积分商城

最新搜索： RFID SDK 应用分析精粹 变送器 环路补偿 uvc
您现在的位置是：首页 > 技术资料 > 参数联合优化的物联网安全分析与研究
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

参数联合优化的物联网安全分析与研究

更新时间：2019-12-11 13:03:37 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

为了提高军事物资供应链物联网的安全性能,提高网络入侵的防御能力,提出一种基于网络入侵信息特征参量的联合优化估计的物联网安全检测模型.首先构建军事物资供应链物联网的节点部署结构模型,分析物联网入侵特征参量,提取物联网入侵特征参数,采用波动和频率参量联合优化方法设计物联网安全构架的参数安全检测模型,实现物联网入侵的安全检测模型构架.仿真测试结果表明,该方法进行军事物资供应链物联网安全构架,对网络入侵信息的准确检测性能较好,抗干扰能力较强,确保了物联网安全.

部分文件列表

文件名 大小
参数联合优化的物联网安全分析与研究.pdf 1M

【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）
(
)
第
卷 第  
年
期
月
内蒙古师范大学学报 自然科学汉文版  
45 5  
Vol.45No.5  
Se t.2016  
( )  
JournalofInnerMonoliaNormalUniversit NaturalScienceEdition  
g y  
2016 9  
p
数联合优化的物联网安全分析与研究  
姚 琛  
(
,
)
264000  
鲁东大学 交通学院 山东 烟台  
: ,  
要 为了提高物联网安全分析的精度 提出基于参数联合优化的物联网安全分析模型 分析了物联网安  
.
摘
,
,
全分析算法的局限性 通过渔夫捕鱼算法模拟渔夫捕鱼行为对参数进行联合优化 建立物联网安全分析模型 仿  
.
,
,
,
真实验结果表明 该模型可以准确找到最合理的参数 提高了物联网安全分析的精度 具有较好的物联网安全分  
析实时性  
.
:
;
;
;
关键词 物联网 安全性能 参数优化 渔夫捕鱼算法  
:
TP391  
:
A
: ( )  
1001--8735 2016 05--0664--03  
中图分类号  
文献标志码  
文章编号  
(
, )  
是一种集成了射频识别  
(
, )  
和无线  
物联网  
InternetofThin s IoT  
RadioFreuenc IdentificationRFID  
q y  
g
[ ]  
1-2  
,
,
传感器技术的新型网络 在实际应用中 物联网具有开放性 安全性能受到人们的高度关注  
物联网安全  
.
.
[ ]  
3-4  
,
,
、
,
分析模型包括两类 一类为基于误用入侵识别的物联网安全分析模型 主要有防火墙 网络安全卫士等  
,
,
它们只能发现已知物联网的入侵行为 对于新的物联网入侵行为无法准确识别 难以适应物联网安全动态变  
;
,
,
化特点 另一类为基于异常入侵识别的物联网安全分析模型 它们可以识别新型的物联网的入侵行为 在物  
联网安全分析中应用最为广泛[] 物联网安全分析模型主要采用神经网络建立分类模型 将物联网状态分为  
5
,
.
,
“
”,  
,
正常和异常两种 然而神经网络是基于 大样本定理 要求收集到一定规模的物联网安全分析样本 如果物  
[]  
6
,
,
收集大量样本使得物联网安全分析的成本增加 应用范围受到  
联网安全分析样本太少 分析结果不理想  
.
[ ]  
7-8  
,
“ ” ,  
支持向量机没有 大样本 的要求 能够获得更  
.
限制 为此有学者提出支持向量机的物联网安全分析模型  
,
理想的分析效果 支持向量机的参数与物联网安全分析结果密切相关 然而当前模型对支持向量参数均采用  
.
[]  
9
、
,
,
分开 独立优化 没有考虑参数之间的联系 对物联网安全分析结果产生不利影响  
为了提高物联网的安全  
.
,
,
,
性 本文提出基于参数联合优化的物联网安全分析模型 仿真实验测试结果表明 该模型提高了物联网安全  
,
分析的精度 可以满足物联网安全分析实时性的要求  
.
物联网安全分析模型  
1
,
,
,
;
首先收集物联网的状态数据 对数据进行分类 一类为训练样本集 另一类为测试样本集 然后采用支  
,
,
持向量机对训练样本集进行学习 通过渔夫捕鱼算法模拟渔夫打鱼行为对参数进行联合优化 建立物联网安  
;
,
全分析模型 最后采用物联网安全分析模型对测试样本集进行测试 输出物联网安全分析结果  
.
支持向量机  
1.1  
n
{,}, ( ,,…,),  
其中 表示物联网安全分析的影响  
设物联网安全分析的训练样本集为  
x
i
x
R i 1 2  
n
x
i
i 暿  
=
y
i
,
,
表示物联网安全分析的工作状态 通过不断迭代和学习找到一个超平面 该超平面将物联网安全分  
.
因子  
y
i
,
析的训练样本划分两种类别 其定义为  
T
() ,  
()  
1
氊 毜 x  
b
+
=
y
,
表示最优超平面的权值向量和偏移向量 要得到物联网安全分析的最优超平面 首先要估计最合  
b .  
其中  
理的  
和
和
氊
氊
, ,  
值 为此 采用松弛因子对  
()  
,
,
式进行适当变换 得到其二次优化问题形式  
b
1
:
收稿日期  
2016-10-25  
:
(
)
基金项目 烟台市科技计划项目  
2015YT06000212  
:
(
万方数据 1981ꢀ  
), ,  
,
, ,  
作者简介  
姚
琛
男
山东烟台人 鲁东大学讲师 博士 主要从事交通运输规划与管理研究  
.
:
第
期
5
姚
琛
参数联合优化的物联网安全分析与研究  
· ·  
665  
n
1
2
2
(,)  
minJ w  
,
w
c
毼
=
+
i
毼
暺
i 1  
=
()  
2
s.t.  
( () )  
( ; ,…,)  
0 i 1 2 n .  
+ 曒 - 曒 =  
·
i w 毜 x  
b 1  
y
i
i
毼 毼  
,
其中 表示分类误差的惩罚程度  
表示松弛因子  
C
.
i
毼
,
,
,
函数构建对偶形 式  
La ran e  
为了加快支持向量机的学习速度 提高物联网安全分析的效率 采用  
g g  
函数为  
La ran e  
g g  
l
l
1
2i 1  
()  
maxW 毩  
,
·
x
()  
3
毩
毩毩 x  
=
-
i
i
y
i i  
j
暺 暺  
i 1  
=
=
()  
式可以得到 的解  
,
可以通过  
() ()  
得到  
其中  
为
乘子 通过  
·
毩i La ran e  
. 3  
毩i  
氊
.
氊 =暺毩i 毜 x 毜 x  
g g  
y
i
i
,
对于线性的物联网安全分析问题 支持向量机的超平面分类函数可以描述为  
() ( () () )  
()  
4
·
x s n毩 毜 x 毜 x  
b .  
= g  
+
f
i
y
i
i
() ( ),  
() ( ),()  
函数代表 式变为  
·
毜 x 毜 x 4  
引入核函数描述  
采用  
·
毜 x 毜 x  
RBF  
i
i
j
j
x
x
-
i
() ( (  
) ),  
b
+
()  
5
x s n毩 ex  
= g  
p -  
f
i i  
y
2氁2  
其中  
为
的参数  
氁 RBF  
.
渔夫捕鱼算法  
1.2  
()  
(i)(),(i)(),…,(i)(),  
i
,
,
设问题解空间中有 个渔夫 在 时刻 渔夫 的所处在位置为  
它用  
]
[
k
t
i
X
x
1
t x  
t
x
t
=
2
n
i
,
()  
周围撒网 产生如下鱼网点集  
X t  
,
:
于描述问题潜在可行解 那么渔夫 在解的  
i
()  
毟 X t  
()  
X
()  
x
1
()  
()  
x
n
()  
l
()  
+
l
i
i
i
i
i
i
j
i
j
i
j
-
(( ) { ( ) [ (), (),…, ()] {() ,(),() }, ,,…,},  
t 1  
+
t x  
t
t
x t  
x t x t  
1 2  
=
j
n
=
=
暿
-
+
2
()  
6
()  
()  
l
j
()  
()  
l
j
()  
j
()和  
D l  
为正数 且有  
i
i
i
+
j
-
-
+
,
,
,(i),()  
D x x 0 l D .  
+ 暿  
j
其中  
x
x
暿
0j - 暿  
0
0
j
j
j
j
j
()  
()  
0
()  
i
P 0  
((i))  
((i)) ((i)),  
i
X
P
0
X 0  
P i  
i
()  
移动搜索 如果  
1
,
同时满足条件  
那么渔夫 就从  
.
X max  
=
>
曎
f
0
f
f
()  
毟
暿
i
()  
X i  
0
()  
=
()  
0
()  
P 1  
()  
P 1  
()  
i
i
i
i
P 1 X i  
,
,
,
,
渔夫  
P
2
达到位置  
然后以新的位置  
为中心 不断执行上述步骤 从而找到比  
更优的位置  
(i),(i),(i),…,  
捕鱼位置移动过程为  
i
得到鱼密度最高的捕鱼点  
.
P 0 P 1  
P
2
()  
()  
,
((i),(i),…,(i)),  
如果新位置的  
i
收缩搜索 渔夫 经过 次的位置移动后 得到的新位置为  
2
.
i
m
P
x
x
x
=
m
m1  
m2  
mn  
()  
m
((i)) ((i)),  
此时渔夫就在  
P
,
i
处撒网 产生新的网点集为  
max  
X
P
>
f
f
m
()  
i
()  
X i  
毟
暿
m
()  
()  
i
j
{(i) ((i),(i),…,(i)  
Xm 1 t t  
{
(),(i),()  
()}; ,,…,},  
1 2  
()  
7
毟m(i)1  
t
n
t
x
l
x
x
l
n
i
i
j
-
j
+
j
=
-
=
旤 暿  
-
+
=
j
1
2
m
m
m
+
+
j
j
()  
l
j
() ()  
()  
毩l  
=
-
+
j
+
,
,
表示收缩系数  
毩
其中  
毩l  
l
.
=
j
j
()  
P
m
((i),(i),…,(i))  
x x x .  
=
m1 m2 mn  
i
()  
3
,
加速搜索 渔夫 经过多次位置移动 最后位置为  
.
i
物联网安全分析模型的工作步骤  
2
()  
1
,
采用专门收集物联网安全性能的工具进行数据采集 并从数据中提取能够描述物联网状态的特征  
.
()  
2
, ,  
和 的取值范围 初始化渔夫捕鱼算法的参数 每一个渔夫 的所处位  
氁 i  
根据具体物联网确定参数  
C
,
置 编码成为一组参数组合  
.
()  
3
将物联网安全分析数据划分为训练样本和测试样本  
.
()  
4
,
,
采用物联网安全分析训练样本对支持向量机进行学习 通过渔夫捕鱼算法对参数进行寻优 得到每  
一个渔夫位置的适应度函数  
.
()  
,
渔夫不断移动自己的位置 并寻找更优的位置进行撒网  
5
.
()  
,
,
,
,
计算新位置的适应度函数 并与当前位置的适应度函数作比较 如果更优 渔夫移动到新位置 并撒网  
6
.
()  
7
,
如果满足渔夫捕鱼算法结合条件 根据渔夫位置得到参数  
和
的值  
C
氁 .  
()  
8
根据参数  
万方数据  
和
的值建立参数联合优化的物联网安全分析模型  
C 氁 .  
()  
采用测试样本对物联网安全分析模型进行测试  
9
.

相关下载

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

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号