买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明属于网络安全领域，提供了一种基于深度学习的边缘计算环境下的DDos检测方法。主旨在于解决因为边缘节点算力受限、存储空间小、网络波动大的环境问题，无法部署应用的问题。主要方案包括搭建了预处理层，对输入的网络流量数据依次进行过滤脏数据、归一化处理、攻击类型标签统计分析，利用Smote算法上采样稀疏类、对稠密类进行下采样以此平衡标签类别；模型构建；将预处理后的网络流量数据划分得到训练集和测试集，通过训练集和测试集输入到模型中进行训练，得到训练好的模型；将训练好的模型部署到边缘节点中，搜集节点中的网络流量数据，使用预处理层来处理流量数据后送入部署的模型进行实时DDos预测。

主权项：1.一种基于深度学习的边缘计算环境下的DDos检测方法，其特征在于，包括以下步骤：步骤1、搭建了预处理层，对输入的网络流量数据依次进行过滤脏数据、归一化处理、攻击类型标签统计分析，利用Smote算法上采样稀疏类、对稠密类进行下采样以此平衡标签类别，避免长尾效应得到预处理后的网络流量数据；步骤2、模型构建；步骤2.1、以步骤1中的预处理层作为输入层；步骤2.2、搭建卷积层:卷积层由三层复合一维卷积层构成,其中一维卷积中输出滤波器的数量分别为20、40、60，卷积核的尺寸为4*1，填充方式为“same”；一维卷积后使用Relu作为激活函数，并接入一层BN层，构成一层复合一维卷积层,其中，一维卷积运算公式如式: 式中，为第j个输入特征图，特征图是一种在一个空间中获取特征向量，然后在另一空间中将其转换为特征向量的函数，此处指给定过滤器的输出激活，i为一维卷积的层数，为所使用的卷积核，*代表卷积运算且采用“same”填充方式，为激活函数，采用ReLU来进行非线性化处理，卷积层不添加偏置；BN层的运算公式如式: 式中，为非线性化后输入BN层的特征图，为的平均值，为的方差值，为标准化后再次进行缩放的参数，为标准化后进行平移的参数;步骤2.3、搭建BiLSTM层，通过卷积层提取到网络流量数据的各维度特征图后，变换形状以适应性输入BiLSTM层，BiLSTM模型的网络体系结构包括，BiLSTM单元设置有输入门i、遗忘门f和输出门o，当前t时刻数据进入时，结合内部存储单元和输出进行计算得出当前输出，然后及时更新内部存储单元[18]，遗忘门的运算公式如式: 为对应神经元参数，可将输入调整成与t时刻隐藏层相同的维度，为对应的偏置；i为中的每个单元生成区间在[0,1]的对应值，用以控制添加新信息的量，输入门的运算公式可以表示为： 、为对应神经元参数，可将输入调整成与t时刻隐藏层相同的维度，、为对应的偏置;i用于筛选当前单元状态的数量，可以表示为式: 本式的为对应神经元参数，可将输入调整成与t时刻隐藏层相同的维度，为对应的偏置，为隐藏状态表示值；对于时刻t处的BiLSTM模型，输出、和可以表示为式 本式的、为对应神经元参数，可将输入调整成与t时刻隐藏层相同的维度，、为对应的偏置,x代表输入，W代表单元之间的连接权重，b是偏置向量，“·”代表点积运算;步骤2.3、搭建输出层，输出层由一层输出空间的维数为320的全连接层和一层Softmax层构成，数据经过BiLSTM后，展平进入全连接层和Softmax层，其中Softmax层是一种多分类器，表达式如式： softmax又称归一化指数函数，是以e为底，输入为幂的指数；该层能转化实数范围内的分类结果数值，然后通过交叉熵损失函数来评测模型的检测结果；步骤3、将预处理后的网络流量数据划分得到训练集和测试集，通过训练集和测试集输入到模型中进行训练，得到训练好的模型；步骤4、将训练好的模型部署到边缘节点中，搜集节点中的网络流量数据，使用预处理层来处理流量数据后送入部署的模型进行实时DDos预测。

全文数据：

权利要求：

百度查询： 四川省公安科研中心 电子科技大学 一种基于深度学习的边缘计算环境下的DDos检测方法