网络实验室虚假数据注入攻击深度识别仿真

摘要

由于当前已有攻击识别方法未对网络实验室虚假数据进行预处理,导致计算开销、存储开销以及能量消耗均较高,攻击的识别率偏低。现提出一种网络实验室虚假数据注入攻击深度识别方法。分析网络实验室虚拟数据的注入机理,滤除虚假数据噪声。将决策树算法和梯度提升框架结合,构建虚假数据注入攻击深度识别模型。采用自适应混沌果蝇算法优化模型参数,将经过预处理的虚假数据输入到识别模型中,根据虚拟数据的更新门以及重置门,获取虚假数据注入攻击训练数据集,实现虚拟数据注入攻击的深度识别。仿真结果表明:所提方法可以有效提升识别率,降低计算开销、存储开销以及能量消耗。实验结果证明了所提方法具有较好的应用前景。