您现在的位置是：首页 > 技术资料 > 基于Gibbs—LDA和最小二乘支持向量机的物联网安全预测方法

推荐星级：

基于Gibbs—LDA和最小二乘支持向量机的物联网安全预测方法

更新时间：2019-12-21 06:53:15 大小：1M 上传用户：xiaohei1810 查看TA发布的资源 标签：物联网 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

针对物联网中各类用户的网络行为出现复杂化、多样化和恶意化的特征和趋势,提出了一种基于Gibbs—LDA和最小二乘支持向量机的物联网安全预测方法;首先,提取通信时间、地址和内容等文中信息作为多维的通信记录样本,然后基于LDA模型,将安全事件建模为主题,获取样本特征并得到主题模型,通过Gibbs算法来估算LDA模型中的参数,从而建立了基于LDA的物联网安全多维预模型,最后,在LDA特征空间上建立了特征与安全事件分布的权重,并将此权重用于初始化各个支持向量机的预测结果,将权值最大的最小二乘支持向量的预测结果作为最终的结果;仿真实验证明了文中方法能有效地实现物联网安全预测,在NIPS和VAST数据集上进行仿真实验,结果表明了文中方法较其他方法具有预测精度高和预测时间短的优点,具有较大的优越性.

部分文件列表

文件名	大小
基于Gibbs—LDA和最小二乘支持向量机的物联网安全预测方法.pdf	1M

立即下载

【关注视频号领20积分】【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）

文章号：1671— 4598(2015)08— 2864— 04

DOI：10．16526／j．cnki．11— 4762／tp．2015．08．076

中

分

号：TP393

文献

：A

基于Gibbs--LDA和最小二乘支持向量机的

物网安全

方法

李冬静

(南京森林警察学院信息技系，南京210000)

摘要：

持向量机的物网安全

事件建模

模型，最后，在LDA特征空上建立了特征与安全事件分布的重，并将此重用于初始化各个支持向量机的

的最小二乘支持向量的果作果；仿真明了文中方法能有效地网安全，在NIPS和VAST数据集上

果表明了文中方法其他方法具有短的点，具有大的越性。

：主模型；支持向量机；物网安全；

物

网中各

方法；首先，提取通信

本特征并得到主模型，通 Gibbs算法来估算LDA模型中的参数，从而建立了基于LDA的物网安全多

果，将最大

用

的网

行

出

复

化、多化和意化的特征和

，提出了一种基于Gibbs--LDA和最小二乘支

、地址和内容等文中信息作

多

的通信本，然后基于LDA模型，将安全

主

，取

最

的

物

行仿真

关

，

精度高和

Method for

of Internet of

Based on

Things

Safety Predicting

Gibbs— LDA Model and LSSVM

Dongjing

Of Information

Forest Police

210000，China)

(Department

College，Nanjing

Technology，Nanjing

at the feature and

the

and

of various users in Internet of

malignity

Abstract：Aiming

tendency

complexity，diversity

things，a predicting

and

communication time，address

based

method for Internet

Gibbs— LDA and least _squareSVM is

things safety

proposed．Firstly．the

based

sample．then

content is

regarded

as the

multi— dimension communication

the LDA model．the

event is built as the

safety

original

theme to obtain the

feature and the LDA model．The Gibbs

is used to estimate the

algorithm parameters

of LDA model，therefore，

sample

things safety

obtained，and

event over LDA fea—

the

the Internet of

ture

multi— dimension model is

distribution of feature and

built．Finally．the weight

safety

the least

SVM with the

is used as the final

weight predicting

result．The simulation

square

experiment

space

biggest

shows the method in this

realize the

for network

event for Internet of

with

things

paper

predicting

security

and less

time，therefore，it

predicting

higher predicting accuracy，and

has the other

with

has

the other methods，it

big priority

compared

methods．

higher predicting accuracy

diriehlet

vector

machine；internet things safety；predicting

allocation；support

Keywords：latent

网

安全的有效

。

引言

基于以上的相关技，文献[63～文献[97在此基

上

物

网(Internet

Things，lOT)通

互

网将

接

、

行改，文献[6]构造基于社交关系和游走策略的可信路

由表，能有效解决DHT网中的Sybil攻。文献[77提出

端由

外

的

算机展到任何物品D-z3，并采取射

感

、激光描和无通信等技

，

整个世界无所不

了一种基于信任的网群体异常行

模型。文献[8]

在的感知。

了一种基于网安全的最攻防决策方法。文献[9]在

当物网中出大量网

大的网

中的意行

通信数据包的分析和

意行

，可能致危害性

商目

全

系

的前提下，

了一种基于情景感知的网

安

的

攻

，

物

网

来了巨大的挑口]。目前

的主要重在以下几个方面[4。5]：通

从而意代；分析

物

网

估模型。

行

上述文献均没有考

多

信息，从而不能准确地

网

的

安全事件行高效

。因此，文中

了一种基于Gibbs—

数据包送的源IP地址、源端口号、目的IP地址和目端口

漏洞行有效分析；根据数据包的各属性如度、到

LDA主模型和最小二乘支持向量机的物网安全

方法。

基于LDA主模型的物网安全

建模

达

和首部大小等相关的信息，采用非督学

分

方式

1．1

LDA引入

Dirichlet

LDA(Latent

Allocation，LDA)主模型[1⋯ ，

叶斯模型，如 1所示。

收稿日期：2014— 11— 04；修回日期：2014— 12— 08。

基金目：中央高校基本科研

金

目

LDA模型可以被

三

(LGYB201509)。

LDA目前在自然言和信息理的国内

用，但少有工作将其与网安全的事件分

域

得了广泛

作者介：李冬静(1978一)，女，内蒙古通市人，士，

从事信息网安全方向的研究。

，主要

的

相合。

LDA是一种非督的机器学方法， 1所示的三

万方数据

· 2865·

第8期

李冬静：基于Gibbs— LDA和最／b--乘支持向量机的物网安全

方法

其中，≈ 表示网安全事件量，表明 W。取自

网

安

全事件量，p(wl I薯一j)表示 W。属于事件J的概率，p(薪

=j)表示事件j属于当前文本的概率。第j个事件可以通

表中的多个的多式分布表示：

(2)

一P(w。f z，一j)

文本表示N个事件的随机混合，即

爿一P(2。一J)

：

(3)

(4)

㈥

因此，文中d中出

W的概率：

甾l i。UA舢衄的=石“圳 l侯坐

p(w

d)=∑儿· 彰

叶斯模型中主要元素如下所示：

采用期望最大化方法来求解最大似然函数，即

：

1) W：是描述离散数据的基本位；

2)文本d一{W。，叫：⋯ ．，W。}：是由N个构成的序列

a，f1)

z(a，f1)一∑logp(d。l

集合，其中，W。表示文本中的第行个

；

在式(5)中，a和J9 未知量，因此，需要

量口和

3)文集D一{d。，d：⋯ ．，d。}表示M个文本构成的集合。

1．2物网安全事件特征

的

行估，从而确定LDA模型，文本d 生的条件概

率

：

了

各

行

信息安全事件行正确分，必

合多

通信信息，

粒度分析，于不直接采用文本表达方式

r(∑口。)，±

％p

的音

、

等多媒体信息将其

文本格式

行

理，在

度的特

2市 J‘p1

通信程中，通信的

能表示安全事件生的

征、通信关系可以采用源IP地址和目 ID地址表示、而通信

的具体内容可以表示内容度的特征．因此，将网中包含通

(6)

(∑∑Ⅱ(最 )”)硼

式(6)受参数0和

之

耦合关系影响，无法直接被

信

Time、通信关系Source ID和Goal ID．通信内容Con—

算出来，通常的方法是采用近似方法其求解，文中通

Gibbs抽法来估参数，从而求解出最的LDA模型。

tent的每条通信看作LDA的一篇文档，每篇文档可以看

作

向量<Time，Source ID，Goal ID，Content>，

向

2基于Gibbs采的参数估算法

量能表示事件所描述的概率分布，

向量中与LDA模型

在前面根据LDA建立的物网安全事件主模型中，参

中的、文档和事件之的映射关系如 2所示。

数妒和0的无法取，

了

其

行估，下面采用Gibbs

五巫亟d圃口固

_●●

●●●

一

采

来求取。

Gibbs采是MCMC的一种

方式，能从复

的

概率分布抽

本

的近似迭代方法，其能构造出收到某目

科夫Markov ，并能从出接近概

的本，因此，量z。行采，后概率可以

概率分布的

中

率分布

表示

：

超

j+a

行％?+

山

呈

薰

呈呈

量

呈

臼

，z。表示

’‘i]

珂二以i十口

行．二?i十p

比一叫h— m 卜黄基差㈩

⋯

n％；’， +Ka”芝．，+Kp

⋯

其中，‰=j表示将W。分配事件j，z— Tl表示所有事

在

2中，由m条通信

集，即文集

的所有

件

量zt的分配，n j表示了文档d。中分配事件的

数；

d一{Wl，W2⋯ ．，‰)，

其中，∞。表示第m个文本

事件。

的事件 z={2l，22⋯ ．，z，)，

行～(wn7 分配叫。相同的的个数，以．，分配事件j的

的

，

的

数，采用Gibbs抽

的

程可以描述

：

1)初始化％，‰的取

文件中的的个数；

范

1～K，N表示出在所有

1．3物网安全事件建模

模型中每个文本可以表示若干主的集合，里将主

事件，且事件足有限字典上的一个离散分布，文

2) 得Markov 的下一个状，并根据式(2)分配

建模

相

的事件；

本集中的全部文本均共享同一

个或多个主。模型中不同主的混合比例可以被作原始数

据的低表示，即原始数据的特征。

共有N个主，即N个网安全事件，某文本中的

第i个 W。的出概率可以表示

主，每个文本也可以包含一

3)循

，将‰的当前

和0的

行步 2)，直到Markov 与目分布逼近

，

此

作

本

，

于每个本，估算妒

：

假

：

P一筹篙

@’

(1)

(叫。)一2：p(W，l≈ 一j) (≈ 一j)

，：蒜

万方数据

：!!!!：

蔓

型量皇堡型

箜!!

其中，”；“表示将 W分配事件i的次数，以：u表示分

事件j的所有，。尹表示文本d中分配事件；的所有

三

1三

配

maxW(A)一： ^一

。

。九-弘¨Kb”≈ ’

，，。、

～1‘，

麴朋寸表示文本砷所有分配事件的数目。

o≤ 撼喇一1'2⋯ 州

k瓠j，i— o

基于LSSVM的物网安全

在安(12厂l中，。和手。分表示

因子和松弛量，假

3· 1特征一事件分布

重

算

拉格朗日乘子 A。，K(。。，z，)一'5(矗)≠(z，) 核函数，

在Gibbs采后，可以得到事件的分布妒和事件一的分LSSVM 函数的估可以表示

布目，从而可以得到每个文本在事件集上的概率混合分布即

：

(13)

一1

厂(z)一sig竹(A．v。女(丑,Xj)+6)

其中，s／g挖基本符号函数，

或1表示两个不同，女(五，。，)的

p(z”I dm)，并得每个文本在事件特征空上的

主

一文

本

必

的厂(z)

本矩

。

足Mercer条件，

”⋯ ’～JJ～⋯ ⋯ ⋯ ⋯

{52(x)dx<oo，核函数采用高斯径向基函数。

5)将分果与其算，将果最大

≥

⋯

其

⋯

¨辨

’

。

，

⋯

且』

同的耋

的三要

置

重?鍪要

誓

度

言

，

蓑集

重

笔

＆

要

勰：

度

耋言

可翥以

磊

根

足Ⅱ

据№

文本d的

由州(x')dxdx"LDA

得的特征空上的

主

一文本矩

的

来确定，文中采用改的IF--IDF方法

的

，

特征t

的

一化果可以表

的事件作当前主所属的网安全事件分

。

示

：

!旦￡!!：垡!丕里!!!!1

果与分析

k(￡．d)一

c)]2

4．1

境及价指

文中方法

√茎[TFIDF(t，d)×W(t

’”。

”^，07^、

了

行

，将来自互网的NIPS数据集

Social

l丁F7DF‘‘，d’一丁F‘‘，d’×L。92瓦最万

其中，TF(t，d)表示文本d中出

和来自VAST2008中的cell ph。ne

仿真，从而

共包含1987--1999年的会

1740篇文，而VAST2008

Network数据集作

了

t的次数，N

文

网

安全事件的分。NIPS数据集

文全集，共包含大小 40 M的

本

通

数，DF(t) 包含当前 t的其它文本数目。W(t c)可以

下式算：

Cell

Social

phone

Network数据集

眦㈤一m㈤ g：㈣，

妻毳!梨瓮，9 竺。N山igh。。, 篙主竺#警

。VAST数据集中Time

NIPS中Time

文

表

，SourcelD和GoalID相同且

式(10)表示特征在事件

C中出的次数，N，

事

会

地址，Content

会

的关

件c

下的文本数，DF(t I；)表示包含特征￡但不属于

通信

，SourcelD和GoalID表示源／目的IP地址，Con一

事件c的文本数。

得了各特征

个分器的加果来判断最

在

于各事件的重后，就可以通多tent 通信内答。

采用以下几个指来衡量文中方法的越性：

生的事件。

准确率precision：

3．2基于最小二乘支持向量机的安全

采用LSSVM 行分，即根据事件的

Ⅲ，

，

当前的

觚。n一翁群糕Ⅷ。％

特征所属概率最大的事件

，并将

作当前特征

2)召回率Recall：

所属

，其具体分

初始化：

数5，偏差

程

本集，

，

：

Ⅲ，

本

数起，

本集，

№忙冀糕 Ⅷ。％

本

因子c和松弛量∈。；

模型的混乱度perplexity用于判断

文本中信

1)采用Gibbs采算法来估事件的分布≯ 和事件一

的分布0，从而可以得到每个文本在事件集上的概率混合分布

即p(‰|d。)，并得每个文本在事件特征空上的

息

的不确定性，通下式算：

2：lgp(wd)

主

一

perplexity(D。。)一exp(一

∑Nd

文本矩

；

dEDtt“

2)根据式(9) 算特征属于各事件

其用于初始化支持向量机的

3)根据事件数M 置M(M一1)／z个支持向量机；

4)采用M(M一1)／2个支持向量机当前数据行事件

的

，并将

将两个数据集中在前60％的

本数据，后40％的数据作

中的本数据作

本数据。

；

a和

的

与通信

集中的信息

表大小有关，采

用

称Dirchlet参数，口的所有分量取

50／K(L)，口所有分

W7W

分

，即最小化超平面的法向量乘

1即：

量的取

通

0．01，事件数目可以通运行Gibbs采算法，

K) 化确定K的，通 Gibbs采

，

算lgp(叫J

c蚤等

』“n 1～T+丁1

(11)

最

确定NIPS数据集和VAST数据集的K

分

和50。

s．t．Y。一∞1z，+b+

1≤ i≤ ”

采用拉格朗日乘子法行求解，

的

化

可以

4．2 果分析

了文中方法的越性，将文中方法、典的LDA

表示

：

万方数据

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

基于Gibbs—LDA和最小二乘支持向量机的物联网安全预测方法

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页