[发明专利]基于生成对抗网络的通信网络异常用户检测方法

说明书

本发明公开了一种基于生成对抗网络的通信网络异常用户检测方法，首先对异常用户的数据进行规则化，得到维度和量级均一致的数据；对生成对抗网络进行训练，即对生成器和鉴别器进行训练，实现对异常用户的过采样；将生成器生成的数据与正常用户组成训练数据集，利用深度全连接神经网络对训练数据集进行分类，判断用户类型；本发明通过生成对抗网络中神经网络之间的相互博弈式训练方式，实现对异常用户数据分布的逼近，实现异常用户检测，解决训练数据集中比例不均衡影响分类模型训练效果的技术问题。

技术领域

本发明属于通信网络异常用户检测领域，具体涉及一种基于生成对抗网络的通信网络异常用户检测方法。

背景技术

由于无线信道的开放性，随着无线通信技术的发展，其中存在的安全问题越来越多。如果缺乏有效的应对策略，将有可能对无线通信网络和合法用户造成不可估量的损失。非正交多址接入(NOMA)技术已经成为下一代移动通信系统(5G)的关键技术之一。随着NOMA的发展，NOMA中的安全问题也开始受到关注和研究。功率域NOMA是基于用户的信道状态信息(Channel State Information，CSI)导出相应的功率分配方案，在同一频谱上对用户进行叠加信息传输。类似于认知无线电频谱协作感知中存在频谱感知数据伪造(SSDF)攻击，非法占用频谱资源。在NOMA中，也存在恶意用户向基站反馈错误的CSI，使基站判断错误，从而骗取较大的分配功率以达到相应的目的，如：在高质量通信状态下进行非法行为操作。这种欺诈攻击大大浪费了通信的能量资源，并影响了其他用户的通信质量。由于传统的解决方案基于一定的假设、数学模型简单、采用的信息维度少、只能单独的对不同类型的攻击模型进行处理等缺陷，本专利提出了基于深度学习的、具有大规模和高纬度数据处理能力的解决方案。

近年来，针对无线通信网络中的欺诈攻击，国内外学者进行了广泛研究，并提出了各种解决方案。但传统的解决方案数学模型简单，数据维度低，数据计算量小，不能高效的联合对抗恶意用户的不同攻击模型，大大降低了无线通信网络的安全性。目前，具有大数据处理能力，高效特征提取能力，模块融合能力的深度学习技术有望解决传统方法的缺陷。

研究异常用户攻击模型对于提升网络安全防御系统的性能至关重要。在实际通信系统中，通常情况下异常用户只占总用户数的极少部分，异常用户和正常用户的比例极度不均衡，难以满足深度学习模型对训练数据集的要求，对于以准确率和查全率为性能指标的分类模型训练中，影响了分类模型的训练效果。

本发明所申请的基于深度生成对抗网络的异常用户攻击模型构建，把异常用户检测问题归结为基于深度学习的模式识别分类问题，利用生成对抗网络对少量的异常用户数据进行过采样，实现数据集的均衡化。

发明内容

本发明的目的在于实现对抗恶意用户的不同攻击模型的高效联合，提出一种基于生成对抗网络的通信网络异常用户检测方法，实现异常用户检测，解决训练数据集中比例不均衡影响分类模型训练效果的技术问题。

鉴于深度学习模型对数据量的要求，本发明采用少数类样本过采样的思想，研究基于生成对抗网络的异常用户检测方法，利用该方法产生大量的异常用户攻击数据，使得异常用户和正常用户的数据量达成一致，最后利用深度全连接神经网络对异常用户和正常用户进行分类。

具体到异常用户检测应用，利用生成对抗网络(Generative AdversarialNetworks,GAN)对异常用户样本数据分布进行逼近，主要思想是利用深度神经网络的相互博弈生成异常用户数据。

本发明采用如下技术方案，一种基于生成对抗网络的通信网络异常用户检测方法，具体步骤如下：

1)对异常用户的数据进行规则化，得到维度和量级均一致的数据；

2)对生成对抗网络进行训练，即对生成器(Generator,G)和鉴别器(Discriminator,D)进行训练，实现对异常用户的过采样；