(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111547315.4 (22)申请日 2021.12.16 (65)同一申请的已公布的文献号 申请公布号 CN 114499934 A (43)申请公布日 2022.05.13 (73)专利权人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 杜清河　赵梓晓　宋宇航　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 李红霖 (51)Int.Cl. H04L 9/40(2022.01) H04L 41/16(2022.01) H04L 67/12(2022.01) G06N 3/08(2006.01) (56)对比文件 CN 112202736 A,2021.01.08 CN 10415 6615 A,2014.1 1.19 CN 113079167 A,2021.07.0 6 CN 10978785 5 A,2019.0 5.21 CN 112788022 A,2021.0 5.11 CN 112131212 A,2020.12.25 CN 112187528 A,2021.01.0 5CN 112329847 A,2021.02.0 5 US 2019098043 A1,2019.0 3.28 US 2021144164 A1,2021.0 5.13 陈兴蜀等.基 于多维时间序列分析的网络异 常检测. 《工程科 学与技术》 .2017,(第01期), 张怡然.基 于通信流 量智能化分析的电力工 控网络入侵 检测方法探究. 《科技传播》 .2021, 温粉莲.一种混合模型的时序数据异常检测 方法. 《数字通信世界》 .2020,(第01期), 谢康.基于神经网络的入侵 检测相关技 术研 究. 《中国优秀博士学位 论文全文数据库(电子期 刊)信息科技 辑》 .2016, 吴静.入侵 检测中神经网络融合学习方法的 研究. 《中国优秀博士学位 论文全文数据库(电子 期刊)信息科技 辑》 .2010, 何月梅.网络流 量与入侵 检测研究. 《通信技 术》 .2009, Qinghe Du.Traf fic-driven i ntrusion detection for mas sive MTC to wards 5G networks. 《IE EE INFOCOM 2018 - IE EE Conference o n Computer Com munications Workshops (I NFOCOM WKSHP S)》 .2018, (续) 审查员 夏文丽 (54)发明名称 一种工业物联网中基于融合学习的入侵检 测方法及系统 (57)摘要 本发明公开了一种工业物联网中基于融合 学习的入侵检测方法及系统， 包括： 所述占用资 源状态输入到训练后的神经网络中， 得各时刻的 流量负载估计值； 将各时刻的流量负载估计值分 别输入到训练后的自回归差分移动平均模型中， 得下一时刻流量负载估计值的置信区间； 判断当 前时刻的流量负载估计值是否在当前时刻流量 负载估计值的置信区间内， 当当前时刻的流量负载估计值不在当前时刻流量负载估计值的置信 区间内时， 则将上一时刻的流量负载估计值作为 当前时刻的流量负载估计值； 将各时刻的流量负 载估计值输入到训练后的分类器中进行分类， 以 判断各时刻是否存在入侵， 该方法及系统能够及 时识别入侵， 且不会导 致上层协议层信息 丢失。 [转续页] 权利要求书2页 说明书9页 附图4页 CN 114499934 B 2022.12.09 CN 114499934 B (56)对比文件 Eduardo H. M. Pena.An omaly Detecti on Using Forecasti ng Methods ARIMA and HWD S.《2013 32nd I nternati onal Conference of the Chilean Computer Science Society (SCCC)》 .2017,2/2 页 2[接上页] CN 114499934 B1.一种工业物联网中基于融合学习的入侵检测方法， 其特 征在于， 包括： 获取接入周期内各时刻基站在物理层 及接入层处观察到的资源占用状态； 将占用资源状态输入到训练后的神经网络中， 得 各时刻的流 量负载估计值； 将各时刻的流量负载估计值分别输入到训练后的自回归差分移动平均模型中， 得下一 时刻流量负载估计值的置信区间； 判断当前时刻的流量负载估计值是否在 当前时刻流量负载估计值的置信区间内， 当当 前时刻的流量负载估计值不在当前时刻流量负载估计值的置信区间内时， 则将上一时刻的 判决输入值作为当前时刻的判决输入值； 否则， 则将当前时刻的流量负载估计值与均值相 减后作为当前时刻的判决输入值； 通过滑窗从各时刻截取固定长度的判决输入值， 再输入到训练后的分类器中进行分 类， 以判断各时刻是否存在入侵， 完成工业物联网中基于融合学习的入侵检测。 2.根据权利要求1所述的工业物联网中基于融合学习的入侵检测方法， 其特征在于， 所 述神经网络为基于反向传播 算法的神经网络 。 3.根据权利要求1所述的工业物联网中基于融合学习的入侵检测方法， 其特征在于， 所 述资源占用状态包括成功资源数、 冲突资源数以及空 闲资源数。 4.根据权利要求1所述的工业物联网中基于融合学习的入侵检测方法， 其特征在于， 将 所述占用资源状态输入到训练后的神经网络中， 得各时刻的流量负载估计值之后还包括： 将当前时刻的流 量负载估计值存 储到观测历史池中。 5.根据权利要求1所述的工业物联网中基于融合学习的入侵检测方法， 其特征在于， 所 述将各时刻的流量负载估计值分别输入到训练后的自回归差分移动平均模 型中， 得下一时 刻流量负载估计值的置信区间的具体过程 为： 将当前时刻流量负载估计值以及之前所有时刻得到的流量负载估计值输入到训练后 的自回归差分移动平均模型中， 得下一时刻的流量负载预测结果， 并以此计算下一时刻流 量负载预测结果的上 下95％置信区间。 6.根据权利要求1所述的工业物联网中基于融合学习的入侵检测方法， 其特征在于， 所 述分类器为支持向量机 。 7.一种工业物联网中基于融合学习的入侵检测系统， 其特 征在于， 包括： 获取模块， 用于获取接入周期内各时刻基站在物 理层及接入层处观察到的资源占用状 态； 估计模块， 用于将占用资源状态输入到训练后的神经网络中， 得各时刻的流量负载估 计值； 确定模块， 用于将各时刻的流量负载估计值分别 输入到训练后的自回归差分移动平均 模型中， 得 下一时刻流 量负载估计值的置信区间； 判断模块， 用于判断当前时刻的流量负载估计值是否在当前时刻流量负载估计值的置 信区间内， 当当前时刻的流量负载估计值不在当前时刻流量负载估计值的置信区间内时， 则将上一时刻的判决输入值作为当前时刻的判决输入值； 否则， 则将当前时刻的流量负载 估计值与 均值相减后作为当前时刻的判决输入值； 分类模块， 用于通过滑窗从各时刻截取固定长度的判决输入值， 再输入到训练后的分 类器中进行分类， 以判断各时刻是否存在入侵， 完成工业物联网中基于融合学习的入侵检权　利　要　求　书 1/2 页 2 CN 114499934 B 3