CN116634415A - 一种传感器网络安全预测方法、装置、设备及介质 - Google Patents

一种传感器网络安全预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN116634415A
CN116634415A CN202310558586.2A CN202310558586A CN116634415A CN 116634415 A CN116634415 A CN 116634415A CN 202310558586 A CN202310558586 A CN 202310558586A CN 116634415 A CN116634415 A CN 116634415A
Authority
CN
China
Prior art keywords
sensor
data
representation
coding
type
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.)
Pending
Application number
CN202310558586.2A
Other languages
English (en)
Inventor
杜翠凤
李�杰
陈三龙
张金龙
袁有余
张剑峰
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.)
Guangzhou Jiesai Communication Planning And Design Institute Co ltd
CETC Potevio Science and Technology Co Ltd
Original Assignee
Guangzhou Jiesai Communication Planning And Design Institute Co ltd
CETC Potevio Science and 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 Guangzhou Jiesai Communication Planning And Design Institute Co ltd, CETC Potevio Science and Technology Co Ltd filed Critical Guangzhou Jiesai Communication Planning And Design Institute Co ltd
Priority to CN202310558586.2A priority Critical patent/CN116634415A/zh
Publication of CN116634415A publication Critical patent/CN116634415A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/009—Security arrangements; Authentication; Protecting privacy or anonymity specially adapted for networks, e.g. wireless sensor networks, ad-hoc networks, RFID networks or cloud networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Security & Cryptography (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开一种传感器网络安全预测方法、装置、设备及介质，方法包括：将各类传感器采集数据分别输入至若干卷积自编码器，获得每一类数据对应的编码表示和解码表示，然后结合语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，获得每一类数据对应的卷积自编码网络参数以及各类数据对应的回归系数矩阵；利用卷积自编码网络参数求解编码表示，获得数据特征，将每一类数据对应的数据特征进行拼接，获得编码表示拼接矩阵，并利用回归系数矩阵进行加权，获得融合特征；利用sigmoid和softmax激活函数对融合特征进行类别概率预测，获得安全预测结果。本发明能够显著提高传感器网络安全预测精度。

Description

一种传感器网络安全预测方法、装置、设备及介质
技术领域
本发明涉及传感器网络安全技术领域，尤其是涉及一种传感器网络安全预测方法、装置、终端设备及计算机可读存储介质。
背景技术
传感器网络是以传感器为节点，通过无线通信方式形成的自组织网络，其广泛应用于生态监测、智慧交通和智慧物流等领域。随着网络攻击的不确定性、复杂性的增加，对传感器网络进行安全预测具有重要意义，而由于传感器网络的数据具有多模态、冗余性和差异性的特点，且不同传感器之间存在异构性，使得现有的传感器网络安全预测方法无法融合不同模态的异构数据以进行安全预测，从而使得传感器网络安全预测的精度低。
发明内容
本发明提供一种传感器网络安全预测方法、装置、设备及介质，以解决现有技术的传感器网络安全预测精度低的技术问题，通过采用卷积自编码器对不同模态的异构数据进行编码表示和解码表示，实现了不同模态的异构数据的统一维度的特征表示，解决了不同传感器之间的异构性问题，此外，为了有效解决不同模态的异构数据的差异性，通过线性回归学习策略、模态内一致性约束和模态间一致性约束提高各类传感器采集数据的编码表示的精度，从而提高了传感器网络安全预测精度。
为了解决上述技术问题，本发明实施例第一方面提供一种传感器网络安全预测方法，包括如下步骤：
将待预测传感器网络中的各类传感器采集数据分别输入至若干预设的卷积自编码器，获得每一类传感器采集数据所对应的编码表示和解码表示；
基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵；
利用所述卷积自编码网络参数求解每一类传感器采集数据所对应的所述编码表示，获得每一类传感器采集数据所对应的数据特征，将每一类传感器采集数据所对应的数据特征进行拼接，获得编码表示拼接矩阵，并利用所述回归系数矩阵对所述编码表示拼接矩阵进行加权，获得融合特征；
利用sigmoid激活函数和softmax激活函数对所述融合特征进行类别概率预测，获得所述待预测传感器网络的安全预测结果。
作为优选方案，所述基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵，具体包括如下步骤：
基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，通过如下表达式获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵：
其中，W表示所述回归系数矩阵；B表示各类传感器采集数据的解码表示拼接矩阵；表示第i类传感器采集数据所对应的卷积自编码网络参数；L表示所述语义标签矩阵；和λi均表示正则化参数；Xi表示第i类传感器采集数据所对应的原始模态数据；/>表示第i类传感器采集数据所对应的解码表示集合；/>表示第i类传感器采集数据所对应的原始模态数据与解码表示的残差；n表示传感器采集数据数量；/>表示第i类传感器采集数据所对应的回归系数矩阵的转置矩阵；/>表示任意两类传感器采集数据具有相同的语义标签信息。
作为优选方案，所述编码表示具体为：h(xi)＝CAE(xi；θCAE)；其中，h(xi)表示所述编码表示；xi表示第i个传感器采集数据；θCAE表示传感器采集数据所对应的卷积自编码网络参数。
作为优选方案，所述解码表示具体为：u＝CAE(h(xi)；θCAE)；其中，u表示所述解码表示。
作为优选方案，所述利用sigmoid激活函数和softmax激活函数对所述融合特征进行类别概率预测，获得所述待预测传感器网络的安全预测结果，具体包括如下步骤：
利用sigmoid激活函数和softmax激活函数对所述融合特征进行类别概率预测，获得每个安全类别所对应的预测概率，并将预测概率最大的安全类别作为所述待预测传感器网络的安全预测结果。
作为优选方案，所述安全类别包括安全、轻微危害、一般危害和严重危害。
本发明实施例第二方面提供一种传感器网络安全预测装置，包括：
编码表示和解码表示获取模块，用于将待预测传感器网络中的各类传感器采集数据分别输入至若干预设的卷积自编码器，获得每一类传感器采集数据所对应的编码表示和解码表示；
参数学习模块，用于基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵；
融合特征获取模块，用于利用所述卷积自编码网络参数求解每一类传感器采集数据所对应的所述编码表示，获得每一类传感器采集数据所对应的数据特征，将每一类传感器采集数据所对应的数据特征进行拼接，获得编码表示拼接矩阵，并利用所述回归系数矩阵对所述编码表示拼接矩阵进行加权，获得融合特征；
传感器网络安全预测模块，用于利用sigmoid激活函数和softmax激活函数对所述融合特征进行类别概率预测，获得所述待预测传感器网络的安全预测结果。
作为优选方案，所述参数学习模块用于基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵，具体包括：
基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，通过如下表达式获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵：
其中，W表示所述回归系数矩阵；B表示各类传感器采集数据的解码表示拼接矩阵；表示第i类传感器采集数据所对应的卷积自编码网络参数；L表示所述语义标签矩阵；和λi均表示正则化参数；Xi表示第i类传感器采集数据所对应的原始模态数据；/>表示第i类传感器采集数据所对应的解码表示集合；/>表示第i类传感器采集数据所对应的原始模态数据与解码表示的残差；n表示传感器采集数据数量；/>表示第i类传感器采集数据所对应的回归系数矩阵的转置矩阵；/>表示任意两类传感器采集数据具有相同的语义标签信息。
本发明实施例第三方面提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的传感器网络安全预测方法。
本发明实施例第四方面提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任一项所述的传感器网络安全预测方法。
相比于现有技术，本发明实施例的有益效果在于，通过采用卷积自编码器对不同模态的异构数据进行编码表示和解码表示，实现了不同模态的异构数据的统一维度的特征表示，解决了不同传感器之间的异构性问题，此外，为了有效解决不同模态的异构数据的差异性，通过线性回归学习策略、模态内一致性约束和模态间一致性约束提高各类传感器采集数据的编码表示的精度，从而提高了传感器网络安全预测精度。
附图说明
图1是本发明实施例中的传感器网络安全预测方法的流程示意图；
图2是本发明实施例中的传感器网络安全预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，本发明实施例第一方面提供一种传感器网络安全预测方法，包括如下步骤S1至步骤S4：
步骤S1，将待预测传感器网络中的各类传感器采集数据分别输入至若干预设的卷积自编码器，获得每一类传感器采集数据所对应的编码表示和解码表示；
步骤S2，基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵；
步骤S3，利用所述卷积自编码网络参数求解每一类传感器采集数据所对应的所述编码表示，获得每一类传感器采集数据所对应的数据特征，将每一类传感器采集数据所对应的数据特征进行拼接，获得编码表示拼接矩阵，并利用所述回归系数矩阵对所述编码表示拼接矩阵进行加权，获得融合特征；
步骤S4，利用sigmoid激活函数和softmax激活函数对所述融合特征进行类别概率预测，获得所述待预测传感器网络的安全预测结果。
在步骤S1中，将待预测传感器网络中的各类传感器采集数据分别输入至若干预设的卷积自编码器。以两类传感器为例，第一类传感器在某一段时间内所采集的数据集合可表示为：其中，/>表示第一类传感器所采集的第i个数据，d1表示数据的维度，n表示数据的数量。第二类传感器在某一段时间内所采集的数据集合可表示为：/>其中，/>表示第二类传感器所采集的第i个数据，d2表示数据的维度，n表示数据的数量。值得说明的是，卷积自编码器(Convolution Auto-Encoders，CAE)与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类(全联接层+softmax输出)不同，CAE可以接受任意尺寸的输入数据，采用反卷积层对最后一个卷积层的feature map进行上采样,使它恢复到输入数据相同的尺寸，从而可以对数据集合中的每一个维度进行预测，同时保留了原始输入数据集合中的空间信息,最后在上采样的特征图上进行逐像素分类。
分别使用若干卷积自编码器对各类传感器采集数据进行编码-解码学习之后可以分别提取其编码表示和解码表示。
在步骤S2中，为了学习各类传感器采集数据所对应的卷积自编码网络参数，本实施例利用线性回归学习策略统一编码表示的同时，将各类传感器采集数据所对应的语义标签矩阵应用到统一编码表示与局部特征学习上，提升卷积自编码器(CAE)解码的适应性，极大提升了传感器网络安全预测的精度。此外，针对数据在编码-解码的特征损失问题，本实施例采用模态内一致性约束来衡量同一类传感器采集数据的局部相似性以保障数据在编码-解码前后编码表示和解码表示的一致性。另外，为了使得不同模态的异构数据之间的全局特征学习(也即编码过程)具有高适应性，本实施例在编码的过程中尽可能保持原始样本的整体特征，因此，通过对不同模态间的一致性进行描述，以此说明不同模态的异构数据之间的关联性经过编码后，也需要保持。
在步骤S3中，由于每一类传感器采集数据所对应的编码表示与卷积自编码网络参数相关，因此本实施例利用卷积自编码网络参数求解每一类传感器采集数据所对应的编码表示，从而获得对应的数据特征，然后将各数据特征进行拼接，获得编码表示拼接矩阵，并利用回归系数矩阵对编码表示拼接矩阵进行加权，从而获得融合特征。
在步骤S4中，利用sigmoid激活函数和softmax激活函数对融合特征进行类别概率预测，从而根据概率预测的结果确定待预测传感器网络的安全预测结果。
作为优选方案，所述基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵，具体包括如下步骤：
基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，通过如下表达式获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵：
其中，W表示所述回归系数矩阵；B表示各类传感器采集数据的解码表示拼接矩阵；表示第i类传感器采集数据所对应的卷积自编码网络参数；L表示所述语义标签矩阵；和λi均表示正则化参数；Xi表示第i类传感器采集数据所对应的原始模态数据；/>表示第i类传感器采集数据所对应的解码表示集合；/>表示第i类传感器采集数据所对应的原始模态数据与解码表示的残差；n表示传感器采集数据数量；/>表示第i类传感器采集数据所对应的回归系数矩阵的转置矩阵；/>表示任意两类传感器采集数据具有相同的语义标签信息。
值得说明的是，本实施例考虑到语义标签信息对于卷积自编码网络参数的训练有很大的帮助，这是因为不同传感器的采集数据本应该具有一致的语义标签信息，而我们可以在有限的标签样本中采用标签来监督不同传感器采集数据(或称为不同模态的异构数据)标签的一致性，因此，本实施例利用线性回归学习拟合不同模态的标签数据，表达式如下：
针对数据在编码-解码的特征损失问题，本实施例采用模态内一致性约束来衡量同一类传感器采集数据的局部相似性以保障数据在编码-解码前后编码表示和解码表示的一致性，表达式如下：
为了使得不同模态的异构数据之间的全局特征学习(也即编码过程)具有高适应性，本实施例在编码的过程中尽可能保持原始样本的整体特征，因此，通过对不同模态间的一致性进行描述，以此说明不同模态的异构数据之间的关联性经过编码后，也需要保持，表达式如下：
其中，各类传感器采集数据所对应的回归系数矩阵表示为：W＝[Wv；Wu]。
至此，为了求解卷积自编码网络参数，将公式(1)、(2)和(3)进行整合，并将模态内和模态间最小化，得到表达式：
作为优选方案，所述编码表示具体为：h(zi)＝CAE(xi；θCAE)；其中，h(xi)表示所述编码表示；xi表示第i个传感器采集数据；θCAE表示传感器采集数据所对应的卷积自编码网络参数。
作为优选方案，所述解码表示具体为：u＝CAE(h(xi)；θCAE)；其中，u表示所述解码表示。
作为优选方案，所述利用sigmoid激活函数和softmax激活函数对所述融合特征进行类别概率预测，获得所述待预测传感器网络的安全预测结果，具体包括如下步骤：
利用sigmoid激活函数和softmax激活函数对所述融合特征进行类别概率预测，获得每个安全类别所对应的预测概率，并将预测概率最大的安全类别作为所述待预测传感器网络的安全预测结果。
作为优选方案，所述安全类别包括安全、轻微危害、一般危害和严重危害。
本发明实施例提供的一种传感器网络安全预测方法，通过采用卷积自编码器对不同模态的异构数据进行编码表示和解码表示，实现了不同模态的异构数据的统一维度的特征表示，解决了不同传感器之间的异构性问题，此外，为了有效解决不同模态的异构数据的差异性，通过线性回归学习策略、模态内一致性约束和模态间一致性约束提高各类传感器采集数据的编码表示的精度，从而提高了传感器网络安全预测精度。
参见图2，本发明实施例第二方面提供一种传感器网络安全预测装置，包括：
编码表示和解码表示获取模块201，用于将待预测传感器网络中的各类传感器采集数据分别输入至若干预设的卷积自编码器，获得每一类传感器采集数据所对应的编码表示和解码表示；
参数学习模块202，用于基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵；
融合特征获取模块203，用于利用所述卷积自编码网络参数求解每一类传感器采集数据所对应的所述编码表示，获得每一类传感器采集数据所对应的数据特征，将每一类传感器采集数据所对应的数据特征进行拼接，获得编码表示拼接矩阵，并利用所述回归系数矩阵对所述编码表示拼接矩阵进行加权，获得融合特征；
传感器网络安全预测模块204，用于利用sigmoid激活函数和softmax激活函数对所述融合特征进行类别概率预测，获得所述待预测传感器网络的安全预测结果。
作为优选方案，所述参数学习模块202用于基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵，具体包括：
基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，通过如下表达式获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵：
其中，W表示所述回归系数矩阵；B表示各类传感器采集数据的解码表示拼接矩阵；表示第i类传感器采集数据所对应的卷积自编码网络参数；L表示所述语义标签矩阵；和λi均表示正则化参数；Xi表示第i类传感器采集数据所对应的原始模态数据；/>表示第i类传感器采集数据所对应的解码表示集合；/>表示第i类传感器采集数据所对应的原始模态数据与解码表示的残差；n表示传感器采集数据数量；/>表示第i类传感器采集数据所对应的回归系数矩阵的转置矩阵；/>表示任意两类传感器采集数据具有相同的语义标签信息。
作为优选方案，所述编码表示具体为：h(xi)＝CAE(xi；θCAE)；其中，h(xi)表示所述编码表示；xi表示第i个传感器采集数据；θCAE表示传感器采集数据所对应的卷积自编码网络参数。
作为优选方案，所述解码表示具体为：u＝CAE(h(xi)；θCAE)；其中，u表示所述解码表示。
作为优选方案，所述传感器网络安全预测模块204用于利用sigmoid激活函数和softmax激活函数对所述融合特征进行类别概率预测，获得所述待预测传感器网络的安全预测结果，具体包括：
利用sigmoid激活函数和softmax激活函数对所述融合特征进行类别概率预测，获得每个安全类别所对应的预测概率，并将预测概率最大的安全类别作为所述待预测传感器网络的安全预测结果。
作为优选方案，所述安全类别包括安全、轻微危害、一般危害和严重危害。
需要说明的是，本发明实施例所提供的一种传感器网络安全预测装置，能够实现上述任一实施例所述的传感器网络安全预测方法的所有流程，装置中的各个模块的作用以及实现的技术效果分别与上述实施例所述的传感器网络安全预测方法的作用以及实现的技术效果对应相同，这里不再赘述。
本发明实施例第三方面提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一实施例所述的传感器网络安全预测方法。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明实施例第四方面提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任一实施例所述的传感器网络安全预测方法。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种传感器网络安全预测方法，其特征在于，包括如下步骤：
将待预测传感器网络中的各类传感器采集数据分别输入至若干预设的卷积自编码器，获得每一类传感器采集数据所对应的编码表示和解码表示；
基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵；
利用所述卷积自编码网络参数求解每一类传感器采集数据所对应的所述编码表示，获得每一类传感器采集数据所对应的数据特征，将每一类传感器采集数据所对应的数据特征进行拼接，获得编码表示拼接矩阵，并利用所述回归系数矩阵对所述编码表示拼接矩阵进行加权，获得融合特征；
利用sigmoid激活函数和softmax激活函数对所述融合特征进行类别概率预测，获得所述待预测传感器网络的安全预测结果。
2.如权利要求1所述的传感器网络安全预测方法，其特征在于，所述基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵，具体包括如下步骤：
基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，通过如下表达式获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵：
其中，W表示所述回归系数矩阵；B表示各类传感器采集数据的解码表示拼接矩阵；表示第i类传感器采集数据所对应的卷积自编码网络参数；L表示所述语义标签矩阵；/>和λi均表示正则化参数；Xi表示第i类传感器采集数据所对应的原始模态数据；/>表示第i类传感器采集数据所对应的解码表示集合；/>表示第i类传感器采集数据所对应的原始模态数据与解码表示的残差；n表示传感器采集数据数量；/>表示第i类传感器采集数据所对应的回归系数矩阵的转置矩阵；/>表示任意两类传感器采集数据具有相同的语义标签信息。
3.如权利要求1所述的传感器网络安全预测方法，其特征在于，所述编码表示具体为：h(xi)＝AE(xi；CAE)；其中，h(xi)表示所述编码表示；xi表示第i个传感器采集数据；θCAE表示传感器采集数据所对应的卷积自编码网络参数。
4.如权利要求3所述的传感器网络安全预测方法，其特征在于，所述解码表示具体为：u＝CAE(h(xi)；θCAE)；其中，u表示所述解码表示。
5.如权利要求1所述的传感器网络安全预测方法，其特征在于，所述利用sigmoid激活函数和softmax激活函数对所述融合特征进行类别概率预测，获得所述待预测传感器网络的安全预测结果，具体包括如下步骤：
利用sigmoid激活函数和softmax激活函数对所述融合特征进行类别概率预测，获得每个安全类别所对应的预测概率，并将预测概率最大的安全类别作为所述待预测传感器网络的安全预测结果。
6.如权利要求5所述的传感器网络安全预测方法，其特征在于，所述安全类别包括安全、轻微危害、一般危害和严重危害。
7.一种传感器网络安全预测装置，其特征在于，包括：
编码表示和解码表示获取模块，用于将待预测传感器网络中的各类传感器采集数据分别输入至若干预设的卷积自编码器，获得每一类传感器采集数据所对应的编码表示和解码表示；
参数学习模块，用于基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵；
融合特征获取模块，用于利用所述卷积自编码网络参数求解每一类传感器采集数据所对应的所述编码表示，获得每一类传感器采集数据所对应的数据特征，将每一类传感器采集数据所对应的数据特征进行拼接，获得编码表示拼接矩阵，并利用所述回归系数矩阵对所述编码表示拼接矩阵进行加权，获得融合特征；
传感器网络安全预测模块，用于利用sigmoid激活函数和softmax激活函数对所述融合特征进行类别概率预测，获得所述待预测传感器网络的安全预测结果。
8.如权利要求7所述的传感器网络安全预测装置，其特征在于，所述参数学习模块用于基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵，具体包括：
基于各类传感器采集数据所对应的所述编码表示、所述解码表示和预设的语义标签矩阵，按照线性回归学习策略、模态内一致性约束和模态间一致性约束进行参数学习，通过如下表达式获得每一类传感器采集数据所对应的卷积自编码网络参数以及各类传感器采集数据所对应的回归系数矩阵：
其中，W表示所述回归系数矩阵；B表示各类传感器采集数据的解码表示拼接矩阵；表示第i类传感器采集数据所对应的卷积自编码网络参数；L表示所述语义标签矩阵；和λi均表示正则化参数；Xi表示第i类传感器采集数据所对应的原始模态数据；/>表示第i类传感器采集数据所对应的解码表示集合；/>表示第i类传感器采集数据所对应的原始模态数据与解码表示的残差；n表示传感器采集数据数量；/>表示第i类传感器采集数据所对应的回归系数矩阵的转置矩阵；/>表示任意两类传感器采集数据具有相同的语义标签信息。
9.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的传感器网络安全预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6任一项所述的传感器网络安全预测方法。
CN202310558586.2A 2023-05-17 2023-05-17 一种传感器网络安全预测方法、装置、设备及介质 Pending CN116634415A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310558586.2A CN116634415A (zh) 2023-05-17 2023-05-17 一种传感器网络安全预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310558586.2A CN116634415A (zh) 2023-05-17 2023-05-17 一种传感器网络安全预测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116634415A true CN116634415A (zh) 2023-08-22

Family

ID=87635833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310558586.2A Pending CN116634415A (zh) 2023-05-17 2023-05-17 一种传感器网络安全预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116634415A (zh)

Similar Documents

Publication Publication Date Title
CN112990280B (zh) 面向图像大数据的类增量分类方法、系统、装置及介质
CN108701250B (zh) 数据定点化方法和装置
WO2022105125A1 (zh) 图像分割方法、装置、计算机设备及存储介质
CN116415654A (zh) 一种数据处理方法及相关设备
CN111275107A (zh) 一种基于迁移学习的多标签场景图像分类方法及装置
EP4120138A1 (en) System and method for molecular property prediction using hypergraph message passing neural network (hmpnn)
CN110956263A (zh) 一种二值化神经网络的构建方法、存储介质及终端设备
CN112529024B (zh) 一种样本数据的生成方法、装置及计算机可读存储介质
CN113609337A (zh) 图神经网络的预训练方法、训练方法、装置、设备及介质
CN113705603A (zh) 不完整多视角数据的聚类方法、电子设备
CN116452810A (zh) 一种多层次语义分割方法、装置、电子设备及存储介质
CN115311318A (zh) 一种基于知识蒸馏的遥感变化检测方法
CN114418189A (zh) 水质等级预测方法、系统、终端设备及存储介质
CN113656544B (zh) 嵌套命名实体识别模型的训练方法、装置、设备和介质
CN117693754A (zh) 训练用于图像修复的经掩模的自动编码器
WO2023078009A1 (zh) 一种模型权重获取方法以及相关系统
CN116634415A (zh) 一种传感器网络安全预测方法、装置、设备及介质
CN113656555B (zh) 嵌套命名实体识别模型的训练方法、装置、设备和介质
CN112633285B (zh) 领域适应方法、装置、电子设备及存储介质
Jin et al. Blind image quality assessment for multiple distortion image
CN114819140A (zh) 模型剪枝方法、装置和计算机设备
CN114547308A (zh) 文本处理的方法、装置、电子设备及存储介质
CN111178630A (zh) 一种负荷预测方法及装置
CN111552827A (zh) 标注方法和装置、行为意愿预测模型训练方法和装置
Ling et al. [Retracted] Research on Network Layer Recursive Reduction Model Compression for Image Recognition

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