(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210737667.4 (22)申请日 2022.06.27 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 苏博　张泽元　白勃　刘彦明　 石磊　白博文　李小平　杨晴月　 闫泽汕　 (74)专利代理 机构 西安智大知识产权代理事务 所 61215 专利代理师 段俊涛 (51)Int.Cl. H04L 9/40(2022.01) G06F 17/16(2006.01) G06F 30/20(2020.01) G06F 119/02(2020.01) (54)发明名称 一种基于经验模态分解和频谱特征量检测 的用户信息入侵 检测方法 (57)摘要 一种基于经验模态分解和频谱特征检测的 用户信息入侵检测方法， 建立分布式智能计算中 的用户信息入侵信号模型， 并利用信号处理方法 建立入侵检测模型； 采用经验模态分解法， 对分 布式智能计算中的用户信息入入侵信号进行时 频分析和特征分解， 得到呈线性平稳正态分布的 输出频谱特征量； 计算Winger ‑Ville分布的频谱 特征量， 得到的信号失真部分为用户信息入侵信 号， 利用自适应波束形成方法提取用户信息入侵 信号的频谱 特征量； 基于提取的频谱 特征量与检 测输出的联合概率密度分布分析， 实现对用户信 息入侵信号的准确检测。 本发明在入侵检测中既 具有较高的准确率又具有较强的抗干扰能力， 从 而可保证用户信息的安全性。 权利要求书4页 说明书12页 附图2页 CN 115118495 A 2022.09.27 CN 115118495 A 1.一种基于经验模态分解和频谱特征检测的用户信息入侵检测方法， 其特征在于， 包 括如下步骤： S1， 建立分布式智能计算中的用户信息入侵信号模型， 并利用信号处理方法建立入侵 检测模型； S2， 采用经验模态分解法， 对分布式智能计算中的用户信息入入侵信号进行时频分析 和特征分解， 得到呈线性平稳正态分布的输出 频谱特征量； S3， 基于S2的分析和分解结果， 计算Winger ‑Ville分布的频谱特征量， 得到的信号失真 部分为用户信息入侵信号， 利用自适应波束形成方法提取用户信息入侵信号的频谱特征 量； S4， 基于提取的频谱特征量与检测输出的联合概率密度分布分析， 实现对用户信息入 侵信号的准确检测。 2.根据权利要求1所述基于经验模态分解和频谱特征量检测的用户信息入侵检测方 法， 其特征在于， 所述S1包括以下步骤： S11， 在分布式组网环境下， 分布式智能计算中的用户信息入侵信号是高斯宽平稳随机 线性单频信号， 对于明文 特征， 采用连续性吸引方法进 行信息窃取； 在网络链路层数据传输 过程中， 分布式智能计算中的用户信息入侵信号的相频响应特性如下： 式中， P是用户信息入侵信号的时频特征， x(t)是网络传输的非线性时间序列， τ是 时间 延迟， t是时间变量； S12， 当用户信息入侵信号处于快速时变衰落时， 以x(t)作为用户信息入侵信号模型， 且采用时频分析 方法将x(t)由时域信号 转换为频域信号Xp(u)， 定义 为： 式中， Kp(t,u)是能量时频联合分布函数， Fα[x(t)]为x(t)的时频域变换函数， 对于变换 核心， Kp(t,u)x(t)在时频域 坐标系内对时间t的积分等于Xp(u)的总能量， u表示频率； S13， 基于Wigne ‑Ville分布式聚集， 采用Kp(t,u)进化谱Kα(t,u)描述用户信息入侵信号 模型的高阶非线性随机过程， 则分布式智能计算中用户信息入侵信号的离散分析过程如 下： Kα(t,u)表示用户信息入侵信号模型的高阶非线 性随机过程， *表示取共轭； u ′表示偏移 频率； 基于分布式智能计算的用户信息入侵的平 移不变特 征量描述 为：权　利　要　求　书 1/4 页 2 CN 115118495 A 2其中l是一个整数， l∈Z， l表示分布式智能计算环境中用户信息入侵信号的边际特征 量， δ(t)为阶跃函数， u表示频率， α 表示时间窗函数； S14， 对于分布式智能计算中的时变非平稳用户信息入侵信号， 当α＝2lπ， Kα(t,u)＝δ (t‑u)， 即Xα(u)＝x (u)， 在α ≠lπ前提下用户信息入侵信 号满足以下条件： (a)完备性、 (b)正交性、 (c)局部性、 (d)适应性； 基于S12中用户信息入侵信号模 型， 在分布式智能计算环境中， 得到用户信息入 侵信号的幅度和频率， 并且将其简化 为矩阵表达式如下： X＝Fα·x 其中， 矩阵X为用户信息入侵信号的简化表示， Fα为用户信息入侵信号简化矩阵X的瞬 时 频率， x为用户信息入侵信号简化矩阵X的幅度； X＝[Xα(0),Xα(1),…,Xα(i),…,Xα(N‑1)]T x＝[xα(0),xα(1),…,xα(i),…,xα(N‑1)]T 其中， Xα(i)为用户信息入侵信号简化矩阵X的第i+1行分量， xα(i)为用户信息入侵信号 简化矩阵X的第i+1行分量的幅度。 分布式智能计算中用户信息入侵信号的瞬时频率Fα是一个N×N维矩阵， 矩阵的每个元 素是： 其中， Fα(m,n)表示矩阵Fα中第m行第n列的元素， 也即所述的入侵检测模型； m表示元素 在矩阵中所在的行数； m表示元素在矩阵中所在的行数； n表示元素在矩阵中所在的列数； Aα 表示元素Fα(m,n)的幅度； Δu和Δt都是时间变量； sgn(x)是阶跃函数； sin( α )是正 弦函数； cot( α )是余切函数； T代 表矩阵的转置 。 3.根据权利要求2所述基于经验模态分解和频谱特征量检测的用户信息入侵检测方 法， 其特征在于， 所述S2包括以下步骤： S21， 入侵信号的经验 模态分解方程描述 为： α(t)表示在分布式智能计算中用户信息入侵信号的复杂包络， φ(t)表示瞬时频谱特 征量， 复杂包络α(t)的两个正交分量s(t)和sl(t)； S22， 基于经验模态分解结果， 将用户信息入侵信号模型分解为若干固有模态函数成权　利　要　求　书 2/4 页 3 CN 115118495 A 3