CN115118495A - 一种基于经验模态分解和频谱特征量检测的用户信息入侵检测方法 - Google Patents

一种基于经验模态分解和频谱特征量检测的用户信息入侵检测方法 Download PDF

Info

Publication number
CN115118495A
CN115118495A CN202210737667.4A CN202210737667A CN115118495A CN 115118495 A CN115118495 A CN 115118495A CN 202210737667 A CN202210737667 A CN 202210737667A CN 115118495 A CN115118495 A CN 115118495A
Authority
CN
China
Prior art keywords
user information
signal
intrusion
frequency
intrusion signal
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.)
Granted
Application number
CN202210737667.4A
Other languages
English (en)
Other versions
CN115118495B (zh
Inventor
苏博
张泽元
白勃
刘彦明
石磊
白博文
李小平
杨晴月
闫泽汕
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202210737667.4A priority Critical patent/CN115118495B/zh
Publication of CN115118495A publication Critical patent/CN115118495A/zh
Application granted granted Critical
Publication of CN115118495B publication Critical patent/CN115118495B/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
    • H04L63/1416—Event detection, e.g. attack signature detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Abstract

一种基于经验模态分解和频谱特征检测的用户信息入侵检测方法，建立分布式智能计算中的用户信息入侵信号模型，并利用信号处理方法建立入侵检测模型；采用经验模态分解法，对分布式智能计算中的用户信息入入侵信号进行时频分析和特征分解，得到呈线性平稳正态分布的输出频谱特征量；计算Winger‑Ville分布的频谱特征量，得到的信号失真部分为用户信息入侵信号，利用自适应波束形成方法提取用户信息入侵信号的频谱特征量；基于提取的频谱特征量与检测输出的联合概率密度分布分析，实现对用户信息入侵信号的准确检测。本发明在入侵检测中既具有较高的准确率又具有较强的抗干扰能力，从而可保证用户信息的安全性。

Description

一种基于经验模态分解和频谱特征量检测的用户信息入侵检 测方法
技术领域
本发明属于网络安全技术领域，特别涉及一种基于经验模态分解和频谱特征量检测的用户信息入侵检测方法。
背景技术
网络安全技术是信息网络发展的关键技术，随着网络信息技术的发展和大数据信息的广泛使用，大量的用户数据信息被存储在网络空间中，用于集中分布式存储和管理。分布式智能计算方法一般用于对信息进行数据处理和资源集成调度。在分布式智能计算下，用户信息处于开放的并行云计算环境中，因此用户信息容易受到明文攻击和黑客攻击，导致用户信息泄露甚至网络环境瘫痪。它为整个分布式计算系统的信息和网络空间安全带来了较大的危害。
入侵检测技术能够帮助用户抵御网络攻击，它是一种采用预先主动的方式，对网络各层进行全面检测，以帮助抵御系统可能遭到的攻击。它从计算机系统或计算机网络系统中的信息流集中的关键点收集信息，并且分析它们，从而得到它们的行为是否有违反安全策略的行为，从而实现对系统的实时保护。
分布式智能计算中用户信息入侵检测方法的研究基于入侵信号检测和特征提取。检测主要分为两大类：异常流量挖掘检测和入侵数据信号分析检测。
黎峰，吴春明提出了一种通过在网络传输链路中分布式智能计算中收集用户信息和流量数据进行异常状态监测和识别的方法，并采用大数据信息挖掘和特征提取方法来实现用户信息入侵检测[LI,F.,WU,C.M.:Research on Prevention Fluctuation Controlmethod of Network Intrusion Based on Energy Management[J].Computersimulation,2013,30(12):45-48,335.]，由于大数据信息挖掘与特征提取方法不仅需要大量的用户信息入侵信号作为数据挖掘与特征提取的对象，还需要极高算力的运算环境，因此该方法的入侵拦截能力较差。
孙超，杨春曦等人提出了一种利用时频分析方法作为用户信息和入侵信息的信号建模的入侵检测方法，过滤检测采用相应的特征分析方法[SUN,C.,YANG,C.X.,FAN,S.etc.:Energy Efficient Distributed Clustering Consensus Filtering Algorithmfor Wireless Sensor Networks[J].Information and control,2015,44(3):379-384.]，同上，该方法取得了良好的入侵检测结果，但其入侵检测概率准确度较低。
尚朝轩，王品等人提出了一种基于分布式智能计算和自适应卷积滤波的用户信息入侵检测方法，分析了分布式智能计算中用户信息入侵信号的能量密度和攻击强度等特征信息的时间和频率，构建了自适应卷积滤波器进行信号滤波，实现入侵检测和识别，提高了提取检测精度[SHANG,C.X.,WANG,P.,HAN,Z.Z.,et al.:Feature-level fusionrecognition algorithm based on analogy decision tree classification.Controland Decision,2016,31(06):1009-1014.]。然而，由于自适应卷积滤波在高强度明文攻击情况下工作饱和，降低了检测精度，使得该方法在高强度明文攻击下检测精度较差。
Kareem提出了一种基于频谱参数估计的用户入侵信息检测方法，是采用随机线性处理分布式智能计算环境中的用户入侵信息模型[Kareem,I.A.,Duaimi,M.G.:Improvedaccuracy for decision tree algorithm based on unsupervised discretization[J].Int J of Computer Science and Mobile Computing,2014,3(6):176-183.]，由于采用随机线性处理分布式智能计算环境中的用户入侵信息模型，实时检测性能差，因此该方法存在检测期间成本相对较大以及实时检测性能差等问题。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于经验模态分解和频谱特征量检测的用户信息入侵检测方法，以期解决现有分布式智能计算中用户信息入侵检测方法检测概率较低、拦截能力差、检测成本较高等问题，在入侵检测中既具有较高的准确率又具有较强的抗干扰能力，以保证用户信息的安全性。
为了实现上述目的，本发明采用的技术方案是：
一种基于经验模态分解和频谱特征检测的用户信息入侵检测方法，包括如下步骤：
S1，建立分布式智能计算中的用户信息入侵信号模型，并利用信号处理方法建立入侵检测模型；
S2，采用经验模态分解法，对分布式智能计算中的用户信息入入侵信号进行时频分析和特征分解，得到呈线性平稳正态分布的输出频谱特征量；
S3，基于S2的分析和分解结果，计算Winger-Ville分布的频谱特征量，得到的信号失真部分为用户信息入侵信号，利用自适应波束形成方法提取用户信息入侵信号的频谱特征量，并获得准确检测用户信息入侵的概率；
S4，基于提取的频谱特征量与检测输出的联合概率密度分布分析，实现对用户信息入侵信号的准确检测。
示例地，所述S1包括以下步骤：
S11，在分布式组网环境下，分布式智能计算中的用户信息入侵信号是高斯宽平稳随机线性单频信号，对于明文特征，采用连续性吸引方法进行信息窃取；在网络链路层数据传输过程中，分布式智能计算中的用户信息入侵信号的相频响应特性如下：
Figure BDA0003716552700000031
式中，P是用户信息入侵信号的时频特征，x(t)是网络传输的非线性时间序列，τ是时间延迟，t是时间变量；
S12，当用户信息入侵信号处于快速时变衰落时，以网络传输的非线性时间序列x(t)作为用户信息入侵信号模型，且采用时频分析方法将x(t)由时域信号转换为频域信号Xp(u)，定义为：
Figure BDA0003716552700000032
式中，Kp(t,u)是能量时频联合分布函数，Fα[x(t)]为x(t)的时频域变换函数，对于变换核心，Kp(t,u)在时频域坐标系内对时间t的积分等于Xp(u)的总能量，u表示频率；
S13，基于Wigne-Ville分布式聚集，采用Kp(t,u)进化谱Kα(t,u)描述用户信息入侵信号模型的高阶非线性随机过程，则分布式智能计算中用户信息入侵信号的离散分析过程如下：
Figure BDA0003716552700000041
Figure BDA0003716552700000042
Kα(t,u)表示用户信息入侵信号模型的高阶非线性随机过程，*表示取共轭；u′表示偏移频率；基于分布式智能计算的用户信息入侵的平移不变特征量描述为：
Figure BDA0003716552700000043
其中l是一个整数，l∈Z，l表示分布式智能计算环境中用户信息入侵信号的边际特征量，δ(t)为阶跃函数，u表示频率，α表示时间窗函数；
S14，对于分布式智能计算中的时变非平稳用户信息入侵信号，当α＝2lπ，Kα(t,u)＝δ(t-u)，
Figure BDA0003716552700000044
在α≠lπ前提下用户信息入侵信号满足以下条件：(a)完备性、(b)正交性、(c)局部性、(d)适应性；基于S12中用户信息入侵信号模型，在分布式智能计算环境中，得到用户信息入侵信号的幅度和频率，并且将其简化为矩阵表达式如下：
X＝Fα·x
其中，矩阵X为用户信息入侵信号的简化表示，Fα为用户信息入侵信号简化矩阵X的瞬时频率，x为用户信息入侵信号简化矩阵X的幅度；
X＝[Xα(0),Xα(1),…,Xα(i),…,Xα(N-1)]T
x＝[xα(0),xα(1),…,xα(i),…,xα(N-1)]T
其中，Xα(i)为用户信息入侵信号简化矩阵X的第i+1行分量，xα(i)为用户信息入侵信号简化矩阵X的第i+1行分量的幅度；
分布式智能计算中用户信息入侵信号的瞬时频率Fα是一个N×N维矩阵，矩阵的每个元素是：
Figure BDA0003716552700000051
其中，Fα(m,n)表示矩阵Fα中第m行第n列的元素，也即所述的入侵检测模型；m表示元素在矩阵中所在的行数；m表示元素在矩阵中所在的行数；n表示元素在矩阵中所在的列数；Aα表示元素Fα(m,n)的幅度；Δu和Δt都是时间变量；sgn(x)是阶跃函数；sin(α)是正弦函数；cot(α)是余切函数；T代表矩阵的转置。
示例地，所述S2包括以下步骤：
S21，入侵信号的经验模态分解方程描述为：
Figure BDA0003716552700000052
Figure BDA0003716552700000053
α(t)表示在分布式智能计算中用户信息入侵信号的复杂包络，φ(t)表示瞬时频谱特征量，复杂包络α(t)的两个正交分量s(t)和sl(t)；
S22，基于经验模态分解结果，将用户信息入侵信号模型分解为若干固有模态函数成分，并在时频傅立叶变换中进行信息过滤和控制，以有效滤除干扰信息，然后得到如下的用户信息入侵信号高频和低频分量：
Figure BDA0003716552700000054
其中Re{}表示对{}内的函数取实部，τn(t)表示时间延迟函数，an(t)表示用户信息入侵信号模型分解为若干固有模态函数成分的包络函数，fc表示特征频率，每组用户信息入侵信号的固有模态函数成分是根据频谱特征量的不等带宽线性排列的，用户信息入侵信号的频谱特征量的顺序为c1,c2,...,cn；用户信息入侵信号的频谱特征量X′(t)仅与用户信息入侵信号的分解频率有关，分解的结果如下：
X′(t)＝X(t)/‖X(t)‖
‖X(t)‖表示X(t)的模；X(t)表示用户信息入侵信号的频率随时间变化的随机过程；
S23，在分布式智能计算中对用户信息入侵信号的固定频率段进行自适应加窗，对多分量信号进行自适应加权，得到固定频率段的用户信息入侵信号的频谱特征量，即所述呈线性平稳正态分布的输出频谱特征量，并输出如下：
Figure BDA0003716552700000061
其中x′(t)表示分布式智能计算传输通道中的过零尺度参数输入；α是时间窗函数；cotα是余切函数；cscα是余割函数，固定频率段指用户信息入侵信号的固定频率段；多分量信号是指用户信息入侵信号的多个不同频率的分量信号。
示例地，所述S3包括以下步骤：
S31，采用自相关匹配滤波检测方法将入侵信号与普通信号分离；
S32，在傅立叶分析中，根据入侵信息的时间尺度计算矩形包络，采用多源波束形成方法得到分布式智能计算中用户信息入侵信号的时间尺度；
S33，对任意用户信息入侵信号x(t)，时间尺度参数用x(t)的零点计算得到；计算Winger-Ville分布的频谱特征量，得到的信号失真部分表示用户信息入侵信号，信号失真部分估计值是：
Figure BDA0003716552700000062
bk是通过时间轴转换得到的极端尺度参数，φ表示瞬时频谱特征量，e是期望响应，ck是时间分辨率；k表示第k个时隙，q表示时间窗，nq表示第nq个用户信息入侵信号；
S34，利用自适应波束形成方法提取用户信息入侵信号的频谱特征量，并进行希尔伯特-黄变换；
S35，通过计算整个频域中的瞬时频率获得固有模式函数，并且获得整个伴随着Winger-Ville分布的频谱特征量方向不变性的零点轨迹分布：
S36，通过确定包络平均值和提取Winger-Ville分布的频谱特征量，获得准确检测用户信息入侵的概率，表示如下：
Figure BDA0003716552700000071
其中，Pdi表示第i个用户信息入侵的概率，Pei表示第i个用户信息入侵的虚假概率。
示例地，所述S4包括以下步骤：
S41，根据用户信息入侵信号的局部震荡特性和Winger-Ville分布的频谱特征量，得到过零尺度参数的频谱特征量联合概率密度γi，估算方法如下：
Figure BDA0003716552700000072
SNRi是第i个用户信息入侵信号的信噪比；
S42，在时频域分析中得到用户信息入侵信号能量谱密度，并采用自适应加权方法得到用户信息入侵信号的包络Pf；
S43，在w次分解后，用户信息入侵信号融合和检测采用最小均方误差法则，最小均方误差ε(w)为：
Figure BDA0003716552700000073
d(w)表示期望响应，y(w)表示用户信息入侵信号检测输出的传输误差，Wi表示第i个用户信息入侵信号的概率密度；
S44，对ε(w)两侧取数学期望，得到用户入侵信号检测模型输出的传输误差y(w)，如下：
Figure BDA0003716552700000081
S45，进行信号延拓并引入相关系数法识别虚假成分，得到用户信息入侵信号的虚假成分的时域和频域输出；
S46，将高斯核函数
Figure BDA0003716552700000082
作为多源用户信息入侵环境中的多项式核，使用最陡下降法，在计算分解后得到n个固有模态成分c′i和m个虚假成分rk，以及固有模态函数c′i(t)和用户信息入侵信号x(t)之间的相关性，从而获得用户信息入侵信号的检测输出如下：
Figure BDA0003716552700000083
x*(t)为x(t)的取共轭运算，
Figure BDA0003716552700000084
为cj(t)的取共轭运算，
Figure BDA0003716552700000085
表明了真实的用户信息入侵信号被检测出。
与现有技术相比，本发明实现了对用户入侵信息的准确检测，从结果来看，当信噪比为12.4dB时，本发明提出的方法的检测概率为1，误报概率为0，不仅有良好的入侵检测概率，而且在相对低的信噪比下也可以提供较高的入侵检测概率和较低的虚警概率，通过使用该方法很好的实现了入侵检测和过滤，有效抵御了明文攻击，且具有较强的抗干扰能力，保证了用户信息存储和传输的安全，可确保应用中用户信息的安全性，对于网络安全技术的发展具有实际意义。
附图说明
图1是本发明方法流程图
图2是(通道一)第一组分布式智能计算中用户信息的频谱分布。
图3是(通道二)第二组分布式智能计算中用户信息的频谱分布。
图4是入侵信息的Winger-Ville分布的频谱特征量。
图5是入侵检测性能比较。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
如图1所示，本发明为一种基于经验模态分解和频谱特征检测的用户信息入侵检测方法，包括如下步骤：
S1，建立分布式智能计算中的用户信息入侵信号模型，并利用信号处理方法建立入侵检测模型。
S1具体包括以下步骤：
S11，在分布式组网环境下，分布式智能计算中的用户信息入侵信号是高斯宽平稳随机线性单频信号，对于明文特征，采用连续性吸引方法进行信息窃取；在网络链路层数据传输过程中，分布式智能计算中的用户信息入侵信号的相频响应特性如下：
Figure BDA0003716552700000091
式中，P是用户信息入侵信号的时频特征，x(t)是网络传输的非线性时间序列，τ是时间延迟，t是时间变量；
S12，当用户信息入侵信号处于快速时变衰落时，将x(t)用做用户信息入侵信号模型，且采用时频分析方法将x(t)由时域信号转换为频域信号Xp(u)，分数阶变换的定义为：
Figure BDA0003716552700000092
式中，Kp(t,u)是能量时频联合分布函数，Fα[x(t)]为x(t)的时频域变换函数，对于变换核心，Kp(t,u)在时频域坐标系内对时间的积分等于Xp(u)的总能量，u表示频率；基于分布式智能计算的用户信息入侵的平移不变特征量描述为：
Figure BDA0003716552700000101
其中l是一个整数，l∈Z，l表示分布式智能计算环境中用户信息入侵信号的边际特征量，δ(t)为阶跃函数，u表示频率；α表示时间窗函数。
S13，基于Wigne-Ville分布式聚集，可以采用Kp(t,u)进化谱Kα(t,u)来描述用户信息入侵信号模型的高阶非线性随机过程，因此，分布式智能计算中用户信息入侵信号的离散分析过程如下：
Figure BDA0003716552700000102
Figure BDA0003716552700000103
Kα(t,u)为Kp(t,u)进化谱，其表示了用户信息入侵信号模型的高阶非线性随机过程，*表示取共轭；u′表示偏移频率。
S14，对于分布式智能计算中的时变非平稳用户信息入侵信号，当α＝2lπ，则Kα(t,u)＝δ(t-u)，相应地，
Figure BDA0003716552700000104
Figure BDA0003716552700000105
Xα(u)是当α＝2lπ时，用户信息入侵信号的频域信号。
在α≠lπ前提下，用户信息入侵信号满足以下条件：(a)完备性、(b)正交性、(c)局部性、(d)适应性；基于S12中用户信息入侵信号模型，在分布式智能计算环境中，得到用户信息入侵信号的幅度(能量)和频率，并且可以将其简化为矩阵表达式如下：
X＝Fα·x
其中，矩阵X为用户信息入侵信号的简化表示，Fα为用户信息入侵信号简化矩阵X的瞬时频率，x为用户信息入侵信号简化矩阵X的幅度；
X＝[Xα(0),Xα(1),…,Xα(i),…,Xα(N-1)]T
x＝[xα(0),xα(1),…,xα(i),…,xα(N-1)]T
其中，Xα(i)为用户信息入侵信号简化矩阵X的第i+1行分量，xα(i)为用户信息入侵信号简化矩阵X的第i+1行分量的幅度。
分布式智能计算中用户信息入侵信号的瞬时频率Fα是一个N×N维矩阵，即入侵检测模型，矩阵的每个元素是：
Figure BDA0003716552700000111
其中，Fα(m,n)表示矩阵Fα中第m行第n列的元素；m表示元素在矩阵中所在的行数；m表示元素在矩阵中所在的行数；n表示元素在矩阵中所在的列数；Aα表示元素Fα(m,n)的幅度；Δu和Δt都是时间变量；sgn(x)是阶跃函数；sin(α)是正弦函数；cot(α)是余切函数；t代表矩阵的转置。
基于上述处理，即可实现分布式智能计算中的用户信息入侵信号模型和频谱分析，为用户信息入侵信号检测提供了准确的信号输入基础。
S2，采用经验模态分解法，对分布式智能计算中的用户信息入入侵信号进行时频分析和特征分解，得到呈线性平稳正态分布的输出频谱特征量。
S2具体包括以下步骤：
S21，入侵信号的经验模态分解方程可以描述为：
Figure BDA0003716552700000112
Figure BDA0003716552700000113
α(t)表示在分布式智能计算中用户信息入侵信号的复杂包络，φ(t)表示瞬时频谱特征量，s(t)和sl(t)是复杂包络α(t)的两个正交分量。
S22，基于经验模态分解结果，将用户信息入侵信号模型分解为若干固有模态函数成分，并在时频傅立叶变换中进行信息过滤和控制，以有效滤除干扰信息，然后得到如下的用户信息入侵信号高频和低频分量：
Figure BDA0003716552700000114
其中Re{}表示对{}内的函数取实部，τn(t)表示时间延迟函数，an(t)表示用户信息入侵信号模型分解为若干固有模态函数成分的包络函数，fc表示特征频率。
每组用户信息入侵信号的固有模态函数成分是根据频谱特征量的不等带宽线性排列的，用户信息入侵信号的频谱特征量的顺序为c1,c2,...,cn；此时，用户信息入侵信号的频谱特征量X′(t)仅与用户信息入侵信号的分解频率有关，分解的结果如下：
X′(t)＝X(t)/‖X(t)‖
‖X(t)‖表示X(t)的模；X(t)表示用户信息入侵信号的频率随时间变化的随机过程。
S23，在分布式智能计算中对用户信息入侵信号的固定频率段进行自适应加窗，对多分量信号进行自适应加权，得到固定频率段的用户信息入侵信号频谱特征量，并输出如下：
Figure BDA0003716552700000121
其中x′(t)表示分布式智能计算传输通道中的过零尺度参数输入；α是时间窗函数；cot α是余切函数；csc α是余割函数，固定频率段指用户信息入侵信号的固定频率段；多分量信号是指用户信息入侵信号的多个不同频率的分量信号。
通过上述处理，实现了分布式智能计算中涉及用户信息的入侵信息的时频分析和特征分解，得到输出特征量线性静止和正态分布。通过将这种性质作为决策条件，可以进行用户信息入侵信号的差异特征提取和检测。
S3，基于S2的分析和分解结果，计算Winger-Ville分布的频谱特征量，得到的信号失真部分为用户信息入侵信号，利用自适应波束形成方法提取用户信息入侵信号的频谱特征量。
基于上述用户信息构建和入侵信号模型的分布式智能计算和时频分析以及用经验模态分解方法对分布式智能计算中的入侵信息进行特征分解，本发明从以下方法对入侵检测算法进行优化。
S3具体包括以下步骤：
S31，采用自相关匹配滤波检测方法将入侵信号与普通信号分离，用户信息入侵信号频谱特征量的自相关匹配函数如下：
Figure BDA0003716552700000131
TSRm表示用户信息入侵信号的时间，Tservice表示其服务时间，Twait表示其等待时间，μim是波速，pim是概率密度，λi是波长，σservice是服务时间的均值；M表示用户信息入侵信号的总数；
S32，在傅立叶分析中，根据入侵信息的时间尺度计算矩形包络，采用多源波束形成方法得到分布式智能计算中用户信息入侵信号的时间尺度Ttotal，并按如下公式记录下来：
Figure BDA0003716552700000132
Ttotal表示用户信息入侵信号的时间尺度，SSR表示单个用户信息入侵信号分量的个数，M表示用户信息入侵信号的总数，TSRm表示用户信息入侵信号的时间，λSRm表示用户信息入侵信号的波长。
S33，对任意用户信息入侵信号x(t)，时间尺度参数用x(t)的零点计算得到；计算Winger-Ville分布的频谱特征量，得到的信号失真部分表示用户信息入侵信号，信号失真部分的估计值是：
Figure BDA0003716552700000133
bk是通过时间轴转换得到的极端尺度参数，φ表示瞬时频谱特征量，e是期望响应，ck是时间分辨率；k表示第k个时隙，q表示时间窗，nq表示第nq个用户信息入侵信号。
S34，利用自适应波束形成方法提取用户信息入侵信号的频谱特征量，经希尔伯特-黄变换如下：
Figure BDA0003716552700000141
其中窗函数rect(t)＝1，|t|≤1/2；t0是初始时间，K是能量时频联合分布；
S35，通过计算整个频域中的瞬时频率获得固有模式函数，并且获得如下整个伴随着Winger-Ville分布的频谱特征量方向不变性的零点轨迹分布
Figure BDA0003716552700000142
Figure BDA0003716552700000143
S36，通过确定包络平均值和提取Winger-Ville分布的频谱特征量，获得准确检测用户信息入侵的概率，并表示如下：
Figure BDA0003716552700000144
其中，Pdi表示第i个用户信息入侵的概率，Pei表示第i个用户信息入侵的虚假概率。
根据特定标准优化滤波器参数，使其接近信号平均值，设计检测标准并进行入侵检测。
S4，基于频谱特征量与检测输出的联合概率密度分布分析，实现对用户信息入侵信号的准确检测。
S4具体包括以下步骤：
S41，假设用户信息入侵信号在分布式智能计算中呈线性平稳分布，根据用户信息入侵信号的局部震荡特性和Winger-Ville分布的频谱特征量，得到过零尺度参数的频谱特征量联合概率密度γi，估算方法如下：
Figure BDA0003716552700000145
SNRi是第i个用户信息入侵信号的信噪比。
S42，在时频域分析中得到用户信息入侵信号能量谱密度，并采用自适应加权方法得到用户信息入侵信号的包络Pf如下：
Figure BDA0003716552700000151
ck表示时间分辨率，Pf,i表示第i个用户信息入侵信号能量谱密度；
S43，在w次分解后，用户信息入侵信号融合和检测采用最小均方误差法则，最小均方误差ε(w)为：
Figure BDA0003716552700000152
d(w)表示期望响应，y(w)表示用户信息入侵信号检测输出的传输误差，Wi表示第i个用户信息入侵信号的概率密度；
S44，对ε(w)的式子两侧取数学期望，得到用户入侵信号检测模型输出的传输误差y(w)，如下：
Figure BDA0003716552700000153
S45，使用d(w)表示期望响应，为了避免信号落在包络线外，引入相关系数法来识别虚假成分；得到用户信息入侵信号的虚假成分的时域和频域输出如下：
Figure BDA0003716552700000154
Figure BDA0003716552700000155
Figure BDA0003716552700000156
表示用户信息入侵信号的虚假成分的时域输出；he|v,w表示用户信息入侵信号的虚假成分的频域输出；
Figure BDA0003716552700000157
表示用户信息入侵信号；
Figure BDA0003716552700000158
表示用户信息入侵信号的固有模态成分；
Figure BDA0003716552700000159
表示用户信息入侵信号的虚假成分与固有模态成分的相关系数，dv为期望响应；由于取最小值点In(1)作为左边的对称中心来进行信号延拓，因此得到
Figure BDA0003716552700000161
表示最小均方误差；
Figure BDA0003716552700000162
表示最小均值；vw为均方误差；T表示对矩阵取转置；
S46，高斯核函数
Figure BDA0003716552700000163
被视为多源用户信息入侵环境中的多项式核，使用最陡下降法，在计算分解后可以得到n个固有模态成分c′i和m个虚假成分rk，以及固有模态函数c′i(t)和用户信息入侵信号x(t)之间的相关性，从而获得用户信息入侵信号的检测输出如下：
Figure BDA0003716552700000164
x*(t)为x(t)的取共轭运算，
Figure BDA0003716552700000165
为cj(t)的取共轭运算。由于经验模态分解是局部正交分解，因此
Figure BDA0003716552700000166
可以看出检测输出的误差收敛于零。
Figure BDA0003716552700000167
表明了真实的用户信息入侵信号被检测出。
为了表现出本发明在分布式智能计算中检测用户信息入侵所拥有的更好的入侵拦截能力和检测能力，需要对其应用性能进行测试，采用Matlab2010b编程软件设计，在分组交换网络中进行分布式智能计算中的用户信息采集和流量分析。用户流量统计和异常特征监控在网络链路层完成；数据采样间隔设置为12秒，采样频率为1024KHz，入侵信息的干扰信噪比设定为-20dB，调制信号是一组单频信号x(t)＝cos(2πf0t)，这里f0＝1KHz。入侵信息监控的时隙长度是T＝0.1s，初始频率为200Hz，噪声是白高斯噪声，入侵信息监测的初始信噪比为3dB。基于上述仿真环境和参数设置，得到两组采样通道中分布式智能计算中用户信息的频谱分布，如图2和图3所示。
分析图2和图3可以看出，原始用户信息分布过于分散，关联规律性较弱，难以实现有效的入侵检测。本发明方法应用于分布式智能计算中入侵信息的时频分析和特征分解，以及Winger-Ville入侵信息分布的谱特征量的提取。结果如图4所示。
结合图5以及图4和图2以及图3的比较可以看出，根据Winger-Ville谱特征的联合概率密度分布，谱图有一定的波动，但频率仍然集中在1000Hz的分布，表明了入侵的规律性。分布式智能计算信息表明该方法提高了入侵特征检测的分辨率，提高了检测精度。在入侵检测中定量比较不同的方法，并获得检测精度的比较，如图5所示。图5的分析表明，当信噪比为-20dB时，本发明提出的方法的检测概率为0.543，误报概率为0.457，而传统检测方法的检测概率为0.461，误报概率为0.539。当信噪比为12.4dB时，本发明提出的方法的检测概率为1，误报概率为0；而传统方法的检测概率为0.964，误报概率为0.036。结果表明，本发明提出的方法在入侵检测中具有较高的准确性，即使信噪比较低，也可以提供较高的入侵检测概率和较低的误报概率。因此，本发明提出的方法具有更高的检测准确率和更好的截获用户信息入侵信号的能力。

Claims (5)

1.一种基于经验模态分解和频谱特征检测的用户信息入侵检测方法，其特征在于，包括如下步骤：
S1，建立分布式智能计算中的用户信息入侵信号模型，并利用信号处理方法建立入侵检测模型；
S2，采用经验模态分解法，对分布式智能计算中的用户信息入入侵信号进行时频分析和特征分解，得到呈线性平稳正态分布的输出频谱特征量；
S3，基于S2的分析和分解结果，计算Winger-Ville分布的频谱特征量，得到的信号失真部分为用户信息入侵信号，利用自适应波束形成方法提取用户信息入侵信号的频谱特征量；
S4，基于提取的频谱特征量与检测输出的联合概率密度分布分析，实现对用户信息入侵信号的准确检测。
2.根据权利要求1所述基于经验模态分解和频谱特征量检测的用户信息入侵检测方法，其特征在于，所述S1包括以下步骤：
S11，在分布式组网环境下，分布式智能计算中的用户信息入侵信号是高斯宽平稳随机线性单频信号，对于明文特征，采用连续性吸引方法进行信息窃取；在网络链路层数据传输过程中，分布式智能计算中的用户信息入侵信号的相频响应特性如下：
Figure FDA0003716552690000011
式中，P是用户信息入侵信号的时频特征，x(t)是网络传输的非线性时间序列，τ是时间延迟，t是时间变量；
S12，当用户信息入侵信号处于快速时变衰落时，以x(t)作为用户信息入侵信号模型，且采用时频分析方法将x(t)由时域信号转换为频域信号Xp(u)，定义为：
Figure FDA0003716552690000021
式中，Kp(t,u)是能量时频联合分布函数，Fα[x(t)]为x(t)的时频域变换函数，对于变换核心，Kp(t,u)x(t)在时频域坐标系内对时间t的积分等于Xp(u)的总能量，u表示频率；
S13，基于Wigne-Ville分布式聚集，采用Kp(t,u)进化谱Kα(t,u)描述用户信息入侵信号模型的高阶非线性随机过程，则分布式智能计算中用户信息入侵信号的离散分析过程如下：
Figure FDA0003716552690000022
Figure FDA0003716552690000023
Kα(t,u)表示用户信息入侵信号模型的高阶非线性随机过程，*表示取共轭；u′表示偏移频率；基于分布式智能计算的用户信息入侵的平移不变特征量描述为：
Figure FDA0003716552690000024
其中l是一个整数，l∈Z，l表示分布式智能计算环境中用户信息入侵信号的边际特征量，δ(t)为阶跃函数，u表示频率，α表示时间窗函数；
S14，对于分布式智能计算中的时变非平稳用户信息入侵信号，当α＝2lπ，Kα(t,u)＝δ(t-u)，
Figure FDA0003716552690000025
即Xα(u)＝x(u)，在α≠lπ前提下用户信息入侵信号满足以下条件：(a)完备性、(b)正交性、(c)局部性、(d)适应性；基于S12中用户信息入侵信号模型，在分布式智能计算环境中，得到用户信息入侵信号的幅度和频率，并且将其简化为矩阵表达式如下：
X＝Fα·x
其中，矩阵X为用户信息入侵信号的简化表示，Fα为用户信息入侵信号简化矩阵X的瞬时频率，x为用户信息入侵信号简化矩阵X的幅度；
X＝[Xα(0),Xα(1),…,Xα(i),…,Xα(N-1)]T
x＝[xα(0),xα(1),…,xα(i),…,xα(N-1)]T
其中，Xα(i)为用户信息入侵信号简化矩阵X的第i+1行分量，xα(i)为用户信息入侵信号简化矩阵X的第i+1行分量的幅度。
分布式智能计算中用户信息入侵信号的瞬时频率Fα是一个N×N维矩阵，矩阵的每个元素是：
Figure FDA0003716552690000031
其中，Fα(m,n)表示矩阵Fα中第m行第n列的元素，也即所述的入侵检测模型；m表示元素在矩阵中所在的行数；m表示元素在矩阵中所在的行数；n表示元素在矩阵中所在的列数；Aα表示元素Fα(m,n)的幅度；Δu和Δt都是时间变量；sgn(x)是阶跃函数；sin(α)是正弦函数；cot(α)是余切函数；T代表矩阵的转置。
3.根据权利要求2所述基于经验模态分解和频谱特征量检测的用户信息入侵检测方法，其特征在于，所述S2包括以下步骤：
S21，入侵信号的经验模态分解方程描述为：
Figure FDA0003716552690000032
Figure FDA0003716552690000033
α(t)表示在分布式智能计算中用户信息入侵信号的复杂包络，φ(t)表示瞬时频谱特征量，复杂包络α(t)的两个正交分量s(t)和sl(t)；
S22，基于经验模态分解结果，将用户信息入侵信号模型分解为若干固有模态函数成分，并在时频傅立叶变换中进行信息过滤和控制，以有效滤除干扰信息，然后得到如下的用户信息入侵信号高频和低频分量：
Figure FDA0003716552690000041
其中Re{}表示对{}内的函数取实部，τn(t)表示时间延迟函数，an(t)表示用户信息入侵信号模型分解为若干固有模态函数成分的包络函数，fc表示特征频率，每组用户信息入侵信号的固有模态函数成分是根据频谱特征量的不等带宽线性排列的，用户信息入侵信号的频谱特征量的顺序为c1,c2,...,cn；用户信息入侵信号的频谱特征量X′(t)仅与用户信息入侵信号的分解频率有关，分解的结果如下：
X′(t)＝X(t)/‖X(t)‖
‖X(t)‖表示X(t)的模；X(t)表示用户信息入侵信号的频率随时间变化的随机过程；
S23，在分布式智能计算中对用户信息入侵信号的固定频率段进行自适应加窗，对多分量信号进行自适应加权，得到固定频率段的用户信息入侵信号的频谱特征量，即所述呈线性平稳正态分布的输出频谱特征量，并输出如下：
Figure FDA0003716552690000042
其中x′(t)表示分布式智能计算传输通道中的过零尺度参数输入；α是时间窗函数；cotα是余切函数；csc α是余割函数，固定频率段指用户信息入侵信号的固定频率段；多分量信号是指用户信息入侵信号的多个不同频率的分量信号。
4.根据权利要求3所述基于经验模态分解和频谱特征量检测的用户信息入侵检测方法，其特征在于，所述S3包括以下步骤：
S31，采用自相关匹配滤波检测方法将入侵信号与普通信号分离；
S32，在傅立叶分析中，根据入侵信息的时间尺度计算矩形包络，采用多源波束形成方法得到分布式智能计算中用户信息入侵信号的时间尺度；
S33，对任意用户信息入侵信号x(t)，时间尺度参数用x(t)的零点计算得到；计算Winger-Ville分布的频谱特征量，得到的信号失真部分表示用户信息入侵信号，信号失真部分估计值是：
Figure FDA0003716552690000051
bk是通过时间轴转换得到的极端尺度参数，φ表示瞬时频谱特征量，e是期望响应，ck是时间分辨率；k表示第k个时隙，q表示时间窗，nq表示第nq个用户信息入侵信号；
S34，利用自适应波束形成方法提取用户信息入侵信号的频谱特征量，并进行希尔伯特-黄变换；
S35，通过计算整个频域中的瞬时频率获得固有模式函数，并且获得整个伴随着Winger-Ville分布的频谱特征量方向不变性的零点轨迹分布：
S36，通过确定包络平均值和提取Winger-Ville分布的频谱特征量，获得准确检测用户信息入侵的概率，表示如下：
Figure FDA0003716552690000052
其中，Pdi表示第i个用户信息入侵的概率，Pei表示第i个用户信息入侵的虚假概率。
5.根据权利要求1所述基于经验模态分解和频谱特征量检测的用户信息入侵检测方法，其特征在于，所述S4包括以下步骤：
S41，根据用户信息入侵信号的局部震荡特性和Winger-Ville分布的频谱特征量，得到过零尺度参数的频谱特征量联合概率密度γi，估算方法如下：
Figure FDA0003716552690000053
SNRi是第i个用户信息入侵信号的信噪比；
S42，在时频域分析中得到用户信息入侵信号能量谱密度，并采用自适应加权方法得到用户信息入侵信号的包络Pf；
S43，在w次分解后，用户信息入侵信号融合和检测采用最小均方误差法则，最小均方误差ε(w)为：
Figure FDA0003716552690000061
d(w)表示期望响应，y(w)表示用户信息入侵信号检测输出的传输误差，Wi表示第i个用户信息入侵信号的概率密度；
S44，对ε(w)两侧取数学期望，得到用户入侵信号检测模型输出的传输误差y(w)，如下：
Figure FDA0003716552690000062
S45，进行信号延拓并引入相关系数法识别虚假成分，得到用户信息入侵信号的虚假成分的时域和频域输出；
S46，将高斯核函数
Figure FDA0003716552690000063
作为多源用户信息入侵环境中的多项式核，使用最陡下降法，在计算分解后得到n个固有模态成分c′i和m个虚假成分rk，以及固有模态函数c′i(t)和用户信息入侵信号x(t)之间的相关性，从而获得用户信息入侵信号的检测输出如下：
Figure FDA0003716552690000064
x*(t)为x(t)的取共轭运算，
Figure FDA0003716552690000065
为cj(t)的取共轭运算，
Figure FDA0003716552690000066
表明了真实的用户信息入侵信号被检测出。
CN202210737667.4A 2022-06-27 2022-06-27 一种基于经验模态分解和频谱特征量检测的用户信息入侵检测方法 Active CN115118495B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210737667.4A CN115118495B (zh) 2022-06-27 2022-06-27 一种基于经验模态分解和频谱特征量检测的用户信息入侵检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210737667.4A CN115118495B (zh) 2022-06-27 2022-06-27 一种基于经验模态分解和频谱特征量检测的用户信息入侵检测方法

Publications (2)

Publication Number Publication Date
CN115118495A true CN115118495A (zh) 2022-09-27
CN115118495B CN115118495B (zh) 2023-08-22

Family

ID=83329613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210737667.4A Active CN115118495B (zh) 2022-06-27 2022-06-27 一种基于经验模态分解和频谱特征量检测的用户信息入侵检测方法

Country Status (1)

Country Link
CN (1) CN115118495B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116865965A (zh) * 2023-09-01 2023-10-10 北京双湃智安科技有限公司 基于秘密共享的异常事件监测协同告警方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2517437A1 (en) * 2009-12-23 2012-10-31 Teknologian Tutkimuskeskus VTT Intrusion detection in communication networks
US20160307418A1 (en) * 2013-12-13 2016-10-20 Utc Fire & Security Americas Corporation, Inc. Selective intrusion detection systems
CN106792706A (zh) * 2016-12-09 2017-05-31 中国人民解放军国防科学技术大学 一种基于无线网信号频谱非平稳特性的非法入侵检测方法
CN107612587A (zh) * 2017-06-20 2018-01-19 西安电子科技大学 一种用于跳频非合作通信中跳频信号的参数估计方法
CN108182415A (zh) * 2017-12-29 2018-06-19 哈尔滨工业大学 基于自滤波变频经验模态分解获得时频分布的方法
CN108761332A (zh) * 2018-05-08 2018-11-06 郑州轻工业学院 一种电机断条故障的集合经验模态分解电流诊断方法
CN111865932A (zh) * 2020-06-30 2020-10-30 哈尔滨工程大学 基于上下文关联注意力机制和简化lstm网络的入侵检测方法
CN112989906A (zh) * 2020-12-04 2021-06-18 中国船舶重工集团公司第七一五研究所 基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法
WO2021180017A1 (zh) * 2020-03-09 2021-09-16 南京邮电大学 一种面向数据服务的自适应入侵响应博弈方法及其系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2517437A1 (en) * 2009-12-23 2012-10-31 Teknologian Tutkimuskeskus VTT Intrusion detection in communication networks
US20160307418A1 (en) * 2013-12-13 2016-10-20 Utc Fire & Security Americas Corporation, Inc. Selective intrusion detection systems
CN106792706A (zh) * 2016-12-09 2017-05-31 中国人民解放军国防科学技术大学 一种基于无线网信号频谱非平稳特性的非法入侵检测方法
CN107612587A (zh) * 2017-06-20 2018-01-19 西安电子科技大学 一种用于跳频非合作通信中跳频信号的参数估计方法
CN108182415A (zh) * 2017-12-29 2018-06-19 哈尔滨工业大学 基于自滤波变频经验模态分解获得时频分布的方法
CN108761332A (zh) * 2018-05-08 2018-11-06 郑州轻工业学院 一种电机断条故障的集合经验模态分解电流诊断方法
WO2021180017A1 (zh) * 2020-03-09 2021-09-16 南京邮电大学 一种面向数据服务的自适应入侵响应博弈方法及其系统
CN111865932A (zh) * 2020-06-30 2020-10-30 哈尔滨工程大学 基于上下文关联注意力机制和简化lstm网络的入侵检测方法
CN112989906A (zh) * 2020-12-04 2021-06-18 中国船舶重工集团公司第七一五研究所 基于改进集成经验模态分解与XGBoost模型的光纤周界信号特征识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIUJUAN WANG: "Detecting DDoS Attack Based on Empirical Mode Decomposition", 《2011 FIRST INTERNATIONAL CONFERENCE ON INSTRUMENTATION, MEASUREMENT, COMPUTER, COMMUNICATION AND CONTROL》 *
李响;: "基于经验模态分解的局域网络入侵检测算法", 西南师范大学学报(自然科学版), no. 08 *
李威;顾海林;黄兴;: "网络被入侵后的信号检测系统设计与优化", 现代电子技术, no. 03 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116865965A (zh) * 2023-09-01 2023-10-10 北京双湃智安科技有限公司 基于秘密共享的异常事件监测协同告警方法及系统
CN116865965B (zh) * 2023-09-01 2023-11-14 北京双湃智安科技有限公司 基于秘密共享的异常事件监测协同告警方法及系统

Also Published As

Publication number Publication date
CN115118495B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
Koroniotis et al. A new network forensic framework based on deep learning for Internet of Things networks: A particle deep framework
Khan et al. A spectrogram image-based network anomaly detection system using deep convolutional neural network
Margoosian et al. An accurate kernelized energy detection in Gaussian and non-Gaussian/impulsive noises
Mestre et al. Finite sample size effect on minimum variance beamformers: Optimum diagonal loading factor for large arrays
Jiang et al. A traffic anomaly detection approach in communication networks for applications of multimedia medical devices
Otoum et al. Mitigating False Negative intruder decisions in WSN-based Smart Grid monitoring
Mundodu Krishna et al. Single channel speech separation based on empirical mode decomposition and Hilbert transform
Zhang et al. An IDFT approach for coprime array direction-of-arrival estimation
CN115118495B (zh) 一种基于经验模态分解和频谱特征量检测的用户信息入侵检测方法
Wu et al. DSLN: Securing Internet of Things through RF fingerprint recognition in low-SNR settings
Ding et al. Mine microseismic time series data integrated classification based on improved wavelet decomposition and ELM
Xu et al. Multi-modal noise-robust DDoS attack detection architecture in large-scale networks based on tensor SVD
Yan et al. Graph representation of random signal and its application for sparse signal detection
Chen et al. A MSPCA based intrusion detection algorithm tor detection of DDoS attack
Yilmaz Intrusion detection in computer networks using optimized machine learning algorithms
Sarevska et al. Alternative signal detection for neural network-based smart antenna
Xiao et al. Joint sampling and reconstruction of time-varying signals over directed graphs
Li et al. An adaptive window time-frequency analysis method based on Short-Time Fourier Transform
David et al. Blind automatic malicious activity detection in honeypot data
CN114205821A (zh) 基于深度预测编码神经网络的无线射频异常检测方法
Martins et al. Physical layer anomaly detection mechanisms in IoT networks
Al-Nafjan et al. Intrusion detection using PCA based modular neural network
Liu et al. A Blockchain-assisted Collaborative Ensemble Learning for Network Intrusion Detection
Fa et al. An adaptive LCMV beamforming algorithm based on dynamic selection of constraints
Ming et al. Noise Level Estimation in Energy Internet Based on Artificial Neural Network

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