申请/专利权人：大连理工大学

申请日：2019-12-28

公开（公告）日：2020-05-15

公开（公告）号：CN111160456A

主分类号：G06K9/62(20060101)

分类号：G06K9/62(20060101);H04W4/44(20180101);H04W4/46(20180101);H04W12/00(20090101);H04W12/12(20090101);H04W40/22(20090101);H04W40/32(20090101)

优先权：

专利状态码：有效-授权

法律状态：2022.09.20#授权;2020.06.09#实质审查的生效;2020.05.15#公开

摘要：本发明属于信息安全技术领域，提供了一种车载内容中心网络下基于集成学习的缓存污染攻击检测方法。RSU首先根据通信范围内车辆的位置将车辆分成若干个初始簇。然后簇头执行簇维护算法，当有独立车辆加入时使用onlinek‑means算法更新簇中心；当簇内车辆离开时通过加入虚拟车辆将离开问题转化为车辆加入问题；当簇内车辆数量过少时及时向其他簇合并。簇头周期性地收集簇内车辆的统计数据来训练分类器，同时簇头会向RSU请求流行度最高的TopK个分类器，然后将它们与自己训练的分类器结合起来生成集成分类器来检测污染攻击。新的集成分类器会通过准确率和相似度两个指标来确定是否替换旧集成分类器。

主权项：1.一种车载内容中心网络下基于集成学习的缓存污染攻击检测方法，其特征在于，步骤如下：1车辆初始化分簇阶段：1.1RSU随机选择通信范围内距离最大的两辆车作为簇头，形成两个簇；1.2簇内车辆计算到簇头的距离，加入距离最近的簇头所在的簇；1.3所有车辆加入完成后，簇头更新为最靠近簇物理中心的车辆；1.4每个簇按照1.1-1.3继续分裂迭代，若再次分裂不能满足簇内车辆数量大于下限时停止分裂；2车辆加入操作2.1每个独立的车辆都需要找到距离自己最近的簇头车辆所在的簇加入；独立车辆计算自己和通信范围内所有簇头的距离，距离计算方式如下： 其中，vl表示非簇头车辆，vh表示簇头车辆，xl，yl表示车辆vl的坐标，xh，yh表示车辆vh的坐标；2.2独立车辆计算自己和通信范围内所有簇头的方向夹角，车辆方向夹角的计算方式如下： 其中，表示车辆vl的方向向量，表示车辆vh的方向向量；2.3独立车辆计算自己在通信范围内每一个簇内的预计逗留时间，预计逗留时间的计算方式如下： 其中，r表示簇头的通信半径；2.4若独立车辆和簇头车辆满足如下关系，则表示独立车辆可加入该簇 其中，r表示车辆的通信半径，sc表示簇头车辆的CS表中一个数据块的大小，b表示独立车辆和簇头之间的网络带宽；2.5车辆在所有可加入的簇中，选择与簇头距离最小的簇加入，加入后簇头按照如下方式重新计算簇中心，并选择最靠近簇中心的车辆作为新簇头； 其中，x`h，y`h表示计算得出的新簇中心坐标，xh，yh表示旧簇中心的坐标，η表示学习率，设置为0.05，J定义如下： 其中，vl表示加入车辆，vj表示vl通信范围内的第j个簇头车辆，K表示vl通信范围内簇头的数量；距离新的簇中心最近车辆将成为新簇头；2.6如果没有符合要求的簇，则该车辆成为一个新的簇头；3车辆离开操作3.1车辆离开时，簇头首先计算该车辆关于簇中心对称的位置，计算方式如下： 其中，xp，yp表示离开车辆vp的坐标，xh，yh表示簇头vh的坐标；然后簇头在该位置插入一个虚拟车辆；3.2簇头按照步骤2.5对簇头进行更新操作；3.3当由于离开车辆过多导致簇内车辆的数量小于4时，簇内车辆将会加入其他簇，加入操作与步骤2相同；4生成集成分类器4.1当车辆收到Interest包时，统计如下统计数据：请求率、请求多样性程度、请求率方差、请求间隔方差和缓存命中率改变；定义如下：请求率表示一个时间片内，某内容的请求数量在总请求数中的占比，定义如下： 其中，nci表示在一个时间片内接收到的对内容ci请求的数量，NC表示请求的总数；请求多样性程度表示一个时间片内，不同内容请求的数量，其定义如下：drkC＝||rkC||0其中，rkC表示内容请求频率的集合，||||0表示L0范数；请求率方差表示在最近连续m个时间片内，某内容的请求率的方差，其定义如下： 其中，rjci表示在时间片j内，内容ci的请求率，Erci表示对内容ci在连续m个时间片内的请求率求期望，定义如下： 请求间隔方差表示在一个时间片内，某内容相邻两次请求时间间隔的方差； 其中，tjci表示当前时间片中内容ci的第j个请求间隔，Etci表示对内容ci在连续u个请求间隔求期望，定义如下： 缓存命中率改变表示当前时间片的缓存命中率和上一个时间片的缓存命中率之差，定义如下：Δhk＝hrk-hrk-1其中，hrk表示第k个时间片的缓存命中率，hrk-1表示第k-1个时间片的缓存命中率；4.2在一个时间片结束时，簇内车辆向簇头发送自己在该时间片内的统计数据；4.3簇头收到所有簇内车辆的统计数据之后用这些数据来训练一个二分类器；不同的簇头可以采用不同的算法来训练；4.4簇头向RSU请求流行度最大的W个分类器，流行度表示分类器被使用的次数；如果RSU中分类器的数量小于W，则RSU回传所有的分类器即可；若RSU中没有分类器，则返回一个数据包通知簇头没有分类器；4.5簇头将自己训练的分类器和从RSU获取的分类器发送给簇内所有的车辆；4.6簇内车辆自己生成测试数据来测试从簇头收到的所有分类器，剔除其中准确率小于等于0.5的分类器，剩下的这些分类器就是集成分类器的组成部分；4.7若车辆已有集成分类器，则在测试集上测试新旧分类器的准确率，若新分类器的准确率高于旧分类器，则用新分类器替换旧分类器，若新分类器的准确率低于旧分类器，则仍采用旧分类器；若两者的准确率相同，则计算两者在测试集上的结果与正确结果的相似度，选择相似度高的分类器；相似度的定义如下，首先假设有Z个样本的测试集为X＝{x1，x2，...，xZ}，集成分类器将测试集中的第i个样本判定为攻击的概率为： 集成分类器将测试集中的第i个样本判定为攻击的正常内容的概率为： 其中，qjxi表示第j个分类器对第i个样本的检测结果，若检测为攻击，则值为1，若检测为正常内容，则值为0；对于集成分类器QA和QB，两者分类结果的相似度定义为： 4.8当新的集成分类器被簇内车辆采用时，车辆会向簇头节点发送组成该集成分类器的所有分类器的名字，簇头汇总各个分类器被采用的次数，然后发送给RSU；对于已经记存储在RSU中的分类器，RSU更新它们的流行度，对于在RSU中没有存储的分类器，RSU将其加入到自己的存储列表中，并将其流行度设置为它被采用的次数；5污染攻击检测5.1当车辆收到Interest包时，统计如下统计数据：请求率、请求多样性程度、请求率方差、请求间隔方差、缓存命中率改变；这些统计量的定义与4.1中相同；5.2车辆将这些统计量变为符合集成分类器输入的形式；5.3车辆使用集成分类器来对输入数据x进行分类，若Qx≥12，则该内容为污染攻击，反之则为正常内容，Qx与步骤4.7中定义相同。

全文数据：

权利要求：

百度查询： 大连理工大学 车载内容中心网络下基于集成学习的缓存污染攻击检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD