申请/专利权人：河南大学

申请日：2023-12-28

公开（公告）日：2024-04-02

公开（公告）号：CN117807496A

主分类号：G06F18/241

分类号：G06F18/241;H04L9/40;H04L67/12;G06F18/23;G06N20/00;G06N3/047;G06N3/0475;G06N3/044;G06N7/01;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明属于车联网安全技术领域，公开一种基于自适应联邦学习的车联网异常流量检测方法，其实现步骤为：初始化联邦学习系统；本地参与者对本地神经网络模型进行初训练；本地参与者对本地神经网络模型进行再训练；中心服务器判断参与者是否满足参数上传条件；中心服务器聚合神经网络模型并下发；所有本地参与者进行异常流量检测。本发明保留较高层的本地模型进行本地权重收敛训练，提升本地模型的检测表现；使用自适应模型聚合，减弱全局模型遭受的负面影响，实现了数据分布不均的车辆网场景下的模型最优化和个性化，从而提升了车辆网中异常流量检测准确率。

主权项：1.一种基于自适应联邦学习的车联网异常流量检测方法，其特征在于，包括：1初始化联邦学习系统：初始化包括一个中心服务器和n个车辆参与者C＝{c1,c2,…,cn}作为本地参与者的聚类联邦学习系统，中心服务器初始化一个用于异常检测的全局神经网络模型权值参数θ0并下发给所有本地参与者，第i个本地参与者ci获得本地模型2本地参与者对本地神经网络模型进行初训练：ci首先使用随机采样的本地训练数据对高p层上的神经网络参数进行一次收敛训练，直至满足设定收敛阈值后，更新的高p层上的参数并保留除高p层外的神经网络参数，得到收敛训练后的本地模型之后使用本地流量数据Di对进行初训练得到本地神经网络模型3本地参与者对本地神经网络模型进行再训练：ci使用随机采样的本地训练数据对高p层上的神经网络参数进行一次收敛训练，直至满足设定收敛阈值后，更新的高p层上的参数并保留除高p层外的神经网络参数，得到收敛训练后的本地模型之后使用本地流量数据Di对进行再训练得到其中t≥2；4中心服务器判断参与者是否满足参数上传条件：参与者结束每轮本地训练后，首先上传本地模型准确度到中心服务器，中心服务器挑选符合预设准确度阈值的参与者上传本地神经网络权重，中心服务器得到在该轮选择的j个参与者C′＝{c1,c2,…,cj}，准确度集合At＝[a1,a2,…,aj]；5中心服务器聚合神经网络模型并下发：中心服务器对j个参与者的本地神经网络模型权重参数集合进行聚合，聚合结果为本轮的全局神经网络模型权重参数Wt，进而得到更新后的全局神经网络模型θt，并将θt下发给每个参与者；6所有本地参与者进行异常流量检测：所有本地参与者C利用中心服务器下发的全局神经网络模型θt进行异常流量检测，对数据集提取特征，通过数值化和归一化处理后，输入模型经过多层网络结构提取高维度特征，最后在全连接层进行分类，并判断分类结果是否为攻击类型，若是则为异常流量，否则为正常流量。

全文数据：

权利要求：

百度查询： 河南大学 一种基于自适应联邦学习的车联网异常流量检测方法

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