量为D，则车联网流量数据初始特征向m表示第m个数据特征在G个车联网流量数据初始特征向量中对应m表示第m个数据特征在G个车联网流量数据初始特征向量中对应取3)令输入为从车联网流量数据初始特征向量中提取包含当前数据特征集合中数据特5)对于当前数据特征集合中筛选出与类标签6)从R个训练好的分类器中筛选出分类准确率最大的分类器，将其对应的数据特征集45别采集若干个车联网流量数据序列，每个车联网流量数据序列中包含连续的N条车联网流6[0010]空间特征提取模块用于对输入的车联网流量数据特征矩阵中每个车联网流量数特征向量构成大小为N×B的空间特征Fspatial并发送至特征拼接模[0011]时域特征提取模块用于对输入的车联网流量数据特征矩阵提取大小为N×B的时域特征Ftemporal并发送至特征拼接模块和特[0012]特征拼接模块用于将空间特征Fspatial和时域特征Ftemporal进行拼接，得到大小为N[0013]自注意力模块用于根据自注意力机制生成时空特征F对应的大小为N×2B自注意[0014]特征融合模块用于根据自注意力分数矩阵H对空间特征Fspatial和时域特征Ftemporal[0018]多层感知机用于根据融合特征Ffusion对输入车联网流量数据特征矩阵采集时车联7[0025]图1是本发明基于时空特征并行分析的车联网入侵检测方法的具体实施方式流程[0029]图1是本发明基于时空特征并行分析的车联网入侵检测方法的具体实施方式流程[0033]本实施例中字符数据特征编码采用sklearn库中的标签编码(LabelEncoder)。数[0035]根据每个车联网流量数据序列采集时的车联网状态对车联网流量数据序列进行[0037]在进行车联网入侵检测时，需要从车联网流量的的数据特征中提取通信行为信8[0038]因此，本发明根据所收集的车联网流量数据对数据特征进行筛选得到K个有效数[0040]1)记步骤S101中所收集的车联网流量数据序列数量为D，则车联网流量数据初始m个数据特征在G个车联网流量数据初始特征向量中对应取值的标m个数据特征在G个车联网流量数据初始特征向量中对应取值的平y表示G个类标签的平均值。[0046]3)令输入为从车联网流量数据初始特征向量中提取包含当前数据特征集合中数[0048]5)对于当前数据特征集合中筛选出与类标签相关度最小[0049]6)从R个训练好的分类器中筛选出分类准确率最大的分类器，将其对应的数据特[0052]空间特征提取模块用于对输入的车联网流量数据特征矩阵中每个车联网流量数9特征向量构成大小为N×B的空间特征Fspatial并发送至特征拼接模[0053]空间特征提取模块通常采用CNN(ConvolutionalNeuralNetwork，卷积神经网使其拥有记忆历史信息的能力。相较于传统的CNN需要将网络流量数据处理成二维图像进[0054]时域特征提取模块用于对输入的车联网流量数据特征矩阵提取大小为N×B的时域特征Ftemporal并发送至特征拼接模块和特[0055]时域特征提取通常使用的是RNN(RecurrentNeuralNetwor[0056]特征拼接模块用于将空间特征Fspatial和时域特征Ftemporal进行拼接，得到大小为N[0057]自注意力模块用于根据自注意力机制生成时空特征F对应的大小为N×2B自注意[0058]特征融合模块用于根据自注意力分数矩阵H对空间特征Fspatial和时域特征Ftemporal[0063]多层感知机用于根据融合特征Ffusion对输入车联网流量数据特征矩阵采集时车联[0070]当需要对车联网进行入侵检测时，采集得到包含连续的N条车联网流量数据的车一。本实施例选取4个入侵检测领域典型模型，分别为SVM模型、CNN模型、LSTM模型和表1是本发明和4种对比方法在UNSW_NB15数据集上