[发明专利]一种基于双重特征选择和贝叶斯优化物联网入侵检测方法

说明书

一种基于双重特征选择和贝叶斯优化物联网入侵检测方法，涉及一种物联网入侵检测方法，本发明对捕获的流量数据提取特征并添加标签，进而获得描述流量行为特征的流量特征集。对流量特征集进行预处理。通过双重特征选择模块对流量特征集中的无关或弱相关特征进行剔除，以降低模型复杂度并提高模型检测效率。使用LightGBM对选择后的特征集进行交叉验证评估，并采用贝叶斯优化方法实现检测模型参数的快速调优。最后对调优后的检测模型，使用全部的特征集进行训练，然后将训练完成的检测模型嵌入到物联网设备中进行流量的实时监测。相比于现有入侵检测方案，本发明具有更小的模型体积，更低的内存占用以及更高的检测效率等优点。

技术领域

本发明涉及一种物联网入侵检测方法，特别是涉及一种基于双重特征选择和贝叶斯优化物联网入侵检测方法。

背景技术

物联网是一种通过信息传感设备，按约定的协议，把任何物品与互联网相连接，进行信息交换和通信，以实现对物品的智能化管控的网络。近年来，随着5G通信、低功耗广域网、人工智能等相关技术的发展，物联网的应用日益广泛，并逐步衍生出如智能家居、数字医疗、智慧交通以及工业互联网等新型智能网络场景。物联网在人们的生产生活中的开始占据着越来越重要的地位。但随着海量的物联网终端设备直接或间接地接入互联网，物联网所面临的安全风险也与日俱增。因此为了保障物联网系统的安全，对网络中的异常行为进行入侵检测是十分必要的。

物联网环境中，终端节点设备普遍存在硬件资源受限、功率有限、异构性和多连接性等特点，这些特点使得传统的入侵检测方案难以直接应用在物联网设备中，因此现有检测策略大多都是将数据上传到云端进行统一识别。但是这种方式一方面会增加云端节点的压力。随着物联网设备的增多，网络中大量的节点将会产生海量的数据，这种集中式处理方式会消耗大量收集、汇聚、处理的成本，而且效率难以保证；另一方面，网络中的边缘节点和中心节点通信会占据大量的网络带宽以及通信开销，这会造成较高的检测延迟，而且过多的通信，可能会导致受到攻击的节点会向云端节点发送恶意程序和数据，给数据中心带来额外的风险隐患。鉴于上述问题，有必要开发一种可以部署在物联网终端设备中的轻量级入侵检测方案来保护物联网的安全。

发明内容

本发明的目的在于提供一种基于双重特征选择和贝叶斯优化物联网入侵检测方法，本发明从数据和模型两个层面来提高模型的轻量化程度。首先在数据层面，通过结合了过滤式和包裹式特征选择的双重特征选择方法，有效去除了原始特征集中无关或弱相关的特征，提高了模型的检测效率和可解释性。而后在模型层面，使用贝叶斯优化的LightGBM对流量数据进行分类，在提高参数寻优效率的同时，也保证了模型的轻量化程度和检测性能；部署在物联网终端设备中的轻量级入侵检测来保护物联网的安全。

本发明的目的是通过以下技术方案实现的：

一种基于双重特征选择和贝叶斯优化物联网入侵检测方法，所述方法包括以下过程：

S1.通过相关攻击软件模拟真实物联网环境可能会面临的各种攻击类型，并由流量捕获模块对产生的流量数据包进行捕获，然后按五元组特征将数据包整合为数据流形式；

S2.对捕获的数据流提取相关流特征信息；

S3.根据发出攻击的客户端五元组信息，为提取的数据流特征添加标签，构成流量特征数据集；

S4.对流量特征集进行预处理，使其转变为机器学习模型可以识别的标准结构化数据；

S5.通过双重特征选择模块对流量特征集中的无关或弱相关特征进行剔除，以降低模型复杂度并提高模型检测效率；

S6.使用LightGBM对选择后的特征集进行交叉验证评估，并采用贝叶斯优化方法实现检测模型参数的快速调优；

S7.对于调优后的检测模型，使用全部的特征集进行训练，然后将训练完成的检测模型嵌入到物联网设备中进行流量的实时监测。