[发明专利]一种基于深度学习的智能家居入侵检测方法

摘要

本发明公开了一种基于深度学习的智能家居入侵检测方法，涉及在线系统涉及一种模糊神经网络和深度学习相结合的方法来判断网络是否存在入侵行为。该方法将深度学习和模糊神经网络有机结合在一起，了解决现有智能家居入侵检测技术难以处理大量高维数据、误报率高、漏报率高、检测率低的问题。本发明采用离线系统确定在线系统的运行参数，在线系统进行实时入侵检测，与现有技术相比，这是一个针对智能家居网络攻击行为的主动监测模型，具有较高的检测率、较低的漏报率和误报率，以及实时性强等特点。

主权项

一种基于深度学习的智能家居入侵检测方法，其特征在于：具体包括以下步骤：S1初始化，生成一个内容为空的离线系统数据库，数据库包括带标签的训练测试数据、数据筛选环节参数、基于深度学习的多层网络参数三个子数据库；S2将采集到的带有标签的流量数据进行编码、归一化处理形成待检测数据，将待检测数据存储到带标签的训练测试数据子数据库中；S3将带标签的训练测试数据子数据库中的数据按照每条数据的标签进行分类，形成正常行为样本数据集和入侵行为样本数据集；采用K‑means算法求两类样本数据集的中心值，分析两类样本数据集中各个样本距离样本中心的距离并设置一个判断阈值，使得具有某类特征的样本数据集在该类的阈值范围内，将样本中心和阈值保存到数据筛选环节参数子数据库中；采用带标签的训练测试数据子数据库中的数据训练多层神经网络的权值和偏置值，将训练好的神经网络参数保存到基于深度学习的多层神经网络参数子数据库中，完成训练环节，跳转至步骤S4进行在线系统实时监测；S4、将采集到的无标签的流量数据进行编码和归一化处理，形成一条待测数据，计算待测数据到步骤S3中的两类样本数据集中心的距离，如果该距离小于该样本数据集所对应的阈值，则属于该类行为，否则跳转至步骤S5；S5、将步骤S4无法确定类型的待检测数据输入到多层神经网络中进行识别，通过多层神经网络的输出值来判断是否存在安全隐患，如果存在安全隐患则驱动智能家居报警模块报警。