【技术实现步骤摘要】
本专利技术属于5g网络中的隐私保护，尤其是一种基于动态权重联邦学习的5g网络流量监测方法。
技术介绍
1、随着5g技术的迅速发展，5g网络中的用户数量迅速增加，但这也使得网络更容易受到安全和隐私攻击。为了准确检测这些攻击，人们设计了基于机器学习的先进解决方案。目前，主要采用集中式训练的机器学习方法，要求移动设备将数据发送至中心服务器进行训练。然而，由于频谱资源稀缺和数据隐私性的考量，直接传输数据至中心服务器会带来较大的传输时延和隐私泄露问题。为了应对这一困境，现有技术提出了一种名为联邦学习的分布式机器学习方法，该方法以其高效学习和强大的隐私保护能力受到广泛关注。然而，在跨设备联邦学习的背景下，参与模型训练的个体可能存在缺乏热情或提交恶意参数的情况，这些行为可能破坏全局模型的完整性，影响全局模型训练过程。因此，如何设计一个高性能的安全检测模型的训练方案，以有效提升5g网络的安全性是目前亟需解决的问题。
技术实现思路
1、专利技术目的：提供一种基于动态权重联邦学习的5g网络流量监测方法，该方法旨在约束联邦学习中的恶意参与者行为，加强全局模型的保护措施。同时，通过该方法最终获得的训练结果可用于5g网络流量的精准监测，从而有效保护用户隐私。
2、技术方案：
3、一种基于动态权重联邦学习的5g网络流量监测方法，包括构建联邦学习系统，所述联邦学习系统包括中央服务器和若干个移动用户，还包括如下步骤：
4、s1：中央服务器本地训练基于滑动窗口机制的transfo
5、s2：中央服务器下发基于自动编码器的全局模型，移动用户在本地进行模型训练，获得良性流量样本集；
6、s3：中央服务器收集移动用户训练的本地模型，对移动用户上传模型进行横向评估和纵向评估，综合横向评估和纵向评估得分生成移动用户模型的综合模型置信度得分，获得评估结果；
7、s4：根据s3中的评估结果，中央服务器调整各移动用户的聚合权重对用移动用户的本地模型进行聚合重构，得到新一轮的全局模型；
8、s5：重复s2-s4，完成联邦学习训练全过程，生成基于自动编码器的联邦学习模型，若输入联邦学习模型的网络流量样本在进行s4的聚合重构后，与输入流量的差值大于预设阈值，则认为该网络流量样本无法被聚合重构，该网络流量样本被判定为恶意网络流量。
9、在进一步的实施例中，所述5g网络流量监测模型为在所述s5中基于自动编码器的联邦学习模型，该模型的构造包括如下：
10、s5-1：模型的训练数据集：利用数据包标头中的五个属性的组合，包括源ip地址、目的ip地址、源端口号、目的端口号以及协议来识别5g流量，对于提取的每个流，根据给定的时间窗口计算一组特征；
11、s5-2：良性网络流量模式建模：使用自动编码器模型作为流量监测模型，自动编码器架构中有两个主要部分：编码器和解码器；
12、编码器将输入向量(xj∈rd)的维度减少为形成隐藏层的神经元数量，隐藏层中神经元i的激活函数为：
13、
14、其中，θ是参数w是维度为m×d的编码器权重矩阵，b是m维的偏置向量，因此，输入向量被编码为具有较少维度的向量，解码器通过与编码器相同的变换将低维隐藏表示hi映射到原始输入空间rd，映射的函数如下：
15、
16、其中，解码器的参数集为
17、s5-3：模型训练目标：自动编码器的目标是最小化相对于θ和θ'的重建误差，即模型的损失函数为：
18、
19、其中，ε(xj,x′j)为样本xj与其预测值x′j之间的差值，因此，在训练过程中使用良性流量样本集来训练自动编码器模型。
20、在进一步的实施例中，在所述s5-1中，一组特征包括流特征与网络特征两部分，流特征主要包括数据包标头特征，以及根据流中数据包的聚合网络和传输层标头信息计算出的统计数据，网络特征涉及时间、数据包、字节和标志组，每个网络流完成所述一组特征提取后，得到的样本参数向量(xj∈rd)用于进一步的分析和处理。
21、在进一步的实施例中，在所述s1中基于滑动窗口机制的transformer时间预测模型的训练具体过程如下：
22、s1-1：中央服务器利用本地的良性流量样本集训练基于自动编码器的联邦学习模型，得到每轮的模型参数集合，表示为
23、s1-2：将每轮的模型参数用作transformer时间预测模型的训练样本，对transformer时间预测模型进行训练。
24、在进一步的实施例中，在所述s1-2中，transformer时间预测模型进行训练实现了一个大小为e、步长为1的滑动窗口；
25、训练开始时，初始向量被用作transformer时间预测模型的输入，模型的输出记为为了增强所用模型预测模型参数的准确性，transformer时间预测模型使用第(e+1)个向量与预测向量的差值来计算损失，以对模型进行迭代训练；
26、随后，窗口被移动，利用向量作为输入并使用计算损失以启动另一次训练迭代。
27、在进一步的实施例中，所述s2包括对各移动用户的网络流进行特征提取，生成良性流量样本集，利用所得样本集在基于自动编码器的联邦学习模型进行本地训练，且具体步骤如下：
28、s2-1：中央服务器将本轮全局模型wt下发至每个用户；
29、s2-2：每个用户用本地的良性流量样本训练该全局模型，并生成本地模型；
30、s2-3：各用户完成本地训练后，将更新后的本地模型上传至中央服务器。
31、在进一步的实施例中，在所述s3中，所述综合评估具体包括如下步骤：
32、s3-1：横向评估：通过比较移动用户上传模型与其他多个移动用户上传模型之间的相似度对该移动用户上传模型进行横向评估，在第t轮全局训练的过程中，对于移动用户m提交的本地模型，中央服务器计算该本体模型与同一轮中随机选择的r个移动用户的本地模型之间的模型相似度，移动用户m与移动用户r之间的模型相似度即为：
33、
34、其中，为移动用户m在第t轮训练过程中的本地模型参数；
35、对生成的r个相似度值进行平均，以生成当前轮中移动用户m的横向模型相似度得分，即为：
36、
37、s3-2：纵向评估：利用transformer模型对该移动用户上传模型进行纵向评估，对于移动用户m上传的本地模型，中心服务器将其与本轮transformer时间预测模型的模型进行对比，生成纵向模型相似度得分，记作：
38、
39、其中，是transformer时间预测模型预测出的本轮应生成的训练模型参数；
40、s3-3：中央服务器通过加权平均将横向评估和纵向评估的结果进行结合，得出本轮各参与者的综合模型置信度得分，即：
41、
42、其本文档来自技高网...
【技术保护点】
1.一种基于动态权重联邦学习的5G网络流量监测方法，包括构建联邦学习系统，所述联邦学习系统包括中央服务器和若干个移动用户，其特征在于：还包括如下步骤：
2.根据权利要求1所述的一种基于动态权重联邦学习的5G网络流量监测方法，其特征在于：所述5G网络流量监测模型为在所述S5中基于自动编码器的联邦学习模型，该模型的构造包括如下：
3.根据权利要求2所述的一种基于动态权重联邦学习的5G网络流量监测方法，其特征在于：在所述S5-1中，一组特征包括流特征与网络特征两部分，流特征主要包括数据包标头特征，以及根据流中数据包的聚合网络和传输层标头信息计算出的统计数据，网络特征涉及时间、数据包、字节和标志组，每个网络流完成所述一组特征提取后，得到的样本参数向量(xj∈Rd)用于进一步的分析和处理。
4.根据权利要求1所述的一种基于动态权重联邦学习的5G网络流量监测方法，其特征在于：在所述S1中基于滑动窗口机制的Transformer时间预测模型的训练具体过程如下：
5.根据权利要求4所述的一种基于动态权重联邦学习的5G网络流量监测方法，其特征在于：在
6.根据权利要求1所述的一种基于动态权重联邦学习的5G网络流量监测方法，其特征在于：所述S2包括对各移动用户的网络流进行特征提取，生成良性流量样本集，利用所得样本集在基于自动编码器的联邦学习模型进行本地训练，且具体步骤如下：
7.根据权利要求1所述的一种基于动态权重联邦学习的5G网络流量监测方法，其特征在于：在所述S3中，所述综合评估具体包括如下步骤：
8.根据权利要求1所述的一种基于动态权重联邦学习的5G网络流量监测方法，其特征在于：所述S4具体包括选择移动用户模型的综合模型置信度得分高于预设阈值的模型参与聚合过程，并将参与模型对应的综合模型置信度得分进行归一化，作为各移动用户模型的聚合权重对移动用户的本地模型进行聚合，得到新一轮的全局模型，且具体步骤如下：
...【技术特征摘要】
1.一种基于动态权重联邦学习的5g网络流量监测方法，包括构建联邦学习系统，所述联邦学习系统包括中央服务器和若干个移动用户，其特征在于：还包括如下步骤：
2.根据权利要求1所述的一种基于动态权重联邦学习的5g网络流量监测方法，其特征在于：所述5g网络流量监测模型为在所述s5中基于自动编码器的联邦学习模型，该模型的构造包括如下：
3.根据权利要求2所述的一种基于动态权重联邦学习的5g网络流量监测方法，其特征在于：在所述s5-1中，一组特征包括流特征与网络特征两部分，流特征主要包括数据包标头特征，以及根据流中数据包的聚合网络和传输层标头信息计算出的统计数据，网络特征涉及时间、数据包、字节和标志组，每个网络流完成所述一组特征提取后，得到的样本参数向量(xj∈rd)用于进一步的分析和处理。
4.根据权利要求1所述的一种基于动态权重联邦学习的5g网络流量监测方法，其特征在于：在所述s1中基于滑动窗口机制的transformer时间预测模型的训练具体过程如下：
【专利技术属性】
技术研发人员：王泽一，赵连飞，陈国晖，魏宏亮，张鉴楠，高芙楠，李生珠，胡阳，张明，付江豪，陆涛，
申请(专利权)人：国网吉林省电力有限公司长春供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。