[发明专利]智能音箱网络流量异常的检测方法、系统、设备和介质

说明书

本发明公开了一种智能音箱网络流量异常的检测方法、系统、电子设备和存储介质，所述方法包括：采集智能音箱网络流量数据；对所述智能音箱网络流量数据进行预处理，得到特征数据集；对所述特征数据集中的特征进行Hurst指数估计，根据Hurst值选取异常检测的特征；其中，所述进行Hurst指数估计分别采用重标度极差分析法、方差时间法和迭代估计算法；根据所述异常检测的特征，对待测智能音箱网络流量进行异常检测。本发明利用重标度极差分析法、方差时间法和迭代估计算法等方法对选定的特征进行Hurst指数估计，根据Hurst值的取值范围来判断智能音箱网络的安全状况，确保检测方法的可靠性。

技术领域

本发明属于智能音箱技术领域，特别是涉及一种智能音箱网络流量异常的检测方法、系统、电子设备和存储介质。

背景技术

语音是人们最常用的交流方式，同时也是人机交流的重要入口，智能音箱就承担着人们与智能家居设备沟通的中介角色，相当于智能家居中的网关。通过与智能音箱交互，人们可以方便快捷的与其他智能家居设备联通，例如播放音乐、打开/关闭灯光以及打开空气净化器等，如图1所示。由于智能音箱与人们的频繁交互，必定会存储并上传大量的用户数据以及隐私习惯，所以智能音箱的数据安全隐私在智能家居系统中显得尤为重要。在当前的智能家居系统中，智能音箱主要通过互联网来对接用户与设备之间的通信，包含了许多有关用户的隐私数据，而网络协议往往存在着一些安全问题，一旦遭受攻击往往会对用户隐私造成不可估量的伤害。因此智能家居系统的通信安全问题值得重视，也是研究人员的主要研究方向。智能音箱的异常流量，是一个具有实际意义的研究课题，特别是在当今日益增强隐私意识的社会。

目前网络流量异常的检测方法主要包括基于特征的异常检测、基于数理统计的异常检测和基于数据挖掘的异常检测。基于特征的异常检测主要是通过在网络流量中查找异常特征，并将网络流量中的异常行为与其相匹配，以此来发现和检测异常，是应用较广泛的一种异常检测方法，但是无法对未知类型的异常进行检测，只能根据预先定义好的特征匹配库存在的异常进行检测，因此需要不断的对匹配库进行更新。基于数理统计的异常检测使用统计分析方法总结异常流量数据来进行异常检测，一般分为基于空间的异常检测和基于时间的异常检测，基于空间的异常检测一般以全局观来对多链路网络异常流量进行检测和分析，其中比较主流的是子空间方法；基于时间的异常检测一般对流量时间序列进行检测和分析，如滤波分析技术等；基于数理统计的异常检测只能检测网络中是否存在异常行为，但是不能确定异常产生的原因以及异常发生的位置。基于数据挖掘的异常检测通常使用数据挖掘技术，针对规模巨大的数据流进行异常检测，常用的数据挖掘技术包括分类、聚类和关联规则等，常用算法有基因算法、神经网络算法和归纳规则算法等；这种方法通过对数据包进行追踪，利用分类聚合等方式对数据的特征进行分类，然后根据对异常流量的行为模式进行分析，从而检测异常，不仅根据数据流量来判定是否发生异常，还能查找异常出现的位置，但该方法的缺点是算法执行效率较低，不能满足流量大的网络联路异常对实时监测的要求，并且准确率偏低。

发明内容

为了解决上述现有技术的不足，本发明提供了一种智能音箱网络流量异常的检测方法、系统、电子设备和存储介质，该方法是基于自相似性指数的网络流量异常检测方法，通过采集攻击阶段的网络流量，利用重标度极差分析法、方差时间法和迭代估计算法等方法对选定的特征进行Hurst指数估计，根据Hurst值的取值范围来判断智能音箱网络的安全状况。当网络受到ARP攻击时，Hurst指数大幅度偏离正常Hurst值，并且超过自相似性的Hurst值区间(0，1)，此时网络的二阶自相似性消失，表明网络中出现异常，证明了该方法的有效性和可行性。

本发明的第一个目的在于提供一种智能音箱网络流量异常的检测方法。

本发明的第二个目的在于提供一种智能音箱网络流量异常的检测系统。

本发明的第三个目的在于提供一种电子设备。

本发明的第四个目的在于提供一种存储介质。

本发明的第一个目的可以通过采取如下技术方案达到：