【翻译】知识图谱增强的IoT流量生成

网络流量数据有利于了解物联网（IoT）提高现实世界中物联网服务质量的行为。然而，即使是匿名的个人身份信息，也很少获得大规模的物联网流量数据，隐私问题也阻碍了实际的数据共享。研究人员建议生成合成物联网流量，但未能涵盖物联网设备在现实世界中提供的各种服务。在这项工作中，我们迈出了第一步，通过知识增强生成式对抗网络（GAN）框架产生大规模的物联网流量，通过知识图将语义知识(如位置和环境信息)和网络结构知识引入各种物联网设备。在物联网流量生成的知识和设备类别中，我们机制。然后，我们采用它LSTM捕捉流量序列中的时间相关性与自我注意机制有关。广泛的实验结果表明，我们提出的合成物联网流量数据集在数据保真度和应用方面优于最先进的基线。另外，我们提出的模型只需要在小型真实数据集中进行知识强化训练，就可以生成真实数据。

物联网流量数据集可以正式表示为一组对象 S = { O i } i N = 1 S = \{O_i\}_i^{N=1} S={ Oi​}iN=1​，其中 O i O_i Oi​代表第i个物联网设备d_i的数据。对于每个设备，数据 O i = （ C i , T i ） O_i=（C_i,T_i） Oi​=（Ci​,Ti​）， C i C_i Ci​代表设备类别， T i T_i Ti​代表3维网络流量序列。如图1（a）所示，流量序列 T i = { A i j , P i j , L i j } j = 1 M i T_i = \{A^j_i, P_i^j , L^j_i \}^{M_i}_{j=1} Ti​={ Aij​,Pij​,Lij​}j=1Mi​​，其中 M i M_i Mi​是物联网设备 d i d_i di​的流量序列的长度，

图1（a） 物联网设备流量数据

表1列出了三个特征的细节：到达时间间隔 A i j A^j_i Aij​，数据包总数 P i j P_i^j Pij​，以及平均数据包长度 L i j L^j_i Lij​。给定一个现实世界的物联网流量数据集 S S S，我们的目标是用生成模型 G G G生成一个现实的流量数据集 S ^ \hat{S} S^。

生成式对抗网络[14]是一种基于对抗学习的最先进的生成模型，它在一些领域的生成任务中取得了显著的成果[42, 46, 47]。一个典型的GAN有两个组成部分，一个生成器 G θ G_θ Gθ​和一个鉴别器 D j D_j Dj​，它们被交替训练以生成与真实数据相比的假数据。生成器 G θ G_θ Gθ​通过生成与真实数据分布相似的假数据，学会愚弄鉴别器 D j D_j Dj​，鉴别器 D j D_j Dj​学会区分假数据和真实样本，它进行最小-最大竞争，如下所示。 min ⁡ θ max ⁡ ϕ E x ∼ p d [ log ⁡ D ϕ ( x ) ] + E x ∼ G θ [ log ⁡ ( 1 − D ϕ ( x ) ) ] \min _{\theta} \max _{\phi} \mathbb{E}_{x \sim p_{d}}\left[\log \mathrm{D}_{\phi}(\mathrm{x})\right]+\mathbb{E}_{x \sim G_{\theta}}\left[\log \left(1-\mathrm{D}_{\phi}(\mathrm{x})\right)\right] θmin​ϕmax​Ex∼pd​​[logDϕ​(x)]+Ex∼Gθ​​[log(1−Dϕ​(x))] 其中 x x x是样本， p d p_d pd​是真实数据的分布， G θ G_θ Gθ​代表以 m m m为参数的生成器， D j D_j Dj​代表以 j j j为参数的判别器。针对不同的生成任务，我们构建了生成器、判别器和损失函数的各种结构，并为物联网交通数据生成设计了一个特殊的框架。

一般来说，物联网交通数据是严重不平衡和稀疏的，这导致了现有生成模型的失败。特别是，基于GAN的模型很容易受到模式崩溃的影响，这意味着尽管在不同的数据上进行了训练，但生成器提供的样本种类有限。为了生成真实的物联网流量，同时避免模式崩溃，由于每个物联网设备的知识图谱嵌入（KGE）是唯一的，我们通过KGE引入物联网设备的背景信息，为GAN模型提供多样化的条件。然后，我们采用条件机制来获取知识和设备类别对流量序列的影响，并使用LSTM和自我注意机制来捕捉序列中的时间相关性。我们提出的模型框架如图2所示，黑色、蓝色和灰色的线条分别代表真实数据、生成数据和噪声的传输。首先，我们从物联网设备的基本信息和网络流量中构建一个知识图谱，并提取每个设备的KGE信息。然后，我们在KGE信息的条件下训练一个生成器 G G G和一个判别器 D D D。生成器 G G G由三个子生成器组成：类别生成器 G C G^C GC、序列长度生成器 G M G^M GM和流量序列生成器 G T G^T GT，它们通过条件机制相互关联。

图2：知识增强的物联网流量生成框架。

物联网设备的背景信息同时包含语义知识和网络结构，这启发我们自然地采用知识图。为了将信息引入生成模型，我们通过物联网流量数据和其他背景信息构建了一个知识图。首先，我们从制造商、供应商和用户的描述中收集每个设备的基本信息，例如，硬件模型的类型。然后，我们使用一个物联网隐私泄漏量化框架[19]，从网络流量中提取用户、平台、位置和环境信息。物联网设备、物联网用户和云平台之间的通信可以通过网络流量包中的源IP地址和目的IP地址来检测，这些IP地址包含网络结构信息。如图1（b）所示，物联网设备被视为知识图谱中的头实体，而用户、平台、位置和环境信息被视为尾实体。下面的三元组给出了几个例子。

• <device di , manufactured_by, manufacturer: 三星>,
• <device di , located_in, city: 北京>,
• <device di , communicate_with, platform: 阿里云>。

最后，我们为知识图谱获取了39,598个实体（包括10187个设备）和133,075个关系，这些关系分为20个类别。然后，我们使用 T r a n s E TransE TransE模型[5]来学习每个物联网设备 d i d_i di​的嵌入 K i K_i Ki​。为了确保嵌入中保留语义信息，我们训练了几个分类器，通过KGE K i K_i Ki​预测设备类别 C i C_i Ci​，大多数分类器的准确率在90%左右，其中的细节见附录A。

在物联网流量生成方面，生成器被设计为满足三个主要要求。

1）将物联网网络结构和语义知识引入生成的数据，

2）捕捉设备类别和流量序列之间的相关性，

3）捕捉流量序列的长期和短期时间模式。

为了满足这些要求并避免模式崩溃，我们设计了一个综合生成器，由三个子生成器组成，如图3所示。

对于第一个要求，这三个子生成器通过一个条件机制相互关联。

对于第二个要求，我们将条件机制与设备发生器 G C G^C GC和串联长度发生器 G M G^M GM相结合。

对于第三个要求， G T G^T GT使用一个具有自我注意机制的LSTM来生成基于 C i C_i Ci​和 M i M_i Mi​的流量序列 T i T_i Ti​。

图3：我们提出的用于物联网流量生成的知识增强型GAN的说明。