CN112468498B - 配电终端多源异构安全监测数据的跨模态聚合方法 - Google Patents

配电终端多源异构安全监测数据的跨模态聚合方法 Download PDF

Info

Publication number
CN112468498B
CN112468498B CN202011351642.8A CN202011351642A CN112468498B CN 112468498 B CN112468498 B CN 112468498B CN 202011351642 A CN202011351642 A CN 202011351642A CN 112468498 B CN112468498 B CN 112468498B
Authority
CN
China
Prior art keywords
data
source
domain
safety monitoring
monitoring data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011351642.8A
Other languages
English (en)
Other versions
CN112468498A (zh
Inventor
王昕平
官国飞
张腾飞
李春鹏
蔡子贇
蒋峰
宋庆武
栾奇麒
于洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Jiangsu Fangtian Power Technology Co Ltd
Original Assignee
Nanjing University of Posts and Telecommunications
Jiangsu Fangtian Power Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications, Jiangsu Fangtian Power Technology Co Ltd filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202011351642.8A priority Critical patent/CN112468498B/zh
Publication of CN112468498A publication Critical patent/CN112468498A/zh
Application granted granted Critical
Publication of CN112468498B publication Critical patent/CN112468498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1425—Traffic logging, e.g. anomaly detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1416—Event detection, e.g. attack signature detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种配电终端多源异构安全监测数据的跨模态聚合方法，通过分解和子空间学习，对原始数据中的安全告警数据和网络日志数据，探索模态不变的子空间，并获得强健的视图不变的子空间；对多源异构数据进行跨模态聚合；解决源域和目标域之间的欠适配和不平等的问题。该方法具有对参数的选择不敏感、可收敛且识别准确率高的优点，本发明方法揭示了海量多源数据隐藏的逻辑关联，能够发现攻击者的真正意图，从而对网络攻击进行预防和响应，实现对整个网络安全态势的有效监控。

Description

配电终端多源异构安全监测数据的跨模态聚合方法
技术领域
本发明涉及一种配电终端多源异构安全监测数据的跨模态聚合方法，属于配电终端的数据监测领域。
背景技术
为了规避网络数据安全问题，国家电网环境中部署了防火墙、入侵检测系统和防病毒软件检测系统等一系列的安全设备，为检测网络环境中出现的攻击和威胁提供了全方位的检测能力，并对多源数据进行聚合，主要有基于感知语义的窄带物联网多源异构数据聚合方法、核典型关联分析方法和最大均值差异算法等等。
安全设备的简单堆积并没有彻底解决复杂的网络环境中出现的各种各样的问题，甚至大量的冗余告警信息反而扰乱了管理员对系统中发生的重要攻击的及时应对，传统的安全数据聚合方法无法解决源域和目标域之间的欠适配和不平等、对参数的选择敏感、收敛度不高、聚合精度不够准确等问题，更重要的是传统的跨模态安全数据聚合理论方法很难在真实世界的场景中使用。
传统的安全数据理论方法主要用于解决单模态源域(只包含单一数据)和单模态目标域(只包含单一数据)的情况，在此基础上，一些多模态源域(包含多种辅助数据，例如，电力系统的频率、节点电压水平、主变和线路负载率)的安全数据聚合理论方法被提出，然而由于在真实世界的场景中，源域中的物体类别总是要大于目标域中的物体类别，使得传统的跨模态安全数据聚合理论方法很难在真实世界的场景中使用，且存在源域和目标域之间的欠适配和不平等、对参数的选择敏感、收敛度不高、聚合精度不够准确等问题。
针对上面问题，从海量安全数据中分析、明确发生的攻击与威胁，应当对这些安全数据进行有效管理和分析。尤其是，如何对多源数据进行聚合，来减少冗余信息、挖掘各个设备之间信息的联系，解决源域和目标域之间的欠适配和不平等问题，解决对参数的选择敏感、收敛度不高、聚合精度不够准确等问题在配电终端多源异构安全监测数据的跨模态聚合方法的设计与使用过程中应当予以考虑并解决的问题。
发明内容
本发明的目的是提供一种配电终端多源异构安全监测数据的跨模态聚合方法，解决现有技术中存在的如何解决源域和目标域之间的欠适配和不平等、对参数的选择敏感、收敛度不高、聚合精度不够准确等问题。
本发明的技术解决方案是：
一种配电终端多源异构安全监测数据的跨模态聚合方法，包括以下步骤，
S1、通过分解和子空间学习，对原始数据中的安全告警数据和网络日志数据，探索模态不变的子空间，并获得强健的视图不变的子空间，通过共同学习把各类型安全监测数据连接到一个模型，得到变换的源域snew1和目标域snew2；
S2、对多源异构数据进行跨模态聚合，具体为：使用得到源域snew1和目标域snew2利用非负矩阵分解探索各类型安全监测数据之间的共享成分，然后通过奇异值分解得到奇异矩阵，同时利用概率分布的方法保护安全监测数据的重要结构，使用杰森-香农散度缩小源域snew1和目标域snew2之间的概率分布；
S3、在进行跨模态聚合的同时，解决源域和目标域之间的欠适配和不平等的问题，具体为：针对欠适配的问题，在共享的潜在子空间和映射所得到目标域之间同时匹配特征值和调整样本权重，在再生核希尔伯特空间对变换的源域snew1和目标域snew2进行特征匹配；针对不平等的问题，采用具有更强鲁棒性的条件分布的估计，利用类先验估计构建权重矩阵；最终获得目标函数，实现配电终端多源异构安全监测数据的跨模态聚合。
进一步地，步骤S1中，在获取原始数据、子空间变换和共同学习阶段，为多源异构数据探索不随模态变化的子空间，直接应用多源异构数据的融合所得到的子空间，往往无法突出条件分布和边缘分布的重要性，使得目标域中的样本被错误地估计；同时对多源异构数据进行融合并自适应分布嵌入是获得强健的视图不变的子空间的保证，通过共同学习把各类型安全监测数据连接到一个模型，得到变换的源域snew1和目标域snew2。
进一步地，步骤S1中，获得强健的视图不变的子空间，具体为，
S11、获取原始数据作为源域s，s＝{s1,s2,…,sn}，源域s中包含安全告警数据s1和网络日志数据s2，源域s中带有标签的集合表示为Ys，标签集合Yt的未知网络为目标域t；
S12、通过子空间变换，寻找视图不变强健的子空间，并通过共同学习获得转换过的源域snew1和转换过的目标域snew2。
进一步地，步骤S2中，对多源异构数据进行跨模态聚合，具体为，
S21、利用非负矩阵分解探索各种类型安全监测数据之间共享的成分，目标函数为：
Figure BDA0002799492220000031
式中，U为基矩阵，X为系数共享矩阵，si为源域s中的一种，Ui为si对应的基矩阵，λi为平衡各种类型数据重要性的参数；
S22、利用概率分布发现数据空间本质上具有辨别能力的结构，尽可能多地保护安全监测数据的重要结构，通过Jensen-Shannon(杰森-香农)散度缩小各种安全监测数据的概率分布：
Figure BDA0002799492220000032
式中，
Figure BDA0002799492220000033
Figure BDA0002799492220000034
分别为{s1,s2,…,sn}的概率分布，KL(·||·)为用来估计联合概率分布的KL(库尔贝克-莱布勒)散度；
S23、通过正交投影迁移深度数据信息的知识到目标数据库去对齐共享的潜在特征空间和目标域中的数据：
Figure BDA0002799492220000035
式中，Π为目标域的正定投影；
获得最优解，即当前目标函数所能得到的最优的值，获得正定投影Π后，目标域t被投影到隐空间：snew2＝Πt；奇异值分解被用于分解矩阵：sTX＝QφST，其中，
Figure BDA0002799492220000036
Figure BDA0002799492220000037
分别为{s1,s2,…,sn}的概率分布，s为源域，S为右奇异矩阵，φ为奇异值矩阵。然后计算Π＝SΛQT，其中，Λ为连接矩阵Λ＝[I,0]∈R，0为全零矩阵；最终，来自相同类别的数据点距离更近，而在相同模态中的不同类别的数据点距离更远。
进一步地，步骤S3中，解决转换过的源域snew1和转换过的目标域snew2之间的欠适配和不平等问题并获得目标函数，具体为，
S31、在自适应分布嵌入阶段，为了特征匹配，在再生核希尔伯特空间中缩小非参数的最大均值差异：
Figure BDA0002799492220000041
式中，Ns和Nt分别是snew和snew2中样本的个数，
Figure BDA0002799492220000042
Figure BDA0002799492220000043
H表示希尔伯特空间；
为了调整样本权重，算法进一步对共享的潜在空间样本缩小结构稀疏2,1范数，在共享的潜在空间和映射所得到目标域之间同时匹配特征值和调整样本权重，从而得到一个自适应的分类器；在自适应分布嵌入阶段缩小结构稀疏2,1范数，使得到的分类器具有更强鲁棒性；
S32、采用具有更强鲁棒性的条件分布的估计，解决不平等的问题：
Figure BDA0002799492220000044
式中，snew1和snew2的类先验用来估计
Figure BDA0002799492220000045
和
Figure BDA0002799492220000046
对条件分布的散度需要估计边缘分布
Figure BDA0002799492220000047
和
Figure BDA0002799492220000048
最后对每一个类构建出所需要的权重矩阵；在S31自适应分布嵌入阶段的基础上，进一步的解决了源域类别和目标域类别不平等的问题，最终实现配电终端多源异构安全监测数据的跨模态聚合方法；
结合公式(1)到公式(5)，得到最终的目标函数：
Figure BDA0002799492220000049
式中，η为控制新表达的平滑度；
通过配电终端多源异构安全监测数据的跨模态聚合方法，选用不需要调整交叉验证参数的最近邻分类器为基础分类器，分类器将通过整合多源异构安全监测数据，对是否产生网络威胁做出判断。
本发明的有益效果是：
一、该种配电终端多源异构安全监测数据的跨模态聚合方法，针对当前海量安全数据监测的需求，对海量数据进行综合分析和处理，提出一种基于跨模态的多源异构安全监测数据聚合方法，解决了源域和目标域之间的欠适配和不平等问题，使得对参数的选择敏感度降低，而收敛度更高聚合精度更加准确，本发明方法能够建立在更加真实的场景上，揭示海量数据隐藏的逻辑关联，发现攻击者的真正意图，从而对网络攻击进行预防和响应，实现对整个网络安全态势的有效监控。
二、该种配电终端多源异构安全监测数据的跨模态聚合方法，首先通过在自适应分布嵌入阶段多源异构数据的跨模态，解决源域和目标域之间的欠适配和不平等问题，对目标域的数据是否产生网络威胁，与现有的经典分类方法相比，能够做出更准确的判断。
三、本发明方法，通过构建各类型安全监测数据域的自适应方法来对网络威胁做出更加全面的描述，有利于并进一步挖掘出潜在的未知网络威胁。
四、该种配电终端多源异构安全监测数据的跨模态聚合方法，针对配电终端安全监测数据具有多源、高度异构的特征，以及配电物联网管理平台安全信息受网络攻击与威胁安全数据聚合的需求，提出的跨模态聚合方法，具有对参数的选择不敏感、可收敛且识别准确率高的优点，本发明方法揭示了海量多源数据隐藏的逻辑关联，能够发现攻击者的真正意图，从而对网络攻击进行预防和响应，实现对整个网络安全态势的有效监控。
附图说明
图1是实施例配电终端多源异构安全监测数据的跨模态聚合方法的流程示意图；
图2是实施例配电终端多源异构安全监测数据的跨模态聚合方法的说明示意图；
图3是实施例中安全数据在不同类别与模态下的距离的说明示意图；
图4是实施例配电终端多源异构安全监测数据的跨模态聚合方法在不同特征值下参数敏感度的说明示意图；
图5是实施例配电终端多源异构安全监测数据的跨模态聚合方法在不同特征值下收敛情况的说明示意图；
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
一种配电终端多源异构安全监测数据的跨模态聚合方法，如图1和图2，
包括以下步骤，
S1、通过分解和子空间学习对原始数据中的安全告警数据和网络日志数据探索模态不变的子空间，如图1。在多源异构数据的融合阶段，为多源异构数据探索不随模态变化的子空间；此步骤获得了强健的视图不变的子空间，并通过共同学习获得变换的源域snew1和目标域snew2，为步骤2多源数据的跨模态提供了基础。
步骤S1中，获得强健的视图不变的子空间，具体为，
S11、获取原始数据作为源域s，s＝{s1,s2,…,sn}，源域s中包含安全告警数据s1和网络日志数据s2，源域s中带有标签的集合表示为Ys，标签集合Yt的未知网络为目标域t；
S12、通过寻找视图不变的子空间，获得转换过的源域snew1和转换过的目标域snew2；
步骤S2中，对多源异构数据进行跨模态聚合，具体为：使用得到源域snew1和目标域snew2利用非负矩阵分解探索各类型安全监测数据之间的共享成分，然后通过奇异值分解得到奇异矩阵，同时利用概率分布的方法保护安全监测数据的重要结构，使用杰森-香农散度缩小源域snew1和目标域snew2之间的概率分布；具体为，
S21、利用非负矩阵分解探索各种类型安全监测数据之间共享的成分，目标函数为：
Figure BDA0002799492220000061
式中，U为基矩阵，X为系数共享矩阵，si为源域s中的一种，Ui为si对应的基矩阵，λi为平衡各种类型数据重要性的参数；
S22、利用概率分布发现数据空间本质上具有辨别能力的结构，尽可能多地保护安全监测数据的重要结构，通过Jensen-Shannon(杰森-香农)散度缩小各种安全监测数据的概率分布：
Figure BDA0002799492220000071
式中，
Figure BDA0002799492220000072
Figure BDA0002799492220000073
分别为{s1,s2,…,sn}的概率分布，KL(·||·)为用来估计联合概率分布的KL(库尔贝克-莱布勒)散度；
S23、通过正交投影迁移深度数据信息的知识到目标数据库去对齐共享的潜在特征空间和目标域中的数据：
Figure BDA0002799492220000074
式中，Π为目标域的正定投影；
获得最优解，即当前目标函数所能得到的最优的值，获得正定投影Π后，目标域t被投影到隐空间：snew2＝Πt；奇异值分解被用于分解矩阵：sTX＝QφST，其中，
Figure BDA0002799492220000075
Figure BDA0002799492220000076
分别为{s1,s2,…,sn}的概率分布，s为源域，S为右奇异矩阵，φ为奇异值矩阵。然后计算Π＝SΛQT，其中，Λ为连接矩阵Λ＝[I,0]∈R，0为全零矩阵；最终，来自相同类别的数据点距离更近，而在相同模态中的不同类别的数据点距离更远，如图3。
步骤S3中，在进行跨模态聚合的同时，解决源域和目标域之间的欠适配和不平等的问题，具体为：针对欠适配的问题，在共享的潜在子空间和映射所得到目标域之间同时匹配特征值和调整样本权重，在再生核希尔伯特空间对变换的源域snew1和目标域snew2进行特征匹配；针对不平等的问题，采用具有更强鲁棒性的条件分布的估计，利用类先验估计构建权重矩阵；最终获得目标函数，实现配电终端多源异构安全监测数据的跨模态聚合。具体为，
S31、在自适应分布嵌入阶段，为了特征匹配，在再生核希尔伯特空间中缩小非参数的最大均值差异：
Figure BDA0002799492220000081
式中，Ns和Nt分别是snew和snew2中样本的个数，
Figure BDA0002799492220000082
Figure BDA0002799492220000083
H表示希尔伯特空间；
为了调整样本权重，算法进一步对共享的潜在空间样本缩小结构稀疏2,1范数，在共享的潜在空间和映射所得到目标域之间同时匹配特征值和调整样本权重，从而得到一个自适应的分类器；在自适应分布嵌入阶段缩小结构稀疏2,1范数，可以使得到的分类器具有更强鲁棒性。
S32、采用具有更强鲁棒性的条件分布的估计，解决不平等的问题：
Figure BDA0002799492220000084
式中，snew1和snew2的类先验用来估计
Figure BDA0002799492220000085
和
Figure BDA0002799492220000086
对条件分布的散度需要估计边缘分布
Figure BDA0002799492220000087
和
Figure BDA0002799492220000088
最后对每一个类构建出所需要的权重矩阵；在S31自适应分布嵌入阶段的基础上，我们进一步的解决了源域类别和目标域类别不平等的问题，最终实现配电终端多源异构安全监测数据的跨模态聚合方法。
结合公式(1)到公式(5)，得到最终的目标函数：
Figure BDA0002799492220000089
式中，η为控制新表达的平滑度；
通过配电终端多源异构安全监测数据的跨模态聚合方法，选用不需要调整交叉验证参数的最近邻分类器为基础分类器，分类器将通过整合多源异构安全监测数据，对是否产生网络威胁做出判断。
该种配电终端多源异构安全监测数据的跨模态聚合方法，通过构建各类型安全监测数据域的自适应方法来对网络威胁做出更加全面的描述，并进一步挖掘出潜在的未知网络威胁，能够应对复杂的网络环境中出现的各种攻击与威胁问题。针对不同类别的安全检测数据包含着大量的不同的有辨别能力的信息，该方法能够帮助配电物联网终端对网络威胁有更好的认知。同时，针对在真实世界中源域和目标域有着不同的数据分布，并且存在不相等的类别数目的问题，本发明方法能够建立在更加真实的场景上，并通过缩小源域和目标域之间的最大均值差异来解决源域和目标域的欠适配问题，同时在源域中添加多种安全检测数据信息、并且考虑源域和目标域中的类别不平等的情况，最后借助非负矩阵分解获得强健的视图不变的子空间。该种配电终端多源异构安全监测数据的跨模态聚合方法，使得通过源域中已知的类别为目标域中未知的类别勾画一个准确的边界。
实验验证
对实施例方法有效性的验证说明如下：在配电物联网配电终端收集了10种类别不同的安全检测数据，包括电力系统的频率、节点电压水平、主变和线路负载率等，10个标注的安全监测数据被选取为源域数据，并随机挑选不含有标签集合的4到8个安全监测数据作为目标域。
通过以下三种不同类型的方法进行比较：
a)多视角学习：SVM2K，这种经典的方法在源域的训练中使用了多源数据。
b)非监督域的自适应：样本迁移网络(ETN)和迁移成分分析(TCA)，使用源域和目标域视觉特征值训练分类器，然后预测目标数据标签集合的方法。
c)特权信息和非监督域的自适应：DA-M2S和鸡尾酒网络(DCTN)，使用源域中的多源数据作为特权信息，同时减少源域和目标域数据分布之间的不匹配。
考虑从各类型安全监测数据中提取的不同特征值对于结果的影响，利用浅层特征和深度模型特征被用来评估提出的方法。对于浅层特征，安全监测数据提取梯度核描述子(KDES)特征值和LBP梯度核描述子；对于深度特征值，选择从预训练的Caffe模型中提取安全监测数据的卷积神经网络(CNN)特征值，特征值的维度为4096。为便于分析，对各方法的参数敏感度、收敛情况。
根据实验结果，各类型安全监测数据的不同特征值在现有5种方法以及本发明提出的多源异构安全监测数据的聚合方法下，分别得到的识别准确度(％)如表1所示。
表1各算法在安全监测数据不同特征值上的识别准确度
Figure BDA0002799492220000101
从表1的实验结果可以看出，通过整合各类型安全监测数据，实施例方法对目标域中的数据是否产生网络威胁较之前的方法做出了更准确的判断，与现有方法SVM2K、DA-M2S、ETN、TCA和DCTN在准确率上提高了多个百分点。SVM2K是经典的分类算法，但是由于没有考虑域的自适应问题，并没有展现出好的结果。DA-M2S虽然解决了域的自适应问题，但并没有考虑源域中可以有多种模态的情况，导致效果远不如实施例方法。ETN和TCA是经典的域自适应方法，但由于做了源域和目标域之间类别数目相等的非真实世界的假设，导致结果并不理想。DCTN虽然能够解决源域中存在的多模态和域的自适应等问题，但由于其超参数过多，导致目标函数收敛困难，使得DCTN比实施例方法结果要差。
对实施例方法的参数敏感度、收敛情况进一步进行分析如下：
(1)对实施例方法中参数η和λi的敏感度进行分析：从图4中可以看出，无论特征值是KDES还是CNN，当η＝10且λi＝0.1的时候，实施例方法都可以取得最大值。这个结果揭示了实施例方法具有较高的鲁棒性，对于参数的选择不敏感，可以在η＝10且λi＝0.1取得最优的结果。
(2)对实施例方法收敛情况进行分析：从图5中可以看出，实施例方法随着循环次数的增加逐渐稳定，且在1000次循环以后收敛到最低错误率，从而揭示了实施例方法是可收敛的，并且具有较快的收敛速度。现有的5种方法虽然同样可以较快地收敛，但有着较高错误率。

Claims (5)

1.一种配电终端多源异构安全监测数据的跨模态聚合方法，其特征在于：包括以下步骤，
S1、通过分解和子空间学习，对原始数据中的安全告警数据和网络日志数据，探索模态不变的子空间，并获得强健的视图不变的子空间，通过共同学习把各类型安全监测数据连接到一个模型，得到变换的源域snew1和目标域snew2；
S2、对多源异构数据进行跨模态聚合，具体为：使用得到的源域snew1和目标域snew2利用非负矩阵分解探索各类型安全监测数据之间的共享成分，然后通过奇异值分解得到奇异矩阵，同时利用概率分布的方法保护安全监测数据的重要结构，使用杰森-香农散度缩小源域snew1和目标域snew2之间的概率分布；
S3、在进行跨模态聚合的同时，解决源域和目标域之间的欠适配和不平等的问题，具体为：针对欠适配的问题，在共享的潜在子空间和映射所得到目标域之间同时匹配特征值和调整样本权重，在再生核希尔伯特空间对变换的源域snew1和目标域snew2进行特征匹配；针对不平等的问题，采用具有更强鲁棒性的条件分布的估计，利用类先验估计构建权重矩阵；最终获得目标函数，实现配电终端多源异构安全监测数据的跨模态聚合。
2.如权利要求1所述的配电终端多源异构安全监测数据的跨模态聚合方法，其特征在于：步骤S1中，对多源异构数据进行融合及 自适应分布嵌入。
3.如权利要求1所述的配电终端多源异构安全监测数据的跨模态聚合方法，其特征在于：步骤S1中，获得强健的视图不变的子空间，具体为，
S11、获取原始数据作为源域s，s＝{s1,s2,…,sn}，源域s中包含安全告警数据s1和网络日志数据s2，源域s中带有标签的集合表示为Ys，标签集合Yt的未知网络为目标域t；
S12、通过子空间变换，寻找视图不变强健的子空间，并通过共同学习获得转换过的源域snew1和转换过的目标域snew2。
4.如权利要求1-3任一项所述的配电终端多源异构安全监测数据的跨模态聚合方法，其特征在于：步骤S2中，对多源异构数据进行跨模态聚合，具体为，
S21、利用非负矩阵分解探索各种类型安全监测数据之间共享的成分，目标函数为：
Figure FDA0003606124080000021
式中，U为基矩阵，X为系数共享矩阵，si为源域s中的一种，Ui为si对应的基矩阵，λi为平衡各种类型数据重要性的参数；
S22、利用概率分布发现数据空间本质上具有辨别能力的结构，尽可能多地保护安全监测数据的重要结构，通过Jensen-Shannon(杰森-香农)散度缩小各种安全监测数据的概率分布：
Figure FDA0003606124080000022
式中，
Figure FDA0003606124080000023
分别为{s1,s2,…,sn}的概率分布，KL(·||·)为用来估计联合概率分布的KL(库尔贝克-莱布勒)散度；
S23、通过正交投影迁移深度数据信息的知识到目标数据库去对齐共享的潜在特征空间和目标域中的数据：
Figure FDA0003606124080000024
式中，Π为目标域的正定投影；
获得最优解，即当前目标函数所能得到的最优的值，获得正定投影Π后，目标域t被投影到隐空间：snew2＝Πt；奇异值分解被用于分解矩阵：sTX＝QφST，其中，
Figure FDA0003606124080000025
分别为{s1,s2,…,sn}的概率分布，s为源域，S为右奇异矩阵，φ为奇异值矩阵；然后计算Π＝SΛQT，其中，Λ为连接矩阵Λ＝[I,0]∈R，0为全零矩阵；最终，来自相同类别的数据点距离更近，而在相同模态中的不同类别的数据点距离更远。
5.如权利要求4所述的配电终端多源异构安全监测数据的跨模态聚合方法，其特征在于：步骤S3中，解决转换过的源域snew1和转换过的目标域snew2之间的欠适配和不平等问题并获得目标函数，具体为，
S31、在自适应分布嵌入阶段，为了特征匹配，在再生核希尔伯特空间中缩小非参数的最大均值差异：
Figure FDA0003606124080000031
式中，Ns和Nt分别是snew和snew2中样本的个数，
Figure FDA0003606124080000032
Figure FDA0003606124080000033
H表示希尔伯特空间；
为了调整样本权重，算法进一步对共享的潜在空间样本缩小结构稀疏2,1范数，在共享的潜在空间和映射所得到目标域之间同时匹配特征值和调整样本权重，从而得到一个自适应的分类器；在自适应分布嵌入阶段缩小结构稀疏2,1范数，使得到的分类器具有更强鲁棒性；
S32、采用具有更强鲁棒性的条件分布的估计，解决不平等的问题：
Figure FDA0003606124080000034
式中，snew1和snew2的类先验用来估计
Figure FDA0003606124080000035
和
Figure FDA0003606124080000036
对条件分布的散度需要估计边缘分布
Figure FDA0003606124080000037
和
Figure FDA0003606124080000038
最后对每一个类构建出所需要的权重矩阵；
结合公式(1)到公式(5)，得到最终的目标函数：
Figure FDA0003606124080000039
式中，η为控制新表达的平滑度；
通过配电终端多源异构安全监测数据的跨模态聚合方法，选用不需要调整交叉验证参数的最近邻分类器为基础分类器。
CN202011351642.8A 2020-11-26 2020-11-26 配电终端多源异构安全监测数据的跨模态聚合方法 Active CN112468498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011351642.8A CN112468498B (zh) 2020-11-26 2020-11-26 配电终端多源异构安全监测数据的跨模态聚合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011351642.8A CN112468498B (zh) 2020-11-26 2020-11-26 配电终端多源异构安全监测数据的跨模态聚合方法

Publications (2)

Publication Number Publication Date
CN112468498A CN112468498A (zh) 2021-03-09
CN112468498B true CN112468498B (zh) 2022-06-14

Family

ID=74808986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011351642.8A Active CN112468498B (zh) 2020-11-26 2020-11-26 配电终端多源异构安全监测数据的跨模态聚合方法

Country Status (1)

Country Link
CN (1) CN112468498B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114528952B (zh) * 2022-04-24 2022-07-29 南京邮电大学 减少配电终端误告警的多源异构安全监测数据聚合方法
CN115985402B (zh) * 2023-03-20 2023-09-19 北京航空航天大学 一种基于归一化流理论的跨模态数据迁移方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008996A (zh) * 2019-03-06 2019-07-12 华南理工大学 一种基于散度计算的异构域适应方法
CN110110739A (zh) * 2019-03-25 2019-08-09 中山大学 一种基于样本选择的域自适应降维方法
CN111444859A (zh) * 2020-03-30 2020-07-24 哈尔滨工程大学 一种无监督跨域人脸表情识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10489438B2 (en) * 2016-05-19 2019-11-26 Conduent Business Services, Llc Method and system for data processing for text classification of a target domain

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008996A (zh) * 2019-03-06 2019-07-12 华南理工大学 一种基于散度计算的异构域适应方法
CN110110739A (zh) * 2019-03-25 2019-08-09 中山大学 一种基于样本选择的域自适应降维方法
CN111444859A (zh) * 2020-03-30 2020-07-24 哈尔滨工程大学 一种无监督跨域人脸表情识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Domain Adaptation via Transfer;Sinno Jialin Pan等;《IEEE TRANSACTIONS ON NEURAL NETWORKS》;20110228;第22卷(第2期);第199-210页 *
多任务学习;张钰等;《计算机学报》;20200731(第07期);第1340-1378页 *
多模态学习方法综述;陈鹏等;《工程科学学报》;20200531(第05期);第557-569页 *
异构迁移学习研究综述;朱应钊;《电信科学》;20200320(第03期);第100-110页 *

Also Published As

Publication number Publication date
CN112468498A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
Zhang et al. Network intrusion detection method based on PCA and Bayes algorithm
CN107070943B (zh) 基于流量特征图和感知哈希的工业互联网入侵检测方法
Ibrahimi et al. Management of intrusion detection systems based-KDD99: Analysis with LDA and PCA
Zhao et al. Feature-based transfer learning for network security
CN108093406B (zh) 一种基于集成学习的无线传感网入侵检测方法
Peng et al. Effective packet number for early stage internet traffic identification
Devaraju et al. Performance analysis of intrusion detection system using various neural network classifiers
CN112468498B (zh) 配电终端多源异构安全监测数据的跨模态聚合方法
Cherubin et al. Conformal clustering and its application to botnet traffic
Syarif et al. Data mining approaches for network intrusion detection: from dimensionality reduction to misuse and anomaly detection
Kong et al. Identification of abnormal network traffic using support vector machine
Guowei et al. Research on network intrusion detection method of power system based on random forest algorithm
Wang et al. [Retracted] Intrusion Detection for Industrial Control Systems Based on Open Set Artificial Neural Network
Nalavade et al. Evaluation of k-means clustering for effective intrusion detection and prevention in massive network traffic data
Harbola et al. Improved intrusion detection in DDoS applying feature selection using rank & score of attributes in KDD-99 data set
Elmasri et al. Evaluation of CICIDS2017 with qualitative comparison of Machine Learning algorithm
Velliangiri et al. Detection of dos attacks in smart city networks with feature distance maps: A statistical approach
Malik et al. Performance Evaluation of Classification Algorithms for Intrusion Detection on NSL-KDD Using Rapid Miner
Manghat et al. Abnormality prediction in high dimensional dataset among semi supervised learning approaches
CN110197066B (zh) 一种云计算环境下的虚拟机监控方法及监控系统
Gambo et al. Hybrid approach for intrusion detection model using combination of k-means clustering algorithm and random forest classification
El Moussaid et al. Overview of intrusion detection using data-mining and the features selection
Nguyen et al. An efficient fuzzy clustering-based approach for intrusion detection
Kar et al. An Intrusion Detection Approach Based On Analysis Of Cluster Heterogeneity
CN115580472B (zh) 一种基于启发式聚类算法的工业控制网络攻击流量分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant