(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 202211009783.0 (22)申请日 2022.08.22 (71)申请人 北京鹏鹄物宇科技发展 有限公司 地址 100043 北京市石景山区实兴大街3 0 号院 (72)发明人 李源　许海涛　徐佳康　杨仁金　 时月红　 (74)专利代理 机构 四川省方圆智云知识产权代 理事务所(普通 合伙) 51368 专利代理师 严晓玲 (51)Int.Cl. H04L 9/40(2022.01) H04L 41/14(2022.01) H04L 41/147(2022.01) H04L 47/2441(2022.01)G06K 9/62(2022.01) (54)发明名称 基于多模态条件对抗领域适应的空天地网 络入侵检测方法 (57)摘要 本发明提供一种基于多模态条件对抗领域 适应的空天地网络入侵检测方法。 涉及空天地网 络分布式领域， 为解决当前对抗式领域自适应方 法由于对抗学习的平衡问题带来的弊端问题而 发明。 本发明提供的技术方法包括： 基于特征融 合的多模态条件对抗领域自适应方法是空天地 网络分布式入侵检测架构的核心， 通过模型的域 自适应训练为每个网络域提供适合域环境的最 佳检测模型。 对抗式领域自适应方法继承了生成 对抗网络的优点， 不需要假定数据服从某种分 布， 然后利用极大似然估计数据的分布， 也不依 赖于任何事先的假设， 同时模型训练更简单、 更 多样化。 该方法可以应用在空天地网络入侵检测 研究中。 权利要求书3页 说明书12页 附图7页 CN 115412324 A 2022.11.29 CN 115412324 A 1.基于多模态条件对抗领域适应的空天地网络入侵检测方法， 其特征在于， 包括以下 步骤： 步骤1， 构建基于特 征融合的多模态条件 对抗域适应网络模型； 模型使用Fs、 Fm、 Ft三个特征提取网络， 三个特征提取网络均采用ShuffleNet_Lite_ECA 网络； Fs、 Ft分别用于提 取源于和目标域的特有特征， Fm用于提取领域间的域不变特征； Fs、 Fm 提取的特征融合后传入分类器C进行监督训练； 源域数据训练的分类器学习到目标域的信 息， 然后Fm提取的特征与源域数据的分类标签按照多线性映射方法处理后输入对抗 网络的 判别器D中进行域判别； 步骤2， 构建目标函数； 学习目标域的两个特征提取网络、 一个领域判别器和一个分类器， 用于在目标域上执 行入侵检测任务。 2.根据权利要求1所述的基于多模态条件对抗领域适应的空天地网络入侵检测方法， 其特征在于， 步骤1中， 还包括特征和标签合并， 即 f、 g分别表示特征和分类标签， 根 据一种多线性映射 方法 通过多线性映射进行互协方差信息的提 取， 多线性映射定义 为多个随机向量的外积； 假设线性映射φ(x)＝x和具有C类别数的one ‑hot标签变量y， 均值 映 射 会 分 别 独 立 计 算 x 和 y 的 均 值 ，而 多 线 性 映 射 计算每一个 类别的条件分布P(x|y)的均值。 3.根据权利要求1所述的基于多模态条件对抗领域适应的空天地网络入侵检测方法， 其特征在于， 步骤1中， 还包括引入熵条件衡量样本预测 类别的不确定性大小， 对于熵较大 的样本赋予较小的权重， 反之对于熵较小的样本赋予较大 的权重， 以此降低预测效果差的 样本对对抗训练产生的负面影响； 熵H( ·)的计算公式为： Nc表示类别数目， 表示该样本属于第nc类的概率； 从而根据熵值求得熵权重ω(H (·))为： 判别器D判断接收到的数据样本是来自源域还是目标域， 该部分采用的条件领域对抗 思想， 由于判 别器D接受的特征数据中融入了标签信息； 目标域 数据同时经过Fm、 Ft特征提取 网络进行共享特征和特有 特征的提取； 使用分类器C对目标域数据进 行分类预测， 先令 分类 器C进行一个epoch的有监督训练后， 再开始 对抗训练； 目标域数据具有分类 标签， 与 进行 外积计算后输入条件判别器进行对抗训练。 4.根据权利要求1所述的基于多模态条件对抗领域适应的空天地网络入侵检测方法， 其特征在于， 步骤1中， 还包括在目标函数中引入特征对齐损失惩罚项进行特征对齐， 采用 CORAL算法计算特征间差异， 对源域和目标域特征分布的二阶统计量进 行对齐， 从而缩小两 个领域的特 征分布差异； CORAL差异计算公式为：权　利　要　求　书 1/3 页 2 CN 115412324 A 2d为特征维度， CS和CT分别为源域和目标域的特 征协方差矩阵： 1为所有元素为1的列变量， MS为每批次数据中包含的NS个源域数据样本的特征， MT为每 批次数据中包 含的NT个目标域数据样本的特 征。 5.根据权利要求1所述的基于多模态条件对抗领域适应的空天地网络入侵检测方法， 其特征在于， 步骤1 中， 还包括模型实行三阶段式训练方法， 分别是预训练阶段、 训练阶段和 测试阶段； 预训练阶段模型网络只包含Fs和Fm两个特征映射网络以及分类器C和判 别器D， 当 预训练收敛后， 冻结特征提取网络Fm的参数， 进行正式训练； 正式训练开始时先冻结判别器 参数， 使分类器C单独进行一个epoch的有监督训练， 然后再开始进行对抗训练； 正式训练模 型收敛后， 冻结 Fm、 Ft、 C、 D的参数在测试集进行验证评价。 6.根据权利要求1所述的基于多模态条件对抗领域适应的空天地网络入侵检测方法， 其特征在于， 步骤2具体的： 定义源域数据 代表源域数据中第i个样本， 代表源域中第i个样 本的标签， Ns代表源域中样本的数量， 源域数据服从的分布记为Ps； 同样， 定义目标域数据 代表目标域数据中第i个样本， 与源域不同的是目标域没有标签， Nt代表目 标域样本的数量， 目标域数据服从的分布记为Pt， 并且定义 为两 个域的样本集 合， 同时定义di为第i个样本的域标签， di＝0代表源域， di＝1代表目标域。 7.根据权利要求6所述的基于多模态条件对抗领域适应的空天地网络入侵检测方法， 其特征在于， 步骤2中目标函数分为 三部分； 1)分类器C产生的有监 督训练的分类损失 将源域提取的特有特征与Fm提取的混淆特征融合后传入C中进行监督学习； 类器C对有 标签的源域数据进行监 督训练， 使用交叉熵损失进行优化： 代表特征生成网络Fs的参数， 代表特征混淆网络Fm的参数， θC代表分类器C的参 数， Lc代表交叉熵损失； 2)条件域分类损失 条件域对抗训练损失整体优化目标为： Ladv‑s、 Ladv‑t分别为源域数据和目标域数据在特征提取网络Fm与判别器D上的对抗误差权　利　要　求　书 2/3 页 3 CN 115412324 A 3