(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 202211059770.4 (22)申请日 2022.08.30 (71)申请人 上海大学 地址 200444 上海市宝山区上 大路99号 (72)发明人 周鹏　张灿阳　 (74)专利代理 机构 上海上大专利事务所(普通 合伙) 3120 5 专利代理师 何文欣 (51)Int.Cl. H04L 9/40(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于卷积神经网络模型的蠕虫传播溯 源方法 (57)摘要 本发明提出了一种基于卷积神经网络模型 的蠕虫传播溯源方法， 包括： 1、 采集蠕虫传播图 样本集， 使用SI模型仿真蠕虫传播过程， 获取不 同节点作为源节点的蠕虫传播图样本集； 2、 分别 在完全观测、 快照观测和传感器观测情况下， 将 非欧式空间上的传播图样本以邻接图的方式转 换为欧式空间上的二维矩阵； 3、 将传播图转换后 的二维矩阵作为卷积神经网络模型(CNN)的输 入， 将传播图对应的源节点作为图的类标签输 出， 基于传播图样本集， 采用梯度下降算法训练 CNN； 4、 将未知传播源的传播图输入到训练好的 卷积神经网络中， 得到对其传播源节 点的预测结 果(即溯源结果)。 本方法基于卷积神经网络模 型， 从有监督的传播图分类角度解决互联网蠕虫 传播溯源问题。 权利要求书2页 说明书5页 附图4页 CN 115484079 A 2022.12.16 CN 115484079 A 1.一种基于卷积神经网络模型的蠕虫传播溯源方法， 其特 征在于， 包括以下步骤： 步骤1)采集蠕虫传播 图样本集， 使用SI模型仿真蠕虫传播过程， 获取不同节点作为源 节点在网络上传播的传播图样本集； 步骤2)分别在完全观测、 快照观测和传感器观测情况下， 将非欧式空间上的传播图样 本以邻接图的方式转换为欧式空间上的二维矩阵； 步骤3)将传播图转换后的二维矩阵作为卷积神经网络的模型输入， 将传播图对应的源 节点作为图的类标签输出， 利用梯度下降算法训练神经网络； 步骤4)将未知 传播源的传播图输入到神经网络中， 得到对其传播源节点的预测结果。 2.根据权利要求1所述的基于卷积神经网络模型的蠕虫传播溯源方法， 其特征在于， 所 述步骤1)具体包括下列步骤： 步骤1.1、 传播底图为有向图， 随机赋予所有边权重weight作 为边的节点之间被感染的 概率； 步骤1.2、 在传播过程中， 随机设置传播感染概率设为q， 服从在(0,1)上的均匀分布， 当 q＞weight时， 节点被感染， 一段时间后， 能够得到从源节点s起始的蠕虫传播图； 步骤1.3、 实际传播过程中， 不能得到节点的具体感染时间， 但能够观测到节点的感染 规模， 即当感染节点数量达 到一定范围时， 停止传播。 3.根据权利要求1所述的基于卷积神经网络模型的蠕虫传播溯源方法， 其特征在于， 所 述步骤2)具体包括下列步骤： 步骤2.1、 在完全观测条件下， 将传播底图节点编号固定， 并观测到所有节点所处的状 态， 将处于易感染状态的节点赋值 为0， 处于感染状态的节点赋值 为1； 步骤2.2、 根据节点状态之和得到节点之间相连边的权重， 易感染节点与易感染节点相 连的边用0表 示， 易感染节点与感染节点相连的边用1表 示， 两感染节点之间相连的边用2表 示； 步骤2.3、 在完全观测条件下， 将传播图用二维矩阵表示出来， 对于N个节点的传播底 图， 二维矩阵大小为 N×N； 步骤2.4、 在快照观测和传感器观测条件下， 只能观测到部分节点感染状态， 观测节点 数量为M时， 对应的二维矩阵大小为M ×M； 步骤2.5、 在传感器观测条件下， 能够观测到节点感染时间， 边的状态用节点感染时间 之和表示， 将传播图转换为 二维矩阵。 4.根据权利要求1所述的基于卷积神经网络模型的蠕虫传播溯源方法， 其特征在于， 所 述步骤3)具体包括下列步骤： 步骤3.1、 卷积神经网络包括卷积层和全连接层， 将卷积层、 激活函数、 池化层合并为一 组堆叠层， 使用两层堆叠层以及一层全连接层作为CN N模型； 步骤3.2、 卷积层中选择大小为3 ×3的卷积核， 两层卷积层中卷积核数量分别为16和 32， 激活函数为Relu()， 池化层的滤波器尺寸 为2×2； 步骤3.3、 神经网络的输入为二维矩阵， 输出为二维矩阵对应的源节点标签， 使用CNN从 传播图样本中学习传播模型先验知识， 建立传播图结构特征和传播源节点之间的对应关系 模型； 步骤3.4、 神经网络训练时， 通过输入前向传播得到的输出标签与实际源节点标签对比权　利　要　求　书 1/2 页 2 CN 115484079 A 2做差， 得到神经网络训练的损失； 步骤3.5、 将网络损失采用梯度下降法后向传播， 从而更新神经网络边的权重值， 重复 步骤3.3‑3.5直到网络损失收敛。 5.根据权利要求1所述的基于卷积神经网络模型的蠕虫传播溯源方法， 其特征在于， 所 述步骤4)具体包括下列步骤： 步骤4.1、 对于未知传播源的传播图， 将其输入到训练好的神经网络中， 得到预测的源 节点标签； 步骤4.2、 计算预测源节点与实际源节点之间的最短距离作为误差距离， 误差距离越 小， 则预测效果越好， 对于大量未知传播源样 本， 同时计算平均误差距离和预测准确率来评 估算法的预测效果。权　利　要　求　书 2/2 页 3 CN 115484079 A 3