(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 202211033769.4 (22)申请日 2022.08.26 (71)申请人 江苏警官 学院 地址 210000 江苏省南京市浦口区石佛寺 三宫48号 (72)发明人 谢文伟　印杰　梁广俊　 (74)专利代理 机构 芜湖思诚知识产权代理有限 公司 34138 专利代理师 房文亮 (51)Int.Cl. H04L 9/40(2022.01) G06K 9/62(2022.01) G06N 20/20(2019.01) (54)发明名称 一种用于概念漂移检测和自适应的方法及 IoT安全框架 (57)摘要 本发明公开了一种用于概念漂移检测和自 适应的方法及IoT安全框架， 涉及物联网技术领 域， 包括数据准备、 训练模型候选、 模型选 择及预 测输出四个步骤， 本发明针对物联网攻击和恶意 流量识别等安全问题， 提出一种面向概念漂移检 测和自适应的方法及相应的IoT安全框架， 通过 验证物联网流量对数据漂移 检测的有效性， 对AI 模型性能进行评估， 从而选择最佳的AI模型。 通 过对比实验， 验证了该框架和自适应方法在实际 中的可行性， 以及在对IoT安全流量识别性能的 提升作用。 权利要求书3页 说明书10页 附图2页 CN 115412337 A 2022.11.29 CN 115412337 A 1.一种用于概念漂移检测 和自适应的方法， 其特 征在于， 包括如下步骤： S1.数据准备 准备IoT数据集DataSet用来训练模型， 对数据集DataSet进行有放回抽样， 经过采样 后， 得到M个子训练集DataSet1,DataSet2,...,DataSetM； S2.训练模型候选 在模型准备阶段， 在每个训练集上， 训练出分类器作为候选模型， 并使用直方图对训练 集的特征分布进行表征， 同时记录每 个特征对模型的重要程度； S3.模型选择 在模型选择阶段， 使用直方图对待预测数据的特征分布进行表征， 然后， 根据直方图的 相似度， 在候选模型中， 寻找到最相似的训练集， 并使用该训练集上训练的模型最为决策模 型； S4.预测输出 通过相似度对直方图表征的比较， 寻找到最相似的训练集， 并使用该训练集上训练的 模型最为决策模型。 2.根据权利要求1所述的一种用于概念漂移检测和自适应的方法， 其特征在于， 所述步 骤S1中采用ba gging抽样方法， 使用不同正负 样本配比， 选择5％的原 始数据样本 。 3.根据权利要求1所述的一种用于概念漂移检测和自适应的方法， 其特征在于， 所述步 骤S2中具体方法如下： 训练baseline模型： 使用M个训练集， N个特征， 在每个训练集上， 生成一个直方图矩阵 H， 训练出一个分类器E和对应权重序列K， 这样共得到M个直方图(H1,H2,…HM)， M个分类器 (E1,E2,…EM)和M个权 重序列(K1,K2,…KM)； 每个训练集的直方图H生成方法如下： 对某一个特征X而言， 假设X的特征值为一个序列x1,x2,…xT， T表示该特征值序列的长 度， i表示特征值序列中的位置， 将特征值序列中的元素按大小分成若干个范围， 每个范围 称为一个bin， hj表示该特征值在第j个bi n中出现的次数， hj的计算方法如公式(1)所示： 其中Ii为指示函数， 计算方法如公式(2)所示： 通过公式(1)和(2)可计算出特征X的直方图h＝h1,h2,…,hC， 使用同样的方法， 为每个 特征计算出直方图， 得到直方图矩阵h'如公 式(3)所示， C为直方图中bin的数量， N为特征的 数量： 将直方图矩阵h'转换为 一维， 得到该训练集的直方图H如公式(4)所示：权　利　要　求　书 1/3 页 2 CN 115412337 A 2H＝h1,1,h1,2,…,h1,C,h2,1,h2,2,…,h2,C,…,hN,1,hN,2,…,hN,C      (4) 在每个训练集上的生成分类 器E和权重序列K的方法如下： 选择分类器模型， 并使用训练集中的样本对模型进行训练， 通过训练得到分类器， 在训 练同时， 记录每个特征对模型的重要程度， 并使用序列k1,k2, θ,kN进行表示， N为特征的数 量， 称序列k1,k2,…,kN为权重序列K。 4.根据权利要求1所述的一种用于概念漂移检测和自适应的方法， 其特征在于， 所述步 骤S3中采用了Self ‑adaption  EMD的相似度的度量方法， 该方法首先使用步骤S3中的直方 图生成方法， 为待预测数据生成直方图H'， 然后分别计算H'与每个训练集直方图H的相似 度。 5.根据权利要求4所述的一种用于概念漂移检测和自适应的方法， 其特征在于， 所述步 骤S3中， 令H＝P， H'＝Q， 即P和Q分别表示训练样本和待预测数据的直方图， Pi和Qi分别表示 各自的直方图某个bi n值， 表示Pi的权重， 表示Qi的权重， 如公式(5)和(6)所示： 定义流动量矩阵F， 如公式(7)所示， 其中， fij表示从Pi到Qi的流动数量； F＝[fij]              (7) 定义dij为从Pi到Qi的距离， 代价函数如公式(8)所示， 其中， K表示权重序列， A表示训练 集直方图bin的数量， B表 示待预测数据直方图bin的数量， g(i)为训练集直方图中， 第i个元 素对应的特 征在权重序列K中的值； 通过线性规划， 计算出当公式(8)取最小值时， 流动量矩阵F的取值， 计算方法如公式 (9)所示， 其中， 为代价函数， s.t.表示约束条件； 在使用公式(9)计算出流动量矩阵F后， 再使用公式(10)计算出待预测数据直方图Q和权　利　要　求　书 2/3 页 3 CN 115412337 A 3