(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 202211282236.X (22)申请日 2022.10.19 (65)同一申请的已公布的文献号 申请公布号 CN 115348115 A (43)申请公布日 2022.11.15 (73)专利权人 广州优刻谷科技有限公司 地址 510535 广东省广州市黄埔区伴河路 190号自编A栋1 112房 (72)发明人 赖方民　 (74)专利代理 机构 广东穗科知识产权代理事务 所(普通合伙) 44834 专利代理师 黄启文　李英杰 (51)Int.Cl. H04L 9/40(2022.01) H04L 41/147(2022.01)H04L 41/16(2022.01) G06K 9/62(2022.01) (56)对比文件 CN 114679310 A,202 2.06.28 CN 113489674 A,2021.10.08 CN 114221790 A,202 2.03.22 US 2022198790 A1,202 2.06.23 孙知信等.一种基 于等级划分的物联网安全 模型. 《计算机 工程》 .201 1,第37卷(第10期),第 1-7页. 李晓华等.一种基 于多Agent的智能家居系 统研究与设计. 《计算机 工程》 .20 06,第32卷(第 21期),第23 3-234页. 审查员 白生斌 (54)发明名称 智能家居的攻击预测模 型训练方法、 攻击预 测方法及系统 (57)摘要 本发明涉及一种智能家居的攻击预测模型 训练方法， 包括： S1.智能家居设备构建训练数据 集： 智能家居设备接收来自其他设备的原始数 据， 根据每次数据访问对智能家居设备的影响， 将所述原始数据 标记为yi； 对所述原始数据进行 特征提取， 获取特征向量 xi； 元组 （xi，yi） 构成一 个训练样 本； 令智能家居设备构建的训练数据集 中， 训练样本的数量为 n个，i∈[1,n]； S2.构建预 测模型； S3.进入迭代求解过程， 迭代变量 j的初 始值为0， 迭代结束条件为 j≥J，J为默认常数。 权利要求书2页 说明书6页 附图1页 CN 115348115 B 2022.12.20 CN 115348115 B 1.智能家居的攻击预测模型训练方法， 其特 征在于： 包括： S1.智能家居设备构建训练数据集： 智能家居设备接收来自其他设备的原始数据， 根据 每次数据访问对智能家居设备的影响， 将所述原始数据标记为 yi； 对所述原始数据进行特 征提取， 获取特征向量 xi； 元组 （xi，yi） 构成一个训练样 本； 令智能家居设备构建的训练数据 集中， 训练样本的数量 为n个，i∈[1,n] ； S2.构建预测模型 ； 其中 表示求取向量 x 和向量xi的内积；ui、v表示待求 解的模型参数， ui、v的初始值取0； ui∈[0,C]，C为默认常数； S3.进入如步骤S3.1~步骤S3.3的迭代求解过程， 迭代变量 j的初始值为0， 迭代结束条 件为j≥J，J为默认常数； S3.1.令T=0，T用于标记本轮迭代过程中预测模型的模型参数 ui、v是否被调优过； S3.2.对训练样本 （ xk，yk） 执行步骤S 3.2.1~步骤S3.2.3的操作， 其中 k∈[1,n] ；k的初始 值为1； S3.2.1.将训练样本 （ xk，yk） 中的xk输入至预测模型中， 预测模型输出预测的期望值 ， 计算期望值与实际值的误差： ； S3.2.2.判断误差 是否达到预设精度， 若是则执行步骤S3.2.3， 否则进行步骤 S3.2.2.1~步骤S3.2.2.4的调优步骤； S3.2.2.1.从训练数据集中随机选择一个训练样本 （ xl，yl） 作为参考样本， k≠l， 通过步 骤S3.2.1的方式计算 ， 保留当前的 uk、ul、v， 即 、 、 ； S3.2.2.2.判断模型参数 uk、v是否满足过拟合条件： （1）yk和yl导致的参数动态变化范围的下界值与其上界值相等； （2）xl和xk的交叉内积大于其各自的自内积之和的均值； （3） 用作参 考的ul的值的前后变化小于默认值； 即 ， 为默认常数； 当条件 （1） 、 （2） 、 （3） 中任一条件满足时， 模型参数 uk、v满足过拟合条件， 则 令k=k+1， 并 跳转步骤S3.2， 否则执 行步骤S3.2.2.3； S3.2.2.3.当模型参数 uk、v不满足过拟合条件时， （ xk，yk） 、 （xl，yl） 为有效样本， 更新模 型参数uk、v； S3.2.2.4.更新 T=T+1； S3.2.3.判断 k是否大于或等于 n， 若是则执行步骤S3.3； 否则令 k=k+1， 然后执行步骤 S3.2； S3.3.本轮迭代完毕后， 判断 T是否等于0， 若是则令 j=j+1然后执行步骤S3.1， 否则迭代 变量j维持原值， 然后执 行步骤S3.1。 2.根据权利要求1所述的智能家居的攻击预测模型训练方法， 其特征在于： 所述步骤 S3.2.2中， 当满足以下两个条件中 的任意一个条件时， 误差 未达到预设精度， 否则， 达到 预设精度； （1） 且 ； （2） 且 ；权　利　要　求　书 1/2 页 2 CN 115348115 B 2为默认常数。 3.根据权利要求1所述的智能家居的攻击预测模型训练方法， 其特征在于： 所述步骤 S3.2.2.2中， 参数动态变化范围的下界值表示 为： ； 参数动态变化范围的上界值表示 为： 其中max()表示 求取较大值， mi n()表示求取较小值。 4.根据权利要求1所述的智能家居的攻击预测模型训练方法， 其特征在于： 所述步骤 S3.2.2.2中， xl和xk的交叉内积大于其各自的自内积之和的均值具体表示 为： 。 5.根据权利要求4所述的智能家居的攻击预测模型训练方法， 其特征在于： 所述步骤 S3.2.2.3更新模型参数 uk、v具体表示 为： ； 其中 为模型参数 uk更新后的数值； 为模型参数 v更新后的数值。 6.根据权利要求1~5任一项所述的智能家居的攻击预测模型训练方法， 其特征在于： 所 述步骤S1中，  yi的取值为1或 ‑1；yi的取值为1时， 表示该次数据访问为安全访问； yi的取值 为‑1时， 表示该次数据访问存在危险。 7.智能家居的攻击预测方法， 其特 征在于： 包括以下步骤： 各个智能家居设备应用权利要求1~6任一项所述的攻击预测模型训练方法训练各自的 预测模型； 各个智能家居设备训练好各自的预测模型后， 若其中一个智能家居设备A接收到可疑 数据包时， 将其向全网的智能家居设备进行广播； 全网的智能家居设备将所述广播的可疑数据包输入至自身的预测模型进行攻击预测， 并将攻击预测的结果返回至智能家居设备A； 智能家居设备A对所述全网的智能家居设备的攻击预测结果进行加权平均； 全网的智 能家居设备的攻击预测结果中， 当将所述可疑数据包判断为危险访问的攻击预测结果的比 例超过设定的阈值时， 将所述可疑数据包判断为 攻击行为， 否则判断为 安全行为。 8.智能家居的攻击预测系统， 其特征在于： 包括若干智能家居设备， 所述智能家居设备 进行攻击预测时， 执 行权利要求7 所述的智能家居的攻击预测方法。权　利　要　求　书 2/2 页 3 CN 115348115 B 3