专利交易市场

本发明涉及一种基于改进LDA降维的ELM分类入侵检测方法，其中包括：网络行为数据归一化：将不同维的有量纲数据转变成无量纲数据；网络行为数据降维：计算类内散度矩阵和类间散度矩阵，采用最优转换矩阵，对归一化后的网络行为数据进行降维；网络行为数据分类：利用极限学习机分类算法，通过对网络行为数据训练集分析获得进行分类隐藏层输出矩阵H和最优输出权重β，然后对测试集进行分类判断，判定网络是否安全及存在何种攻击。本发明具有更好的时间效率、检测性能和泛化性能；尤其对于资源受限的WSNs，入侵检测算法的高效是至关重要的；本方法能在保证较好的检测效率的同时提高入侵检测的效率，相较于其他算法具有明显优势。

本申请提供一种提供非法小区识别方法及终端，其中，该方法包括：在位置更新期间，检测是否接收到待识别小区所在网络发送的鉴权请求，在接收到所述鉴权请求时，通过反馈带有错误鉴权参数的鉴权响应，确定待识别小区是否为非法小区，而在未接收到所述鉴权请求时，通过检测是否接收到待识别小区所在网络发送的类型为IMSI的身份识别请求，确定待识别小区是否为非法小区。该技术方案提高了识别非法小区的识别度和准确度，解决非法小区干扰终端正常通信的问题。

本发明提供了一种跨技术通信的欺骗攻击检测方法，包括以下步骤：步骤1，建立跨技术通信网络，获取正常数据；步骤2，使用一类支持向量机算法对正常数据进行训练并构建一类支持向量机算法分类器；步骤3，使用步骤2得到的一类支持向量机算法分类器获取异常数据；步骤4，将正常数据和异常数据作为训练集，使用支持向量机算法进行分类训练，得到训练好的支持向量机算法分类器，通过支持向量机算法分类器对网络中的数据进行检测。

本发明提供一种基于稀疏项恢复的恶意锚节点检测和目标节点定位方法，包括步骤如下：将无线传感器网络中攻击者对于节点的测距数值攻击项构建成未知扰动项，并在未知扰动项中引入目标节点待估位置，得到未知稀疏向量；S2：将恶意锚节点检测和目标节点定位问题转换为对未知稀疏向量的恢复问题；S3：根据递推加权线性最小二乘法确定初始节点的位置，并采用自适应梯度投影方法对具有稀疏特性的未知稀疏向量进行恢复和重建；S4：利用未知稀疏向量恢复数值逼近阈值确定恶意锚节点判定范围，实现对于恶意锚节点的检测，利用干扰项重建的非稀疏项部分恢复确定目标节点位置信息。本发明实现在安全定位机制中的同时对恶意锚节点检测和未知节点定位估算，提高检测的准确性和高效性。

本发明提供一种面向物联网设备的基于可分卷积的轻量级入侵检测方法，包括以下步骤：获取物联网设备的无线网络数据，并对无线网络数据中的字符数据进行数值化；引入液态分子蒸馏原理，将数值化后的无线网络数据视为液态分子，对液态分子依次进行蒸馏和分馏操作，即将优化后的无线网络数据进行粗提纯和精提纯(DPA)；将提纯后的无线网络数据转换为二维灰度图；基于可分离小波的刚体运动卷积原理构建LSCNN模型；输入二维灰度图至LSCNN模型中进行入侵检测，判断物联网设备是否产生入侵情况。该方法基于DPA提纯数据训练的LSCNN模型相较于传统CNN算法具有更高的时间效率与检测准确率，相较于传统机器学习算法具有更高的准确率。

本发明公开一种面向无线传感器网络的两级节点信任评估方法，针对行为数据模糊的节点进行信任评估，防止恶意节点对传感器网络的攻击。具体步骤如下：首先，对被评估节点直接监测得到的行为数据去模糊，以得到节点直接信任值；其次，结合直接、历史以及推荐信任数据评估节点最终信任值；接着，多次评估得到信任样本，并引入云模型建立正态信任云，作为节点最终信任等级评估依据；最后，根据实际需求划分标准信任云组，并采用精简分类方法匹配节点最佳标准信任云，从而确定节点信任等级。本发明分析行为数据模糊性对信任评估的影响，构建两级信任评估模型，包括模糊推理、多源信任智能融合以及信任云重构与分类，从而提高节点信任等级的评估精度。