技术领域
本发明涉及物联网技术领域领域，具体涉及了一种基于果蝇嗅觉神经网络的隐性异常检测方法及其装置。
背景技术
随着5G时代到来，工业物联网广泛应用于国家新基础设施计划，其由多种异构网络接入而成，是物理感知技术与互联网深度融合的信息物理系统。工业物联网与传统物联网的主要区别在于：它是基于感知数据的自动化控制，具体表现为通过生产过程的现场感知，给出目标设备的动作决策，更是传统工业控制系统与因特网的融合。因此，对工业物联网的破坏将直接延伸到各种基础设施的物理层面，并对大量居民的正常生活乃至国家安全造成严重影响。
当前的网络入侵检测系统能对工业物联网的各类显性网络攻击具有较好的检测能力；当前主流的工控容灾系统对工业物联网物理系统中的显性错误与异常，目前也能较好地快速诊断做出应急反应。然而对工业物联网系统中的隐性异常，无论是对上层应用系统还是下层物理系统中的隐性异常，目前缺少有效的解决方案。但是，工业物联网系统中隐性异常是重大的安全隐患，及早发现隐性异常能够避免重大安全问题的发生，进行隐性异常的快速检测研究具有重要意义。
发明内容
针对现有技术的不足，本发明提供能够过滤掉冗余信息，增强对具有相似信息中新数据的辨别能力，提高物联网系统隐性异常的检测能力。
本发明的一种基于果蝇嗅觉神经网络的隐性异常检测方法，其包括以下步骤：
S1：获取一串具有正常的相同数据的数据流为训练组和一串具有正常的相同数据中混有异常数据的混合数据流为测试组；
S2：构建一个果蝇嗅觉神经网络，利用训练组对果蝇嗅觉神经网络进行“习惯化”；
S3：利用赢者通吃策略对测试组中异常数据特征提取，输出异常数据的稀疏二值化的特征向量；
S4：异常数据的稀疏二值化的特征向量输入的全连接层，采用梯度下降法进行训练并输出结果；
S5:建立基于果蝇嗅觉神经网络的隐性异常检测模型。
进一步，所述步骤S2的具体步骤包括：
S2-1：构建一个果蝇嗅觉神经网络模型，包括受体神经元ORNs、抑制性神经元LN1、投射神经元PN
S2-2：投射神经元PN
x
其中，l为抑制性神经元LN1的活性，是一个常数；w
S2-3：为了达成“习惯化”的目的，随着s
其中，
S2-4：利用训练组对果蝇嗅觉神经网络进行“习惯化”。
进一步，所述步骤S3的具体步骤包括：
S3-1：构建神经标签KC，将PN
y＝Θx
其中，Θ是一个稀疏随机矩阵，包含n_kc行和d列，选取n_kc的应是40到50倍的d；
S3-2：使用阈值函数来过滤神经标签KC响应中的噪声：
其中，1≤i≤n_kc；τ
S3-3：将最高激活神经标签KC中的前5％设置为1，其余神经标签KC设置为0；
S3-4：将测试组输入果蝇嗅觉神经网络，输出异常数据的稀疏二值化的特征向量。
应用一种基于果蝇嗅觉神经网络的隐性异常检测方法的装置，所述果蝇嗅觉神经网络的隐性异常检测模型，包括果蝇嗅觉神经网络模块、策略稀疏化神经标签以及稀疏自动编码器，所述果蝇嗅觉神经网络模块、策略稀疏化神经标签以及稀疏自动编码器依次排列连接。
进一步，所述果蝇嗅觉神经网络模块包括受体神经单元、抑制性神经单元、投射神经单元；所述受体神经单元、抑制性神经单元、投射神经单元依次排列连接；受体神经单元与投射神经单元连接。
与现有技术相比，本发明的有益效果如下：
1、设计了一种全新的异常检测神经网络结构，利用果蝇嗅觉神经网络“习惯化”机制有利于剔除正常信息的干扰，构建果蝇嗅觉神经网络层-全连接层双重结构；
2、通过赢者通吃策略稀疏化神经标签KC方便对异常数据特征提取；
3、利用二元哈希编码加速全连接层参数的训练过程。由于全连接层输入数据的稀疏二值化，相较于卷积神经网络复杂的训练过程，极大地减少了算法的训练开销。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，在附图中：
图1为本发明基于果蝇嗅觉神经网络的隐性异常检测方法的总体框架示意图；
图2为本发明实施例习惯化前后KC标签对比图。
具体实施方式
请参见图1，实施案例中，一种基于果蝇嗅觉神经网络的隐性异常检测方法，其包括以下步骤：
S1：获取一串具有正常的相同数据的数据流为训练组，一串具有正常的相同数据中混有异常数据的混合数据流为测试组；
S2：构建一个果蝇嗅觉神经网络，利用训练组对果蝇嗅觉神经网络进行“习惯化”；
S3：利用赢者通吃策略对测试组中异常数据特征提取，输出异常数据的稀疏二值化的特征向量；
S4：异常数据的稀疏二值化的特征向量输入的全连接层，采用梯度下降法进行训练并输出结果。
S5:建立基于果蝇嗅觉神经网络的隐性异常检测模型。
进一步，所述S2的具体步骤包括：
S2-1：构建一个果蝇嗅觉神经网络模型，包括受体神经元ORNs、抑制性神经元LN1、投射神经元PN
S2-2：投射神经元PN
x
其中，l为抑制性神经元LN1的活性，是一个常数；w
S2-3：为了达成“习惯化”的目的，随着s
其中，
S2-4：利用训练组s
进一步，所述S3的具体步骤包括：
S3-1：构建神经标签KC，将PN
y＝Θx
其中，Θ是一个稀疏随机矩阵，包含n_kc行和d列，选取n_kc的应是40到50倍的d；
S3-2：使用阈值函数来过滤神经标签KC响应中的噪声：
其中，1≤i≤n_kc；τ
S3-3：将最高激活神经标签KC中的前5％设置为1，其余神经标签KC设置为0；
S3-4：将测试组输入果蝇嗅觉神经网络，输入一串数据流
参见图2，其中s
输出异常数据的稀疏二值化的特征向量。
应用一种基于果蝇嗅觉神经网络的隐性异常检测方法的装置，所述果蝇嗅觉神经网络的隐性异常检测模型，包括果蝇嗅觉神经网络模块、策略稀疏化神经标签以及稀疏自动编码器，所述果蝇嗅觉神经网络模块、策略稀疏化神经标签以及稀疏自动编码器依次排列连接。
进一步，所述果蝇嗅觉神经网络模块包括受体神经单元、抑制性神经单元、投射神经单元；所述受体神经单元、抑制性神经单元、投射神经单元依次排列连接；受体神经单元与投射神经单元连接。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
机译： 基于MEA-BP神经网络的WSN异常检测方法
机译： 基于MEA-BP神经网络的WSN异常检测方法
机译： 基于卷积神经网络的异常检测装置和异常检测训练数据生成装置
