基于表征学习的边缘网络状态感知建模方法技术

本发明专利技术基于深度神经网络(DNN)算法提出了一种基于表征学习的面向工业边缘网络的全面状态感知建模方法。该发明专利技术利用以表征学习为技术特征的卷积神经网络(CNN)，能够避免手动提取特征直接部署在工业边缘网络环境下，针对异构网络环境下的行为状态需求，通过旁路监听或直接嵌入的方式收集边缘网络中的原始数据自动学习特征并执行全面状态感知分析任务。对边缘网络环境中不同设备、不同业务逻辑所产生的行为状态进行建模、感知和检测，实现对整体框架的全面状态感知的目的。架的全面状态感知的目的。架的全面状态感知的目的。

【技术实现步骤摘要】
基于表征学习的边缘网络状态感知建模方法


[0001]本专利技术属于工业控制系统与网络边缘智能计算领域，具体的说是一种基于深度学习卷积神经网络的工业边缘网络状态感知建模方法。

技术介绍

[0002]全球已经掀起行业数字化转型的浪潮，智能技术已经率先在制造、电力、交通等行业开始应用，行业智能时代已经来临。2015年边缘计算进入到Gartner的Hype Cycle(技术成熟曲线)，边缘计算已经掀起了产业化的热潮，各类产业组织、商业组织在积极发起和推进边缘计算的研究、标准、产业化活动。智能电网的网络拓扑结构与边缘计算架构存在“天然”的契合之处，其各类终端均可具有计算和执行能力，通过网络边缘侧的智能处理，融合网络、计算、存储及信息化技术，在网络边缘提供服务，适用于具有海量数据特征的业务动态管理、边缘化安全隐私防护等技术需求，与当前的云计算集中式数据处理模型相比，电力边缘计算具有更接近数据侧，响应快速的特点，且计算范式和部署灵活。但是这种边缘侧的计算服务模式，也导致传统的云环境下的信息安全问题在边缘计算场景中更加突出，电力系统作为国民关键基础设施，其信息安全防护工作尤为重要，一旦遭受攻击，可能对国家和社会造成重大影响。
[0003]边缘计算作为在物联网中被广泛应用的计算范式，以网络边缘设备为核心，将云计算扩展到了网络的边缘，解决了云计算移动性差、地理信息感知弱、时延高等问题，满足智能电网环境部署中海量终端设备互联模式对资源请求的响应时间和安全性要求。边缘计算为解决时延和网络带宽负载问题带来极大的便利，支持将云中心任务向网络边缘侧迁移，将服务带到离边缘更近、范围更广的地方。通过部署边缘服务设备(如边缘计算节点、边缘计算网关等)，服务可以驻留在边缘设备上，在处理海量数据的同时还可以确保高效的网络运营和服务交付。然而，边缘计算兴起的同时也给边缘计算网络中的用户、边缘节点、云服务器的安全防护带来了新的挑战，尤其是安全和隐私方面。

技术实现思路

[0004]针对在技术背景中提出的面向电力智能边缘计算的安全防护要求，以智慧物联体系边缘智能计算技术为落点，本专利技术提出一种基于表征学习的边缘网络状态感知建模方法。
[0005]本专利技术为实现上述目的所采用的技术方案是：基于表征学习的边缘网络状态感知建模方法，包括以下步骤：
[0006]边缘物联网络中抓取的边缘网络通信双向流量数据包作为训练数据集、验证数据集和测试数据集；
[0007]根据所采集到的数据规模特征和期望检测的结果确定CNN网络结构参数；
[0008]利用训练数据集和验证数据集对CNN网络结构参数组成进行调节，其中，所述调节包括调整卷积层数量以及卷积核个数，调整池化层数量，调整全连接层和输出层的连接参
数以确定输出种类的数量，得到调优后的表征学习模型。
[0009]边缘物联网络中抓取的边缘网络通信双向流量数据包，包括：利用libpcap采集工业边缘网络中的流量数据包，将网络正常运行状况下的边缘网络通信流量数据包作为数据集的标准部分，其状态为Normal，其中数据集的标准部分包括正常工作状态以及各协议的功能命令状态；
[0010]采集工作中途注入攻击模块并记录时间节点，以此节点为始采集攻击状态工作模式下的边缘网络通信流量数据包作为数据集的攻击部分，其状态包括Dos、Probe、R2L、U2R中的至少一种，用于表示攻击手段。
[0011]在边缘物联网络中抓取的边缘网络通信双向流量数据包作为训练数据集、验证数据集和测试数据集之后，还包括：
[0012]将一份流量数据包按照设定规格切分为若干份流量数据包，其中切割前后数据包格式不变；
[0013]将切割后的每个流量数据包进行数据包清理；
[0014]将清理过的每个数据包按照设定的长度处理，统一长度后的文件按照二进制形式转换为灰度图片；
[0015]利用python代码将所有灰度图片打包并转换为CNN标准输入格式为IDX的压缩文件。
[0016]根据所采集到的数据规模特征和期望检测的结果确定CNN网络结构参数，包括：
[0017]根据数据预处理中所生成图片的规格，确定CNN卷积层、池化层数量及卷积核的大小、个数，根据欲得到的分类结果确定全连接层、输出层数量，根据数据训练需求添加其他附加条件层。
[0018]所述卷积层的计算公式为：
[0019][0020]其中，M
j
代表输入层的感受野，i、j分别表示输入图对应卷积核大小区域、卷积层总层数；表示共j层中第l层的输出图；表示上一层输入图,表示共j层中第l层输出图的偏移量；表示第l层输入图对应的卷积核大小区域；f()代表对括号内自变量的运算表达式；
[0021]卷积层中，输入上一层的FeatureMap之后，每个卷积核以设定的步长在FeatureMap上进行滑动，每滑动一次进行一次卷积运算，得到一个FeatureMap，提取用于表示当前图层的像素信息及统计信息；
[0022]其中，卷积层个数为2，每个卷积层的卷积核大小均为5*5。
[0023]所述池化层的计算公式为：
[0024][0025]其中down(
·
)是池化函数，表示共j层中第l层的输出图，表示共j层中第l
‑
1层(上一层)的输出图，表示共j层中第l层输出图的偏移量；表示共j层中第l层的
步长；f()代表对括号内自变量的运算表达式；
[0026]池化层，采用均值采样、最大值采样、重叠采样中的一种；在输入的FeatureMap上每个n*n的区域内选出最大值，若每两个n*n的区域不产生重叠，经过池化层后FeatureMap将变成原来的1/n，但FeatureMap数量不变，n表示特征图的边缘长度。
[0027]所述全连接层、输出层、其他附加层包括：
[0028]全连接层设置在最后一个池化层之后，其每个神经元将和上一层的全部神经元连接；全连接层数量为2，第一个全连接层将输出的数据尺寸转换为1024，第二个全连接层将数据尺寸转换为2；
[0029]在输出层使用softmax函数输出各类数据的概率值；
[0030]使用非线性不饱和激活函数Relu作为附加层，其数学公式为
[0031]f(x)＝max(0,x)
[0032]其中，x表示上一层神经网络的输入值，f(x)表示输出值，输出值取自与0之间的最大值。
[0033]利用训练数据集和验证数据集对CNN网络结构组成进行调节，调整卷积层数量以及卷积核个数，调整池化层数量，调整全连接层和输出层的连接参数以确定输出种类的数量，包括：
[0034]将处理好的格式为IDX的训练数据集传入已建立的表征学习模型进行模型训练，将验证数据集传入训练完成的模型进行参数调整；经过反复调整卷积层数量m以及层中固有参数卷积核数量y以确定可提取的z个FeatureMap，确定最优池化层数量和选择的图下采样方法，FeatureMap经过池化后使特征维数降低本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于表征学习的边缘网络状态感知建模方法，其特征在于，包括以下步骤：边缘物联网络中抓取的边缘网络通信双向流量数据包作为训练数据集、验证数据集和测试数据集；根据所采集到的数据规模特征和期望检测的结果确定CNN网络结构参数；利用训练数据集和验证数据集对CNN网络结构参数组成进行调节，其中，所述调节包括调整卷积层数量以及卷积核个数，调整池化层数量，调整全连接层和输出层的连接参数以确定输出种类的数量，得到调优后的表征学习模型。2.根据权利要求1所述的基于表征学习的边缘网络状态感知建模方法，其特征在于，边缘物联网络中抓取的边缘网络通信双向流量数据包，包括：利用libpcap采集工业边缘网络中的流量数据包，将网络正常运行状况下的边缘网络通信流量数据包作为数据集的标准部分，其状态为Normal，其中数据集的标准部分包括正常工作状态以及各协议的功能命令状态；采集工作中途注入攻击模块并记录时间节点，以此节点为始采集攻击状态工作模式下的边缘网络通信流量数据包作为数据集的攻击部分，其状态包括Dos、Probe、R2L、U2R中的至少一种，用于表示攻击手段。3.根据权利要求1所述的基于表征学习的边缘网络状态感知建模方法，其特征在于，在边缘物联网络中抓取的边缘网络通信双向流量数据包作为训练数据集、验证数据集和测试数据集之后，还包括：将一份流量数据包按照设定规格切分为若干份流量数据包，其中切割前后数据包格式不变；将切割后的每个流量数据包进行数据包清理；将清理过的每个数据包按照设定的长度处理，统一长度后的文件按照二进制形式转换为灰度图片；利用python代码将所有灰度图片打包并转换为CNN标准输入格式为IDX的压缩文件。4.根据权利要求1所述的基于表征学习的边缘网络状态感知建模方法，其特征在于，根据所采集到的数据规模特征和期望检测的结果确定CNN网络结构参数，包括：根据数据预处理中所生成图片的规格，确定CNN卷积层、池化层数量及卷积核的大小、个数，根据欲得到的分类结果确定全连接层、输出层数量，根据数据训练需求添加其他附加条件层。5.根据权利要求4所述的基于表征学习的边缘网络状态感知建模方法，其特征在于，所述卷积层的计算公式为：其中，M
j
代表输入层的感受野，i、j分别表示输入图对应卷积核大小区域、卷积层总层数；表示共j层中第l层的输出图；表示上一层输入图,表示共j层中第l层输出图的偏移量；表示第l层输入图对应的卷积核大小区域；f()代表对括号内自变量的运算表达式；
卷积层中，输入上一层的FeatureMap之后，每个卷积核以设定的步长在FeatureMap上进行滑动，每滑动一次进行一次卷积运算，得到一个FeatureMap，提取用于表示当前图层的像素信息及统计信息；其中，卷积层个数为2，每个卷积层的卷积核大小均为5*5。6.根据权利要求4所述的基于表征学习的边缘网络状态感知建模方法，其特征在于，所述池化层的计算公式为：其中down(
·
)是池化函数，表示共j层中第l层的输出图，表示共j层中第l
‑
1层(上...

【专利技术属性】
技术研发人员：赵剑明，刘琦，刘贤达，王天宇，张明轩，张博文，王传君，
申请(专利权)人：国网江苏省电力有限公司信息通信分公司，
类型：发明
国别省市：