一种基于机器学习的物联网安全管理系统技术方案

本发明专利技术公开了一种基于机器学习的物联网安全管理系统，包括产生用于数据信号的导频和数据信息中的一或多者，其中所述导频和数据信息中的一或多个元素各自对应于时间频率频谱中的特定时间和特定频率；利用模糊神经网络获得被控制对象的延迟时间，用PID作为控制器对得到对象的输出序号，作为训练通用学习网络的示教信号，以对输入的滞后的关系分析，以对延迟的对象得到修正。该发明专利技术提供的基于机器学习的物联网安全管理系统，当对象的延迟时间发生变化时，通用学习网络预估控制系统能及时补偿变化所带来的影响，保持控制稳定性，得到较好的控制效果。的控制效果。

【技术实现步骤摘要】
一种基于机器学习的物联网安全管理系统


[0001]本专利技术涉及网络安全
，具体涉及一种基于机器学习的物联网安全管理系统。

技术介绍

[0002]基于有督导机器学习的网络流量分类识别方法种类繁多。其中最小二乘支持向量机法因其具有较好的鲁棒性和实用性能，得了比较广泛的应用。最小二乘支持向量机法综合了神经网络和支持向量机两种算法的优点，摒弃了支持向量机训练过程复杂、效率低以及神经网络需要大数据样本的缺点。因此最小二乘支持向量机法不仅具有较快的训练速度，而且具有较强的泛化能力。
[0003]公开(公告)号：CN113904797A，公开(公告)日：2022
‑
01
‑
07，公开的一种基于机器学习的物联网安全和管理系统，属于物联网安全和管理系统
，包括IoT设备、IoT上下文事件聚合系统ITF、IoT事件行为分组标签系统、IoT事件行为决策系统和安全管理系统ITC，IoT上下文事件聚合系统 ITF从发送至IoT设备和IoT设备发出的数据报文中生成事件元数据，确定操作中的IoT设备的上下文，以聚集运行中的IoT设备的事件。采用机器学习技术对物联网上下文行为进行处理，对设备进行识别和分组，有效地对物联网设备进行管理；并实时检测物联网设备的不良行为，增强了物联网设备的安全管理。
[0004]已有的动态网络中往往不包含延迟时间，或延迟时间不能任意设置，因此对于大滞后动态系统，现有的神经网络存在局限性。非线性时滞系统中，于时滞的存在，当前施加的控制信号需要经过较长时间才能在输出中反映出来，使控制难度大大增加。因此，精确预测系统一定延迟时间后的输出，并以此决定当前的控制信号，对大滞后系统的控制有非常重要的意义。

技术实现思路

[0005]本专利技术的目的是提供一种基于机器学习的物联网安全管理系统，用于解决上述问题。
[0006]为了实现上述目的，本专利技术提供如下技术方案：一种基于机器学习的物联网安全管理系统，包括产生用于数据信号的导频和数据信息中的一或多者，其中所述导频和数据信息中的一或多个元素各自对应于时间频率频谱中的特定时间和特定频率；
[0007]利用模糊神经网络获得被控制对象的延迟时间，用PID作为控制器对得到对象的输出序号，作为训练通用学习网络的示教信号，以对输入的滞后的关系分析，以对延迟的对象得到修正。
[0008]作为优选的，所述时间频率频谱中存在大量的干扰声音以及野值样板，以影响做小支持的向量算法。
[0009]作为优选的，还包括用于对所述时间频率频谱中频率进行修正的量子粒子群算法，其中：
[0010]设粒子群中有[N]个粒子，其中：第[i]个粒子的位置[xi＝xi1，xi2，..，xiD；] 第[i]个粒子的速度[vi＝vi1，vi2，..，viD；]第[i]个粒子的历史最优位置[pi＝pi1， pi2，..，piD；]整个粒子群体的历史最优位置，将整个种群分解成多个子群，整个种群使用的是对一个种群进行搜索的策略，而将整个种群分解成多个子群后，能够成功削弱种群的频率中含在的其他频率进行过滤。
[0011]作为优选的，所述PID作为控制器，其控制偏差为位置指定型号与输出的信号之差：e(t)＝r(t)
‑
y(t)，则控制器的3个输入分别为：
[0012]X
e1
＝e(t)；
[0013]X
e2
＝e(t)
‑
e(t
‑
1)；
[0014][0015]即为比例、微分、积分信号，控制器的输出为：
[0016]u(t)＝w
p
x
e1
+w
d
x
e2
+w
i
x
e3
。
[0017]作为优选的，所述w
p
、w
d
、w
i
为相应权系数。
[0018]作为优选的，所述利用模糊神经网络获得被控制对象的延迟时间的方法包括以下步骤：
[0019]1)、对网络流量数据进行采集，对数据进行处理后，得到网络流量特征向量。
[0020]2)、随机得到[N]个粒子的位置[Xi，]对各个粒子的适应值[fXi]进行计算。
[0021]3)、将粒子群分成[s]个子群，计算每一个子群适应值的最优粒子序号： [k＝argminl≤i≤NsfXsi]，那么各个子群的最优解为：[pgs＝Xsk；][k＝argmin1 ≤i≤sfpgi，][pgpop＝pgk，]由基因比率[Rgene]选出子群中适应值最优的粒子来组建种群基因库。
[0022]4)、对收缩扩张系数[βt、]子群的[βti1≤i≤s]以及[1c]进行计算，[qi] 取决于[1c]与[lrand]关系；
[0023]5)、对粒子的适应值、子群的[pi、]子群的[pg]以及种群最优解[pgpop] 进行更新。
[0024]6)、当到达进化的周期后，依据[Rdead]淘汰子群中劣质粒子，更新种群的基因库。
[0025]作为优选的，重复步骤4到步骤6，直到迭代完成；求解[pgpop，]得到网络流量识别的最优特征子集，并基于所述最优特征子集得到的网络流量识别的最优特征子集建立所述控制对象的模型。
[0026]在上述技术方案中，本专利技术提供的一种基于机器学习的物联网安全管理系统，具备以下有益效果：具有较好的抗扰能力，当对象的延迟时间发生变化时，通用学习网络预估控制系统能及时补偿变化所带来的影响，保持控制稳定性，得到较好的控制效果。
具体实施方式
[0027]为了使本领域的技术人员更好地理解本专利技术的技术方案，下面将对本专利技术作进一步的详细介绍。
[0028]一种基于机器学习的物联网安全管理系统，包括产生用于数据信号的导频和数据信息中的一或多者，其中导频和数据信息中的一或多个元素各自对应于时间频率频谱中的
特定时间和特定频率；
[0029]利用模糊神经网络获得被控制对象的延迟时间，用PID作为控制器对得到对象的输出序号，作为训练通用学习网络的示教信号，以对输入的滞后的关系分析，以对延迟的对象得到修正。
[0030]具体的，上述实施例中，时间频率频谱中存在大量的干扰声音以及野值样板，以影响做小支持的向量算法。
[0031]式中:[1cmax]和[1cmin]是学习参数的最大和最小值；是不小于0的常数。协同量子粒子群算法(简称CQPS0)，就是使用上面描述的协同搜索策略的 QPS0算法。
[0032]再者，包括用于对时间频率频谱中频率进行修正的量子粒子群算法，其中：
[0033]设粒子群中有[N]个粒子，其中：第[i]个粒子的位置[xi＝xi1，xi2，..，xiD；] 第[i]个粒子的速度[vi＝vi1，vi2，..，viD；]第[i]个粒子的历史最优位置[pi＝pi1， pi2，..，piD；]整个粒子群体的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的物联网安全管理系统，其特征在于，包括产生用于数据信号的导频和数据信息中的一或多者，其中所述导频和数据信息中的一或多个元素各自对应于时间频率频谱中的特定时间和特定频率；利用模糊神经网络获得被控制对象的延迟时间，用PID作为控制器对得到对象的输出序号，作为训练通用学习网络的示教信号，以对输入的滞后的关系分析，以对延迟的对象得到修正。2.根据权利要求1所述的一种基于机器学习的物联网安全管理系统，其特征在于，所述时间频率频谱中存在大量的干扰声音以及野值样板，以影响做小支持的向量算法。3.根据权利要求1所述的一种基于机器学习的物联网安全管理系统，其特征在于，还包括用于对所述时间频率频谱中频率进行修正的量子粒子群算法，其中：设粒子群中有[N]个粒子，其中：第[i]个粒子的位置[xi＝xi1，xi2，..，xiD；]第[i]个粒子的速度[vi＝vi1，vi2，..，viD；]第[i]个粒子的历史最优位置[pi＝pi1，pi2，..，piD；]整个粒子群体的历史最优位置，将整个种群分解成多个子群，整个种群使用的是对一个种群进行搜索的策略，而将整个种群分解成多个子群后，能够成功削弱种群的频率中含在的其他频率进行过滤。4.根据权利要求1所述的一种基于机器学习的物联网安全管理系统，其特征在于，所述PID作为控制器，其控制偏差为位置指定型号与输出的信号之差：e(t)＝r(t)
‑
y(t)，则控制器的3个输入分别为：X
e1
＝e(t)；X
e2
＝e(t)
‑
e(t
‑
1)；即为比例、微分、积分信号，控制器的输出为：u(t)＝w
p
...

【专利技术属性】
技术研发人员：郭蔡炜，蔡宇翔，蒋鑫，肖琦敏，纪文，吴树霖，
申请(专利权)人：国网福建省电力有限公司信息通信分公司，
类型：发明
国别省市：