基于生成对抗网络的通信网络异常用户检测方法与流程

本发明属于通信网络异常用户检测领域，具体涉及一种基于生成对抗网络的通信网络异常用户检测方法。

背景技术

由于无线信道的开放性，随着无线通信技术的发展，其中存在的安全问题越来越多。如果缺乏有效的应对策略，将有可能对无线通信网络和合法用户造成不可估量的损失。非正交多址接入(noma)技术已经成为下一代移动通信系统(5g)的关键技术之一。随着noma的发展，noma中的安全问题也开始受到关注和研究。功率域noma是基于用户的信道状态信息(channelstateinformation，csi)导出相应的功率分配方案，在同一频谱上对用户进行叠加信息传输。类似于认知无线电频谱协作感知中存在频谱感知数据伪造(ssdf)攻击，非法占用频谱资源。在noma中，也存在恶意用户向基站反馈错误的csi，使基站判断错误，从而骗取较大的分配功率以达到相应的目的，如：在高质量通信状态下进行非法行为操作。这种欺诈攻击大大浪费了通信的能量资源，并影响了其他用户的通信质量。由于传统的解决方案基于一定的假设、数学模型简单、采用的信息维度少、只能单独的对不同类型的攻击模型进行处理等缺陷，本专利提出了基于深度学习的、具有大规模和高纬度数据处理能力的解决方案。

近年来，针对无线通信网络中的欺诈攻击，国内外学者进行了广泛研究，并提出了各种解决方案。但传统的解决方案数学模型简单，数据维度低，数据计算量小，不能高效的联合对抗恶意用户的不同攻击模型，大大降低了无线通信网络的安全性。目前，具有大数据处理能力，高效特征提取能力，模块融合能力的深度学习技术有望解决传统方法的缺陷。

研究异常用户攻击模型对于提升网络安全防御系统的性能至关重要。在实际通信系统中，通常情况下异常用户只占总用户数的极少部分，异常用户和正常用户的比例极度不均衡，难以满足深度学习模型对训练数据集的要求，对于以准确率和查全率为性能指标的分类模型训练中，影响了分类模型的训练效果。

本发明所申请的基于深度生成对抗网络的异常用户攻击模型构建，把异常用户检测问题归结为基于深度学习的模式识别分类问题，利用生成对抗网络对少量的异常用户数据进行过采样，实现数据集的均衡化。

技术实现要素：

本发明的目的在于实现对抗恶意用户的不同攻击模型的高效联合，提出一种基于生成对抗网络的通信网络异常用户检测方法，实现异常用户检测，解决训练数据集中比例不均衡影响分类模型训练效果的技术问题。

鉴于深度学习模型对数据量的要求，本发明采用少数类样本过采样的思想，研究基于生成对抗网络的异常用户检测方法，利用该方法产生大量的异常用户攻击数据，使得异常用户和正常用户的数据量达成一致，最后利用深度全连接神经网络对异常用户和正常用户进行分类。

具体到异常用户检测应用，利用生成对抗网络(generativeadversarialnetworks,gan)对异常用户样本数据分布进行逼近，主要思想是利用深度神经网络的相互博弈生成异常用户数据。

本发明采用如下技术方案，一种基于生成对抗网络的通信网络异常用户检测方法，具体步骤如下：

1)对异常用户的数据进行规则化，得到维度和量级均一致的数据；

2)对生成对抗网络进行训练，即对生成器(generator,g)和鉴别器(discriminator,d)进行训练，实现对异常用户的过采样；

3)将生成器生成的数据与正常用户组成训练数据集，利用深度全连接神经网络对训练数据集进行分类，判断用户类型。

优选地，对异常用户的数据进行规则化具体为对不同量级的数据采用最大最小归一化方式进行规则化，对标签数据采用one-hot编码方法进行标注以实现规则化。

优选地，步骤2)的具体步骤为：

21)采用两个多层全连接神经网络构成生成器和鉴别器；

22)针对生成器进行训练，生成器模拟真实异常用户数据的分布，生成模拟异常用户数据；训练目的是使得鉴别器无法区别出真实的异常用户数据和生成的模拟异常用户数据，进而达到模拟异常用户攻击数据的目标；

23)将真实异常用户数据和生成器产生的模拟异常用户数据分别输入鉴别器，对鉴别器进行训练；训练的目的是使得鉴别器能够区别出真实的异常用户数据和生成器产生的模拟异常用户数据；

24)对生成器和鉴别器进行交替迭代达成对生成对抗网络的训练。

优选地，生成器为g(z)，其中z是一个随机噪声，生成器g将随机噪声z进行转化，模拟真实的异常用户数据的分布，生成模拟异常用户数据。

优选地，鉴别器为d(x)，输入为真实异常用户数据xa和生成器产生的模拟异常用户数据xg，鉴别器d输出0-1范围的一个实数，用于判断生成器g生成的模拟异常用户数据样本xg与真实异常用户数据样本xa的概率，pr和pg分别代表真实异常用户数据分布和模拟异常用户数据分布，鉴别器的目标函数为：

其中，表示真实异常用户数据被判断为真实异常用户数据的期望，表示生成器产生的模拟异常用户数据被判断为模拟异常用户数据的期望。

优选地，对生成器和鉴别器进行交替迭代具体为最大最小化目标函数，分别对生成器g和鉴别器d进行交互迭代，固定生成器g时优化鉴别器d；固定鉴别器d时优化生成器g，直到过程收敛；

生成器g的目标为使鉴别器d无法区分真实样本和生成样本，整体优化函数如下：

其中，表示真实异常用户数据被判断为真实异常用户数据的期望，表示生成器产生的模拟异常用户数据被判断为模拟异常用户数据的期望；d(x)表示鉴别器。

训练得到的深度神经网络对于任意输入的随机噪声，该深度神经网络能输出对应的数据，以用于模拟异常用户数据，该深度神经网络称为生成器。通过生成器g大量地产生模拟数据，可以实现对异常用户的过采样，使得训练数据达的均衡的目标。

发明所达到的有益效果：本发明是一种基于生成对抗网络的通信网络异常用户检测方法，实现异常用户检测，解决训练数据集中比例不均衡影响分类模型训练效果的技术问题；能够很好地逼近训练数据的分布，通过对少数样本的过采样实现非均衡数据集的均衡化。本发明的主要创新点在于提出了基于生成对抗网络解决异常用户数据均衡化的问题，相比于传统方法，能更好地解决分类模型训练中的训练数据集的非均衡问题。

附图说明

图1是基于生成对抗网络的异常用户检测方法流程图；

图2是本发明的基于生成对抗网络的异常用户攻击模型示意图。

具体实施方式

下面根据附图并结合实施例对本发明的技术方案作进一步阐述。

本发明采用如下技术方案，一种基于生成对抗网络的通信网络异常用户检测方法，图1是基于生成对抗网络的异常用户检测方法流程图，图中的gan1、gan2和gan3均为生成对抗网络，具体步骤如下：

1)对异常用户的数据进行规则化，得到维度和量级均一致的数据；

2)对生成对抗网络进行训练，即对生成器(generator,g)和鉴别器(discriminator,d)进行训练，实现对异常用户的过采样；

3)将生成器生成的数据与正常用户组成训练数据集，利用深度全连接神经网络对训练数据集进行分类，判断用户类型。

优选地，对异常用户的数据进行规则化具体为对不同量级的数据采用最大最小归一化方式进行规则化，对标签数据采用one-hot编码方法进行标注以实现规则化。

优选地，步骤2)的具体步骤为：

21)采用两个多层全连接神经网络构成生成器和鉴别器；

22)针对生成器进行训练，生成器模拟真实异常用户数据的分布，生成模拟异常用户数据；训练目的是使得鉴别器无法区别出真实的异常用户数据和生成的模拟异常用户数据，进而达到模拟异常用户攻击数据的目标；

23)将真实异常用户数据和生成器产生的模拟异常用户数据分别输入鉴别器，对鉴别器进行训练；训练的目的是使得鉴别器能够区别出真实的异常用户数据和生成器产生的模拟异常用户数据；

24)对生成器和鉴别器进行交替迭代达成对生成对抗网络的训练。

优选地，生成器为g(z)，其中z是一个随机噪声，生成器g将随机噪声z进行转化，模拟真实的异常用户数据的分布，生成模拟异常用户数据。

优选地，鉴别器为d(x)，输入为真实异常用户数据xa和生成器产生的模拟异常用户数据xg，鉴别器d输出0-1范围的一个实数，用于判断生成器g生成的模拟异常用户数据样本xg与真实异常用户数据样本xa的概率，pr和pg分别代表真实异常用户数据分布和模拟异常用户数据分布，鉴别器的目标函数为：

其中，表示真实异常用户数据被判断为真实异常用户数据的期望，表示生成器产生的模拟异常用户数据被判断为模拟异常用户数据的期望。

优选地，对生成器和鉴别器进行交替迭代具体为最大最小化目标函数，分别对生成器g和鉴别器d进行交互迭代，固定生成器g时优化鉴别器d；固定鉴别器d时优化生成器g，直到过程收敛；

生成器g的目标为使鉴别器d无法区分真实样本和生成样本，整体优化函数如下：

其中，表示真实异常用户数据被判断为真实异常用户数据的期望，表示生成器产生的模拟异常用户数据被判断为模拟异常用户数据的期望；d(x)表示鉴别器。