图片21
物联网安全之利用卷积神经网络进行流量时空特征提取。
卷积神经网络是利用卷积核一次又一次地更新反传过程中的特征向量集，去无界地拟合这样一个非常接近的特征向量集，从而有效地提取特征。针对流量时空矩阵数据集过大的特点，在直接利用卷积神经网络的卷积核对流量特征进行特征提取时，计算量大，利用16×16的滑窗对流量时空数据矩阵进行数据截取，以实现对网络流量特征的轻量级提取，并以截获的数据作为卷积神经网络的输入；流时空特性的提取。一种利用卷积神经网络提取流量时空特征的方法。
基于卷积神经网络的业务时空特征提取过程：输入是一个大小为16×16的移动窗口截取流量时空数据矩阵，使用2个卷积核(第一个卷积核大小3×3，第二个卷积核大小2×2×2)和2个2×2的池化层进行流量时空特性提取，最后将特征图平铺后，获得了空间和空间9维特征矢量。
物联网安全之蚁群算法优化的BP神经网络流量检测
采用BP神经网络进行多层神经网络参数计算，解决了非线性分类和学习问题。该算法通过误差反传原理改变了传统的网络结构，引入新的层次化和逻辑，解决了非线性分类问题。利用蚁群算法进行优化，建立了包含输入层、隐含层和输出层三个层次的BP网络。输入层节点数为9，输入的数据为业务时空特征，输出层节点数为5，输出层节点数为1；用Sigmond函数激活，学习率为0.01，迭代次数为100。为提高算法的鲁棒性和全局寻优性，采用蚁群算法对神经网络节点间的初始权值、阈值进行优化，然后用神经网络代入神经网络训练，使网络快速收敛，得到训练后的权值和阈值，并进行流量分类。
蚁群算法优化的BP神经网络流量检测算法首先定义了蚁群算法的参数，包括初始权值、阈值矩阵、种群个数、最大迭代次数、误差和信息素矩阵；与网络输入层相结合，由隐层和输出层节点数决定初始权值和阈值数，再将其输入到已建立的三层BP神经网络(输入层9)。隐层5，输出层1)，为每个个体计算适应度，并按降序排序，记录每个个体在t时刻的适应程度；利用信息素向量矩阵，根据个体的适应程度更新信息素向量矩阵，从而获得传递概率化解矩阵，将群体推向最佳路径。修改时间t+1时的阈值和权值矩阵，对种群进行优化；最后，在最佳个体的迭代数大于所设定的迭代数的情况下，判定终止条件。或最佳个体输出的误差小于设定的误差，停止迭代输出一组最优个体的权值、阈值，并用神经网络代入训练样本，系统输出流量异常概率值，实现流量异常分类，否则返回第三步。
