本發(fā)明涉及物聯(lián)網(wǎng)安全，具體為一種物聯(lián)網(wǎng)邊緣設(shè)備的apt攻擊入侵檢測(cè)方法，設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、apt攻擊，全稱為高級(jí)持續(xù)性威脅(advanced?persistent?threat)，是指一種復(fù)雜的網(wǎng)絡(luò)攻擊，攻擊者通常會(huì)針對(duì)特定的目標(biāo)進(jìn)行長(zhǎng)期、有計(jì)劃和連續(xù)的滲透和攻擊。此類攻擊模式通常隱蔽地監(jiān)控網(wǎng)絡(luò)活動(dòng)和竊取敏感數(shù)據(jù)，這使得它們對(duì)國(guó)防，工業(yè)和金融系統(tǒng)等重要部分構(gòu)成十分嚴(yán)重的安全威脅。因此，apt攻擊是網(wǎng)絡(luò)物理系統(tǒng)和物聯(lián)網(wǎng)系統(tǒng)中所要面臨的安全領(lǐng)域所要面臨的巨大挑戰(zhàn)。apt攻擊通過(guò)使用多步驟攻擊對(duì)目標(biāo)信息設(shè)施和硬件系統(tǒng)構(gòu)成了嚴(yán)重的威脅。由于現(xiàn)有的物聯(lián)網(wǎng)邊緣設(shè)備網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)容易受到apt攻擊，這種攻擊會(huì)用不可感知的擾動(dòng)修改輸入示例，從而導(dǎo)致模型做出的錯(cuò)誤分類。

2、因此，設(shè)計(jì)一種準(zhǔn)確、穩(wěn)定和高計(jì)算效率的針對(duì)物聯(lián)網(wǎng)感知層設(shè)備網(wǎng)絡(luò)的入侵檢測(cè)方法和裝置，對(duì)于防范遠(yuǎn)程攻擊、保障物聯(lián)網(wǎng)感知層設(shè)備系統(tǒng)的可靠性以及推動(dòng)物聯(lián)網(wǎng)網(wǎng)絡(luò)安全體系研究和發(fā)展具有重要的意義。

3、申請(qǐng)?zhí)枮閏n202311329988.1的中國(guó)發(fā)明專利提出了基于人工智能的物聯(lián)網(wǎng)入侵檢測(cè)方法、裝置及電子設(shè)備，涉及網(wǎng)絡(luò)安全技術(shù)領(lǐng)域，該方法包括：對(duì)從入侵檢測(cè)系統(tǒng)中收集的原始數(shù)據(jù)進(jìn)行處理和清洗，綜合分析預(yù)處理數(shù)據(jù)后建立入侵檢測(cè)系統(tǒng)性能評(píng)估機(jī)制，通過(guò)入侵檢測(cè)系統(tǒng)性能評(píng)估機(jī)制評(píng)估入侵檢測(cè)系統(tǒng)性能是否支持網(wǎng)絡(luò)入侵檢測(cè)。通過(guò)從入侵檢測(cè)系統(tǒng)中收集的原始數(shù)據(jù)進(jìn)行處理和清洗，綜合分析預(yù)處理數(shù)據(jù)后建立入侵檢測(cè)系統(tǒng)性能評(píng)估機(jī)制，通過(guò)入侵檢測(cè)系統(tǒng)性能評(píng)估機(jī)制評(píng)估入侵檢測(cè)系統(tǒng)性能是否支持網(wǎng)絡(luò)入侵檢測(cè)，若入侵檢測(cè)系統(tǒng)性能不支持網(wǎng)絡(luò)入侵檢測(cè)，則開(kāi)啟備用入侵檢測(cè)系統(tǒng)，從而保障正在使用入侵檢測(cè)系統(tǒng)的穩(wěn)定性，降低入侵檢測(cè)系統(tǒng)誤報(bào)率，提高檢測(cè)精度。

4、申請(qǐng)?zhí)枮閏n202311136310.1的中國(guó)發(fā)明專利提出了一種基于混合模型的物聯(lián)網(wǎng)入侵檢測(cè)方法及系統(tǒng)，屬于網(wǎng)絡(luò)安全技術(shù)領(lǐng)域，包括：對(duì)物聯(lián)網(wǎng)輸入數(shù)據(jù)進(jìn)行預(yù)處理，得到物聯(lián)網(wǎng)預(yù)處理數(shù)據(jù)；采用信息增益算法和快速過(guò)濾算法對(duì)物聯(lián)網(wǎng)預(yù)處理數(shù)據(jù)進(jìn)行特征選取，獲得目標(biāo)特征數(shù)據(jù)；基于特征模型的隨機(jī)森林算法對(duì)目標(biāo)特征數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，基于異常模型的卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)對(duì)目標(biāo)特征數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，采用預(yù)設(shè)公開(kāi)數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試，得到混合物聯(lián)網(wǎng)入侵檢測(cè)模型；將待檢測(cè)物聯(lián)網(wǎng)輸入數(shù)據(jù)輸入混合物聯(lián)網(wǎng)入侵檢測(cè)模型，輸出物聯(lián)網(wǎng)入侵檢測(cè)結(jié)果。本發(fā)明通過(guò)應(yīng)用混合的物聯(lián)網(wǎng)入侵檢測(cè)模型，相對(duì)于單一的檢測(cè)模型，混合模型既可以達(dá)到檢測(cè)效率高的目標(biāo)，又可以檢測(cè)未知攻擊。

5、申請(qǐng)?zhí)枮閏n202211636879.x的中國(guó)發(fā)明專利提出了一種基于統(tǒng)計(jì)分析的物聯(lián)網(wǎng)攻擊檢測(cè)方法，包含以下步驟：根據(jù)物聯(lián)網(wǎng)攻擊對(duì)數(shù)據(jù)包數(shù)量的影響將攻擊重分類為udp類攻擊和icmp類攻擊；在rpl網(wǎng)絡(luò)穩(wěn)定后，各節(jié)點(diǎn)統(tǒng)計(jì)自己的接收和發(fā)送的udp數(shù)據(jù)包、icmp控制包和鄰居節(jié)點(diǎn)的數(shù)量；節(jié)點(diǎn)將統(tǒng)計(jì)信息封裝在自定義的icmp控制包dsi中；每經(jīng)過(guò)時(shí)間間隔t并隨機(jī)延遲幾秒，各節(jié)點(diǎn)將dsi發(fā)給根節(jié)點(diǎn)；根節(jié)點(diǎn)收到消息后，分別計(jì)算各節(jié)點(diǎn)udp數(shù)據(jù)包和icmp控制包的信息熵；根據(jù)網(wǎng)絡(luò)穩(wěn)定時(shí)udp數(shù)據(jù)包和icmp控制包的關(guān)系分別設(shè)定兩個(gè)閾值；根節(jié)點(diǎn)執(zhí)行異常檢測(cè)等等；本發(fā)明利用惡意行為帶來(lái)的數(shù)據(jù)包的波動(dòng)完成了對(duì)攻擊節(jié)點(diǎn)的識(shí)別，有較高的準(zhǔn)確率與較低的通信代價(jià)。

6、然而，上述現(xiàn)有的技術(shù)方法在物聯(lián)網(wǎng)邊緣設(shè)備的環(huán)境下仍然存在以下缺陷：

7、1.當(dāng)前主流的網(wǎng)絡(luò)入侵檢測(cè)模型通常依賴大規(guī)模和高度復(fù)雜的算法，這些模型在計(jì)算機(jī)網(wǎng)絡(luò)環(huán)境中表現(xiàn)出高預(yù)測(cè)準(zhǔn)確率等優(yōu)異性能。然而，物聯(lián)網(wǎng)邊緣設(shè)備的異構(gòu)性和有限的計(jì)算與存儲(chǔ)資源，使得這些模型在實(shí)際部署中面臨挑戰(zhàn)。此外，物聯(lián)網(wǎng)設(shè)備的計(jì)算能力較弱，難以支持復(fù)雜模型的運(yùn)行，從而限制了其性能的發(fā)揮。

8、2.傳統(tǒng)入侵檢測(cè)方法在處理原始數(shù)據(jù)時(shí)，常受到數(shù)據(jù)不平衡和特征提取不準(zhǔn)確等問(wèn)題的影響，導(dǎo)致誤報(bào)率較高。同時(shí)，隨著特征數(shù)量的增加，特征提取所需的成本也顯著上升，進(jìn)一步降低了方法的效率。

9、3.現(xiàn)有的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)在面對(duì)諸如apt攻擊這種異常行為持續(xù)時(shí)間更長(zhǎng)，異常行為更加隱蔽的攻擊行為缺乏高效的識(shí)別效率。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述問(wèn)題，本發(fā)明第一方面提出了一種物聯(lián)網(wǎng)邊緣設(shè)備的apt攻擊入侵檢測(cè)方法，包括以下過(guò)程：

2、步驟1：

3、(1a)數(shù)據(jù)收集階段：在相應(yīng)設(shè)備上收集某一時(shí)間段的設(shè)備網(wǎng)絡(luò)報(bào)文數(shù)據(jù)，包括源、端ip地址，報(bào)文段長(zhǎng)度、傳輸報(bào)文所用協(xié)議等有效信息作為輸入模型的特征數(shù)據(jù)；

4、(1b)數(shù)據(jù)預(yù)處理階段，首先將非數(shù)值型數(shù)據(jù)轉(zhuǎn)換為數(shù)值類型數(shù)據(jù)，同時(shí)去除數(shù)據(jù)集中的無(wú)效數(shù)據(jù)和空值nan和infinity，對(duì)剩余數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，并將處理完畢的數(shù)據(jù)轉(zhuǎn)化為符合模型輸入要求的圖狀數(shù)據(jù)；

5、步驟2：

6、(2a)生成對(duì)抗性數(shù)據(jù)，首先進(jìn)行數(shù)據(jù)分類，原始數(shù)據(jù)集d中包括良性dg和惡意db的樣本數(shù)據(jù)。我們首先需要將需要篡改的某一種特定的攻擊類型的樣本提取出來(lái)，并且需要保持所提取的報(bào)文的鄰近報(bào)文的數(shù)據(jù)關(guān)系；

7、(2b)特征篡改：在上述篩選得出的惡意數(shù)據(jù)db的基礎(chǔ)上，在遵循對(duì)抗性數(shù)據(jù)生成規(guī)則的前提下，將其中占比為α％的數(shù)據(jù)進(jìn)行篡改，剩余1-α％的數(shù)據(jù)不做修改，獲得篡改后惡意數(shù)據(jù)集db1,剩余部分為惡意數(shù)據(jù)集db2，然后將db1隨機(jī)插入db2中；

8、(2c)在上述步驟執(zhí)行完成之后，將篡改后的惡意數(shù)據(jù)集db1插入未篡改的惡意數(shù)據(jù)集db2中，獲得新的惡意樣本數(shù)據(jù)集d'b。最后,在附帶上下文聯(lián)系的前提下，與良性數(shù)據(jù)集dg結(jié)合，獲得新的數(shù)據(jù)集d'；

9、步驟3：基于所設(shè)計(jì)的訓(xùn)練策略，使用步驟1、2預(yù)處理后的訓(xùn)練數(shù)據(jù)集對(duì)物聯(lián)網(wǎng)感知層網(wǎng)絡(luò)入侵檢測(cè)模型，包括使用改進(jìn)后的模型迭代策略和基于記憶力機(jī)制的優(yōu)化方法，最終獲取物聯(lián)網(wǎng)感知層網(wǎng)絡(luò)入侵檢測(cè)模型。最終模型根據(jù)監(jiān)控分析設(shè)備某一時(shí)段的網(wǎng)絡(luò)數(shù)據(jù)，從而確定設(shè)備是否受到網(wǎng)絡(luò)入侵。

10、本發(fā)明提供了一種數(shù)據(jù)處理方法，在數(shù)據(jù)預(yù)處理階段，將預(yù)處理后訓(xùn)練數(shù)據(jù)集轉(zhuǎn)化為符合模型訓(xùn)練所要求的圖狀格式數(shù)據(jù)流的轉(zhuǎn)換方法，包括使用一種基于特征分析的最小生成樹(shù)算法，對(duì)預(yù)處理數(shù)據(jù)集進(jìn)行特征提取，從大量網(wǎng)絡(luò)數(shù)據(jù)流特征中獲取最有價(jià)值的數(shù)個(gè)特征，算法流程如所示。

11、該算法基于特征嵌入和監(jiān)督式機(jī)器學(xué)習(xí)理論，首先，需要將所輸入的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，清洗去除原始數(shù)據(jù)集中的空值或問(wèn)題值。本文設(shè)計(jì)了一個(gè)特征嵌入方法，分為數(shù)值特征嵌入和字符串特征嵌入。其中，對(duì)于數(shù)值特征xnum，我們可以使用線性嵌入函數(shù)fembed(x)將其轉(zhuǎn)換為嵌入向量，如公式(1)。

12、

13、其中，w是權(quán)重矩陣，b是偏置項(xiàng)，enum是嵌入完成之后的數(shù)值特征。

14、對(duì)于字符串特征xstr，我們可以使用詞嵌入方法將其轉(zhuǎn)換為嵌入向量。詞嵌入通常將字符串轉(zhuǎn)換為一個(gè)固定長(zhǎng)度的向量，見(jiàn)公式(2)。

15、estr＝wordembedding(xstr)????(2)

16、最后，對(duì)上述處理完成的結(jié)果進(jìn)行疊加，形成一個(gè)新的特征表示式，其中“；”表示堆疊操作，如公式(3)。

17、ecombin。d＝[enum；estr]????(3)

18、在完成上述操作之后，還需要將特征重塑為適應(yīng)訓(xùn)練網(wǎng)絡(luò)維度的特征矩陣x，見(jiàn)公式(4)。

19、x＝reshape(ecombined)????(4)

20、此外，上述流程處理流程的計(jì)算開(kāi)銷會(huì)隨著所輸入的特征維度的增加而增加，因此我們需要添加一個(gè)梯度下降函數(shù)來(lái)優(yōu)化上述算法的性能。設(shè)計(jì)一個(gè)梯度下降函數(shù)l(x,y)，其中x是特征矩陣，y是標(biāo)簽。

21、我們假設(shè)每個(gè)模型m包含一組參數(shù)θ，這些參數(shù)包括嵌入矩陣w和偏置項(xiàng)b。對(duì)于每一個(gè)xi，我們需要計(jì)算其在損失函數(shù)上的梯度同時(shí)，使用梯度下降算法來(lái)更新模型參數(shù)θ。

22、

23、其中α是學(xué)習(xí)率，是模型參數(shù)θ在損失函數(shù)l上的梯度。

24、本發(fā)明提供了一種構(gòu)建一個(gè)堆疊式卷積神經(jīng)網(wǎng)絡(luò)，通過(guò)采用多個(gè)相同的卷積層來(lái)設(shè)計(jì)一個(gè)堆疊式神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。它不同于集成學(xué)習(xí)中的以諸如自舉聚合(bootstrapaggregation，簡(jiǎn)稱bagging)，提升(boost)和單純的堆疊等技術(shù)以不同的方式形成一個(gè)組合分類器(學(xué)習(xí)器)，也不同于單純對(duì)多個(gè)不同的機(jī)器學(xué)習(xí)算法或者神經(jīng)網(wǎng)絡(luò)進(jìn)行簡(jiǎn)單的堆疊。通過(guò)設(shè)計(jì)一個(gè)應(yīng)用于目標(biāo)模型網(wǎng)絡(luò)中一個(gè)由多個(gè)特定結(jié)構(gòu)組成的堆疊式卷積層結(jié)構(gòu)。現(xiàn)有的基于深度學(xué)習(xí)的入侵檢測(cè)網(wǎng)絡(luò)通常需要一個(gè)相對(duì)較大的數(shù)據(jù)集來(lái)達(dá)到高準(zhǔn)確度，而過(guò)大的數(shù)據(jù)集同時(shí)也可能會(huì)帶來(lái)大量的特征維度數(shù)據(jù)和計(jì)算開(kāi)銷。因此，通過(guò)改進(jìn)優(yōu)化用于預(yù)測(cè)的模型網(wǎng)絡(luò)結(jié)構(gòu)以提升模型整體的預(yù)測(cè)準(zhǔn)確率變得十分必要。

25、在模型堆疊的體系中，包括分類器(或回歸器)以及特征提取器。特征提取器負(fù)責(zé)從原始數(shù)據(jù)中提取有用的特征，而分類器(或回歸器)則使用這些特征來(lái)生成最終的預(yù)測(cè)。常用的分類器包括多層感知機(jī)(mlp)、深度神經(jīng)網(wǎng)絡(luò)(dnn)等。本文中，我們希望將一個(gè)多層cnn網(wǎng)絡(luò)結(jié)構(gòu)作為一個(gè)分類器，假設(shè)所輸入網(wǎng)絡(luò)中的都是經(jīng)過(guò)預(yù)處理之后的特征矩陣。首先，我們需要將原始數(shù)據(jù)轉(zhuǎn)換為類似“圖”結(jié)構(gòu)維度為n×cin×hin×win的特征矩陣，其中n是樣本數(shù)，cin是輸入特征圖的通道數(shù)，hin和win表示對(duì)應(yīng)輸入特征圖的時(shí)間序列的長(zhǎng)度和數(shù)據(jù)包的長(zhǎng)度。針對(duì)每一個(gè)輸入的特征圖map＝(hin，win，cin)，卷積操作計(jì)算輸出特征圖的每個(gè)元素，公式(6)為：

26、

27、其中，oijd是輸出特征矩陣中位于通道d的第(i,j)個(gè)元素，iij是所輸入的特征矩陣的第(i,j)個(gè)元素，kkl是第(k,l)個(gè)卷積核。隨后，為幫助網(wǎng)絡(luò)更好地獲得數(shù)據(jù)中的細(xì)節(jié)與行為模式，因此我們使用雙線性插值的方法對(duì)特征矩陣進(jìn)行處理。雙線性插值的核心思想是在每個(gè)像素周圍尋找4個(gè)最近鄰的像素，然后根據(jù)這些像素的位置和距離來(lái)計(jì)算當(dāng)前像素的值，具體過(guò)程如下公式(7)：

28、

29、其中，f′(h′，w′，c′)是經(jīng)過(guò)處理后特征放大之后的特征矩陣的某一點(diǎn)，f(h，w，c′)是原始特征矩陣中的原始值。但在本文的應(yīng)用場(chǎng)景中，原始數(shù)據(jù)被抽象為多個(gè)帶通道的特征矩陣，因此h，w分別代表了特征圖中的某一個(gè)元素的時(shí)間序列的長(zhǎng)度和數(shù)據(jù)包的長(zhǎng)度，c則代表其對(duì)應(yīng)的通道數(shù)。最后，將這些經(jīng)過(guò)雙線性插值處理的特征圖與相鄰尺度的特征圖進(jìn)行拼接，得到結(jié)果。

30、本發(fā)明提供了一種記憶力機(jī)制的優(yōu)化方法，具體過(guò)程為：通過(guò)一種全域注意力融合機(jī)制來(lái)緩解數(shù)據(jù)集在網(wǎng)絡(luò)中訓(xùn)練時(shí)丟失的信息和放大全局維度特征。bam的詳細(xì)結(jié)構(gòu)如圖2所示。對(duì)于給定的輸入的特征數(shù)據(jù)(f∈rn),bam推斷出一個(gè)n維注意力特征映射m(f)∈rn。細(xì)化后的特征映射f’計(jì)算方法見(jiàn)公式(8):

31、f′＝m(f)⊙f+f????(8)

32、其中⊙表示矩陣的乘法。我們采用殘差學(xué)習(xí)方案和注意機(jī)制來(lái)促進(jìn)梯度流。為了設(shè)計(jì)一個(gè)高效而強(qiáng)大的模塊，我們首先在兩個(gè)獨(dú)立的分支上計(jì)算通道注意力mc(f)∈rn和空間注意力ms∈rt-n,其中t為所有特征的總數(shù)，然后計(jì)算注意力圖m(f)見(jiàn)公式(9):

33、m(f)＝σmc(f)+μms(f)????(9)

34、其中σ，μ是sigmoid型函數(shù)。

35、由于每個(gè)通道包含一個(gè)特定的特征響應(yīng)，我們利用通道分支中的通道間關(guān)系，設(shè)計(jì)了一個(gè)通道注意力機(jī)制。針對(duì)我們所使用的數(shù)據(jù)集的特殊性，我們可以通過(guò)使用獨(dú)熱編碼，等編碼技術(shù)，將網(wǎng)絡(luò)的輸入數(shù)據(jù)抽象轉(zhuǎn)換為一個(gè)類似于“圖”

36、的特征矩陣，原始數(shù)據(jù)完成轉(zhuǎn)換后，將獲得一個(gè)特征矩陣維度為n*m的一個(gè)特征矩陣映射x，其中n是樣本數(shù)，m是特征數(shù)，而每個(gè)樣本xi(i＝1，2...，n)作為一個(gè)“通道”。

37、為了聚合每個(gè)通道中的特征映射，我們對(duì)特征映射f進(jìn)行全局平均池化，并根據(jù)第m個(gè)通道的數(shù)據(jù)產(chǎn)生通道向量該矢量在每個(gè)通道中對(duì)全局信息進(jìn)行軟編碼。為了從通道向量fc估計(jì)跨通道的注意力，我們使用了具有一個(gè)由4個(gè)卷積層(convn)形成的堆疊網(wǎng)絡(luò)結(jié)構(gòu)，如公式(10)。

38、mc(f)＝conv2dn(avgpool(f))+bn????(10)

39、其中，conv2dn代表了一個(gè)卷積層的堆疊操作，內(nèi)部包含了原始鏈中的所有卷積層的堆疊之后的效果，bn是每一個(gè)堆疊的卷積層對(duì)應(yīng)的偏置項(xiàng)，以增強(qiáng)網(wǎng)絡(luò)對(duì)復(fù)雜數(shù)據(jù)的適應(yīng)性。

40、空間注意分支與上述的通道注意力類似，針對(duì)數(shù)值類型為主的網(wǎng)絡(luò)入侵檢測(cè)數(shù)據(jù)集，我們需要將原始數(shù)據(jù)轉(zhuǎn)換為類似“圖”結(jié)構(gòu)維度為n*c*h*w的特征矩陣，其中n是樣本數(shù)，c是通道數(shù)，h和w表示時(shí)間序列的長(zhǎng)度和數(shù)據(jù)包的長(zhǎng)度?？臻g分支生成空間注意圖以強(qiáng)調(diào)或抑制不同空間位置的特征。重要的是要有一個(gè)大的接受域來(lái)有效地利用上下文信息。我們使用擴(kuò)展卷積[46]來(lái)高效率地?cái)U(kuò)大感受野。我們觀察到，與標(biāo)準(zhǔn)卷積相比，擴(kuò)展卷積有助于構(gòu)建更有效的空間映射?？臻g分支采用了一個(gè)空間注意力圖s，如s＝σ(conv(f))，其中s是空間注意力圖，conv是卷積操作，σ是sigmoid激活函數(shù)。通過(guò)簡(jiǎn)化后，將生成的空間注意力s與原始特征圖x的每個(gè)通道，如x′n，c，：，：＝xn，c，：，：·s，其中，x′n，c，：，：是經(jīng)過(guò)空間注意力調(diào)整后的第n個(gè)樣本的第c個(gè)通道的特征，以此有效地利用上下文信息。簡(jiǎn)而言之，空間注意力計(jì)算方法見(jiàn)公式(11):

41、ms(f)＝[x′1，1，:，：，x′1，2，:，：，，x′n，c，:，:]????(11)

42、其中，x′是經(jīng)過(guò)空間注意力調(diào)整后的特征矩陣。

43、結(jié)合上文提到的兩個(gè)注意力分支。在獲得兩個(gè)注意分支的通道注意mc(f)和空間注意ms(f)后，我們將它們結(jié)合起來(lái)生成最終的三維注意圖m(f)。在最后，我們選擇元素相乘的方式來(lái)實(shí)現(xiàn)高效的融合。在求和之后，我們采用sigmoid函數(shù)來(lái)獲得范圍從0到1的最終3d注意力圖m(f)。將該3d注意力圖與輸入特征圖f進(jìn)行元素相乘，然后將其添加到原始輸入特征圖上，得到結(jié)果的特征圖f0，見(jiàn)公式(1)。

44、本發(fā)明第二方面提供了一種物聯(lián)網(wǎng)感知層網(wǎng)絡(luò)入侵檢測(cè)方法設(shè)備，其特征在于：所述設(shè)備包括至少一個(gè)處理器和至少一個(gè)存儲(chǔ)器，所述處理器和存儲(chǔ)器相耦合；所述存儲(chǔ)器中存儲(chǔ)有如第一方面中任意一項(xiàng)所述的搭建方法所搭建的物聯(lián)網(wǎng)感知層設(shè)備入侵檢測(cè)模型的計(jì)算機(jī)執(zhí)行程序；所述處理器執(zhí)行存儲(chǔ)器中存儲(chǔ)的計(jì)算機(jī)執(zhí)行程序時(shí)，使處理器執(zhí)行一種物聯(lián)網(wǎng)感知層網(wǎng)絡(luò)入侵檢測(cè)方法模型搭建方法。

45、本發(fā)明第三方面提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于：所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有如權(quán)利要求1至4任意一項(xiàng)所述的搭建方法所搭建的一種物聯(lián)網(wǎng)感知層網(wǎng)絡(luò)入侵檢測(cè)方法模型的計(jì)算機(jī)執(zhí)行程序，所述計(jì)算機(jī)執(zhí)行程序被處理器執(zhí)行時(shí)，使處理器執(zhí)行一種物聯(lián)網(wǎng)感知層網(wǎng)絡(luò)入侵檢測(cè)方法模型搭建方法。

46、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：

47、1.在卷積神經(jīng)網(wǎng)絡(luò)cnn的基礎(chǔ)上，提出了一種堆疊式卷積神經(jīng)網(wǎng)絡(luò)，通過(guò)采用多個(gè)相同的卷積層來(lái)設(shè)計(jì)一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)在保持較低復(fù)雜度的前提下提升整個(gè)網(wǎng)絡(luò)的性能；

48、2.提出了一種基于多維疊加嵌入的特征提取算法對(duì)數(shù)據(jù)集中的重要特征進(jìn)行提取，通過(guò)特征分析的原理獲得更多維度的特征數(shù)據(jù)，使用它對(duì)不平衡數(shù)據(jù)集進(jìn)行特征提取處理，緩解了模型計(jì)算量大的問(wèn)題；

49、3.引入了一個(gè)結(jié)合了空間和通道注意力的全域注意力融合機(jī)，，通過(guò)進(jìn)一步強(qiáng)化基于上述算法獲取的有效特征流的提取能力，減少數(shù)據(jù)在網(wǎng)絡(luò)中訓(xùn)練時(shí)丟失的信息和放大全局維度特征。