(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111512963.6 (22)申请日 2021.12.1 1 (65)同一申请的已公布的文献号 申请公布号 CN 114301637 A (43)申请公布日 2022.04.08 (73)专利权人 河南大学 地址 475001 河南省开封市顺河区明伦街 85号 (72)发明人 贾培艳　陈会平　张磊　韩道军　 丁文珂　姜帅民　马夏青　 (74)专利代理 机构 郑州大通专利商标代理有限 公司 41111 专利代理师 高为宝 (51)Int.Cl. H04L 9/40(2022.01) H04L 67/12(2022.01) G16Y 30/10(2020.01)(56)对比文件 CN 113283476 A,2021.08.20 CN 110909181 A,2020.0 3.24 CN 113114673 A,2021.07.13 CN 113537313 A,2021.10.2 2 CN 110796253 A,2020.02.14 US 202015 3742 A1,2020.0 5.14 EP 3843011 A1,2021.0 6.30 US 10635941 B1,2020.04.28 CN 110263845 A,2019.09.20 Zhao, CD (Zhao, Caidan) [1];Shi, MX (Shi, Mi ngxian);Cai,.Researc h on the Open-Categorical Clas sificati on of the Internet-of-Thi ngs Based o n Generative Adversarial Netw orks. 《AP PLIED SCIENC ES- BASEL》 .2019, 王坤峰等.生成式对抗网络:从生成数据到 创造智能. 《自动化学报》 .2018,(第0 5期), (续) 审查员 聂瑛 (54)发明名称 一种用于医疗物联网的入侵检测方法和系 统 (57)摘要 本发明提供一种用于医疗物联网的入侵检 测方法和系统。 该方法包括： 将输入的医疗物联 网流量数据分为正常流量数据和不平衡流量数 据； 构建具有相同网络结构的第一WGAN ‑GP网络 和第二WGAN ‑GP网络； 通过第一生成器根据正常 流量数据和输入的噪声数据生 成假流量数据， 通 过第一判别器对正常流量数据和假流量数据进 行判别， 对第一生成器和第一判别器进行交叉迭 代训练； 根据给定的复制因子和保存的第一 WGAN‑GP网络的参数确定第二WGAN ‑GP网络的初 始参数， 然后利用不平衡流量数据对配置有初始 参数的第二WGAN ‑GP网络进行训练； 根据第二生 成器生成的流量数据和真实的医疗物联网流量 数据训练得到分类器模型， 利用所述分类器模型实时检测医疗物联网流 量数据中的攻击流 量。 [转续页] 权利要求书2页 说明书8页 附图3页 CN 114301637 B 2022.09.02 CN 114301637 B (56)对比文件 王静等.基 于经验模态分解 生成对抗网络的 金融时间序列预测. 《计算机 应用与软件》 .2020, (第05期), Chuan Yang； Zhengho ng Wang.An Ensemble Wasserstein Generative Adversarial Network Method for Road Ext raction From High Reso lution Remote Sensi ng Images in Rural Areas. 《IE EE Access》 .2020, Li Zhao;Ruixia Zhao.Researc h on Image Inpainting Based o n Generative Adversarial Netw ork. 《2020 I nternati onal Conference o n Computer Netw ork, Electronic and Automati on (ICCNEA)》 .2020,2/2 页 2[接上页] CN 114301637 B1.一种用于医疗物联网的入侵检测方法， 其特 征在于， 包括： 步骤1： 将输入的医疗物联网流量数据按照公式(1)和(2)分为正常流量数据和不平衡 流量数据； 其中， Do＝(X,y)表示输入的医疗物联网流量数据， X表示医疗物联网流量数据的特征， y 表示医疗物联网流量数据的标签， D ′o表示正常流量数据， X ′表示正常流量数据的特征， y ′ 表示正常流量数据的标签， fc(·)为不平衡数据选择函数， C＝(c1,c2,…cτ)， C表示标签类 型的集合， cη,cτ∈C， 表示标签为正常行为的网络流量， 表示为标签是攻击行为的网 络流量， γ表示 不平衡率； 步骤2： 构建具有相同网络结构的第一WGAN ‑GP网络和第二WGAN ‑GP网络， 所述第一 WGAN‑GP网络包括第一生成器和第一判别器； 所述第二WGAN ‑GP网络包括第二生 成器和第二 判别器； 步骤3： 通过第 一生成器根据 所述正常流量数据和输入的噪声数据生成假流量数据， 通 过第一判别器对所述正常流量数据和所述假流量数据进行判别， 对所述第一生成器和所述 第一判别器进行交叉迭代训练直至所述第一生成器和所述第一判别器的loss值分别达到 设定阈值， 保存此时的第一 WGAN‑GP网络的参数； 步骤4： 根据给定的复制因子和保存的第一WGAN ‑GP网络的参数按照公式(11)确定第二 WGAN‑GP网络的初始参数， 然后利用所述不平衡流量数据对配置有所述初始参数的第二 WGAN‑GP网络进行训练直至第二生成器和第二判别器的loss值分别达到设定阈值， 利用此 时的第二 生成器生成流 量数据； 其中， θpD表示保存的第一判别器的参数， θpG表示保存的第一生成器的参数， 表示给定 的复制因子， θD表示第二 生成器的初始参数， θG表示第二判别器的初始参数； 步骤5： 根据第二生成器生成的流量数据和真实的医疗物联网流量数据训练得到分类 器模型， 利用所述分类 器模型实时检测医疗物联网流 量数据中的攻击流 量。 2.根据权利要求1所述的一种用于 医疗物联网的入侵检测方法， 其特征在于， 所述第 一 生成器的l oss值的设定阈值 为0.98， 所述第一判别器的l oss值的设定阈值 为‑0.98。 3.根据权利要求1所述的一种用于 医疗物联网的入侵检测方法， 其特征在于， 所述第 二 生成器的l oss值的设定阈值 为0.99， 所述第二判别器的l oss值的设定阈值 为‑0.99。 4.一种用于 医疗物联网的入侵检测系统， 其特征在于， 包括： 恶意流量生成模块和入侵 检测模块； 其中， 所述恶意流量生成模块包括数据过滤器、 预训练单元和不平衡数据生 成单 元； 所述预训练单元和所述不平衡数据生 成单元采用相同的WGAN ‑GP网络结构， 分别记作第 一WGAN‑GP网络和第二WGAN ‑GP网络， 所述第一WGAN ‑GP网络包括第一生 成器和第一判别器，权　利　要　求　书 1/2 页 2 CN 114301637 B 3