申请/专利权人：重庆邮电大学

申请日：2023-01-04

公开（公告）日：2024-04-09

公开（公告）号：CN116016298B

主分类号：H04L43/18

分类号：H04L43/18;H04W24/08;H04L43/16;H04L41/14

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2023.05.12#实质审查的生效;2023.04.25#公开

摘要：本发明属于5G网络安全技术领域，涉及一种基于隐半马尔可夫模型的5G通信协议异常检测方法；所述方法包括对5G网络通信协议进行分析，将网元节点的隐藏状态映射为隐状态集合，将实际收发的信令数据映射为可观测集合；根据隐状态集合和可观测集合，构建出隐半马尔可夫模型的四元组参数；使用滑动窗口将训练信令序列划分为等长的训练子序列进行迭代训练，使用前后向算法学习所述隐半马尔可夫模型的四元组参数；使用滑动窗口将待检测信令序列划分为等长的待测子序列，基于学习到的四元组参数使用前向算法计算各个待测子序列的概率值；当待测子序列的概率值低于检测阈值时，判定所述待测子序列为异常。本发明实现从原始数据中自主的提取特征。

主权项：1.一种基于隐半马尔可夫模型的5G通信协议异常检测方法，其特征在于，所述方法包括：通过对5G网络通信协议进行分析，将网元节点的隐藏状态映射为隐状态集合，将实际收发的信令数据映射为可观测集合；根据所述隐状态集合和所述可观测集合，构建出隐半马尔可夫模型的四元组参数；所述四元组参数包括使用隐状态概率转移amn描述网元节点的状态转换行为，使用隐状态驻留时间概率pmd描述网元节点动态持续时间，使用初始状态概率πi描述任意初始时刻网元节点状态概率，使用可观测状态发射概率bmk建立网元节点状态与所收发信令的关系，构建出隐半马尔可夫模型四元组λ＝A,B,P,Π；A表示隐状态转移概率矩阵，B表示观测状态的生成概率矩阵，P表示隐状态的持续时间矩阵，Π表示隐状态的初始状态概率矩阵；使用滑动窗口将训练信令序列划分为等长的训练子序列进行迭代训练，使用前后向算法学习所述隐半马尔可夫模型的四元组参数；采取网元节点正常交互过程中产生的信令序列作为训练信令序列，使用滑动窗口将训练信令序列划分为等长的训练子序列，使用前后向算法分别计算得到训练子序列出现的前向概率和后向概率，使用前向概率和后向概率得到三种联合概率分布，根据三种联合概率迭代训练隐半马尔可夫模型四元组中的参数；前向概率和后向概率分别表示为：当t＝1，前向概率表示为：α1m,d＝πmbmo1pmd当t1，前向概率表示为： 当d1,tT时，后向概率表示为：βtm,d＝bmot+1βt+1m,d-1当d＝1,tT时，后向概率表示为： 当d≥1,t＝T时，后向概率表示为：βTm,d＝1其中，T表示观测时间；α1m,d表示在初始时刻隐状态it＝sm且持续时间τ＝d的前向概率，πm表示初始状态概率，bmo1表示状态sm下可观测序列o1的发射概率，pmd表示隐状态sm驻留时间概率；αtm,d表示t时刻隐状态it＝sm且持续时间τ＝d的前向概率，αt-1m,d+1表示t-1时刻隐状态it-1＝sm且持续时间τ＝d+1的前向概率，bmot表示状态sm下可观测序列ot的发射概率，αt-1n,1表示在t-1时刻隐状态it-1＝sn且持续时间τ＝1的前向概率，amn表示当t时刻隐状态为it＝sm，t+1时刻隐状态为it+1＝sn的隐状态转移概率，βtm,d表示在t时刻隐状态it＝sm且持续时间τ＝d的反向概率，bmot+1表示状态sm下可观测序列ot+1的发射概率，βt+1m,d-1表示在t+1时刻隐状态it+1＝sm且持续时间τ＝d-1的反向概率，βtm,1表示在t时刻隐状态it＝sm且持续时间τ＝1的反向概率，bnot+1表示状态sn下可观测序列ot+1的发射概率，pnd表示隐状态sn驻留时间概率，βt+1n,d表示在t+1时刻隐状态it+1＝sn且持续时间τ＝d的反向概率，βTm,d表示在T时刻隐状态iT＝sm且持续时间τ＝d的反向概率；三种联合概率分别表示为： 其中，ξtm,n表示t时刻隐状态从sm转移到sn的联合概率，αt-1m,1表示在t-1时刻隐状态it-1＝sm且持续时间τ＝1的前向概率，bnot表示状态sn下可观测序列ot的发射概率，βtn,d表示在t时刻隐状态it＝sn且持续时间τ＝d的反向概率；ηtm,d表示t时刻的隐状态snn≠m转移到隐状态sm且持续时间为d的联合概率；γtm表示t时刻的隐状态it＝sm的联合概率；使用滑动窗口将待检测信令序列划分为等长的待测子序列，基于学习到的四元组参数使用前向算法计算各个待测子序列的概率值；也即是使用滑动窗口将待测信令序列划分为等长的待测子序列，带入学习到的四元组参数，根据前向算法依次计算滑动窗口所经过的待测子序列的概率值；待测子序列的概率值的表达式为： 其中，表示滑动窗口大小为w的子序列概率对数值，αw-1m,d+1表示在隐状态iw-1＝sm且持续时间τ＝d+1的前向概率，bmow表示状态sm下可观测序列ow的发射概率，αw-1n,1表示在隐状态iw-1＝sn且持续时间τ＝1的前向概率；当待测子序列的概率值低于检测阈值时，判定所述待测子序列为异常。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于隐半马尔可夫模型的5G通信协议异常检测方法

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