无人机辅助的农业物联网恶意软件传播的控制方法及装置

1.本发明涉及恶意软件传播领域，尤其是涉及一种无人机辅助的农业物联网恶意软件传播的控制方法及装置。


背景技术：

2.近年来，农业物联网，精准农业，智慧农业等已经成为现代农业的主要发展方向。通过引入无线通信和传感网，云计算和管理，自动化等技术，对农业生产进行全方位的监测和管理，使农场更高效的运作，产生更高的效益。农业物联网在农业生产中被广泛应用，指的是运用各类传感器、视觉采集器等感知设备，广泛地采集农场环境和农作物各项指标的现场信息，通过无线通信手段将信息传递给云平台，然后将获取的大量农业信息进行分析和处理，最后通过云终端和现场终端实现农业的智能化管理和自动化生产。与此同时，无人机由于其便携性、多功能性，越来越多地运用到农业物联网中，形成无人机辅助的农业物联网系统。无人机可以在设定的农场区域快速移动，和农场中的各种感知设备进行通信，实现下达指令，充电，采集现场信息等功能；可以携带高清摄像头，在空中监测农作物的生长状况和虫害情况；某些自动作业无人机还可以在农场实现洒水、喷农药、采摘、收割等自动化无人作业。无人机辅助的农业物联网系统也面临着一些安全问题，农场中的物联网常常暴露在开放环境中，各种传感器设备需要频繁进行通信，并且为了节省能量延长寿命，通常不具有完备的防御系统，所以很容易受到恶意软件的威胁和入侵，恶意软件入侵物联网系统后会大范围传播、窃取数据、破坏数据，导致系统功能缺少或瘫痪，造成巨大经济损失。


技术实现要素：

3.本发明的目的在于提供一种无人机辅助的农业物联网恶意软件传播的控制方法及装置，旨在解决恶意软件传播的问题。
4.本发明提供一种无人机辅助的农业物联网恶意软件传播的控制方法，包括：
5.一种无人机辅助的农业物联网恶意软件传播的控制方法，包括：
6.s1、建立无人机辅助的农业物联网系统；
7.s2、对无人机辅助的农业物联网系统中恶意软件的传播进行分析后建立双层异构sird传染病模型；
8.s3、基于最优控制理论和混杂控制系统理论设计针对恶意软件传播的混杂最优控制策略；
9.s4、建立基于粒子群算法优化的stacking集成学习模型，使用基于粒子群算法优化的stacking集成学习模型拟合混杂最优控制策略，基于拟合的stacking集成学习模型对系统恶意软件传播进行实时控制。
10.本发明实施例还提供一种无人机辅助的农业物联网恶意软件传播的控制装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述方法的步骤。
11.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述方法的步骤。
12.采用本发明实施例，可以实现无人机辅助的农业物联网恶意软件传播的控制。
13.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
14.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
15.图1是本发明实施例的无人机辅助的农业物联网恶意软件传播的控制方法的流程图
16.图2是本发明实施例的无人机辅助的农业物联网恶意软件传播的控制方法的sird传染病模型示意图；
17.图3是本发明实施例的无人机辅助的农业物联网恶意软件传播的控制方法的无人机移动示意图；
18.图4是本发明实施例的无人机辅助的农业物联网恶意软件传播的控制方法的集成学习模型设计流程图；
19.图5是本发明实施例的无人机辅助的农业物联网恶意软件传播的控制装置示意图。
具体实施方式
20.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
21.方法实施例
22.根据本发明实施例，提供了一种无人机辅助的农业物联网恶意软件传播的控制方法，图1是本发明实施例的无人机辅助的农业物联网恶意软件传播的控制方法的流程图，如图1所示，具体包括：
23.s1、建立无人机辅助的农业物联网系统；
24.s1具体包括：建立地面无线传感器网络和无人机网络，无线传感器网络和无人机网络进行通信和数据传输。
25.无线传感器网络包括：环境传感器，用于监测环境的温湿度、光照度和风向环境指标，土壤传感器，用于监测土壤的温湿度和酸碱度，水质传感器，用于监测水的酸碱度、微量元素和浊度。
26.无人机网络包括：多架无人机，所述多架无人机设有摄像头。
27.无人机辅助的农业物联网系统由农场中大量的无线传感器和无人机群，远端基站和云平台组成，主要是无人机群和地面无线传感器群这两个群体完成农场现场的各项任务。
28.2.针对地面无线传感器网络和无人机网络的恶意软件传播问题，建立双层异构sird传染病模型。
29.此模型具有以下特点：
30.(1)模型同时具有时间延迟和脉冲特性，是一个混杂模型。
31.(2)特别考虑了防御节点(d)。
32.(3)由于各节点连通性和功能不同，模型是异构的双层交叉传播模型，并对交叉感染率进行了详细的建模分析。上下两层分别是无人机网络和地面无线传感器网络的恶意软件传播模型。
33.s2、对无人机辅助的农业物联网系统中恶意软件的传播进行分析后建立双层异构sird传染病模型；
34.s2具体包括：s2具体包括：在无人机网络层中，未感染的无人机会被已感染的无人机感染，感染率为β1iθ1；同理在地面无线传感器网络层，未感染的传感器会被已感染的传感器感染，感染率为β2iθ2；两层的节点能够相互传播恶意软件，无人机网络层节点被无线传感器网络层节点感染的交叉感染率为β
12
，无线传感器网络层节点被无人机网络层节点感染的交叉感染率为β
21
；易感节点感染恶意软件后会转化为感染节点，感染节点的功能会被恶意软件破坏，并且传播恶意软件；感染节点通过打修复补丁的方式转化为康复节点，上下两层已感染节点的康复率分别为γ1和γ2；康复节点可以清除恶意软件并免受其入侵，在一段时间后会失去免疫功能并且转化为易感节点，上下两层的免疫失效率分别为σ1和σ2；在无线传感器网络和无人机网络中，对于防御节点，易感节点以脉冲的方式安装升级补丁，然后转化为防御节点，两层的脉冲转化率分别为a1＝θ1(tk)s1(tk)和a2＝θ2(tk)s2(tk)；防御节点以缓慢的失效率σ3和σ4重新转化为易感节点；由于故障或需要执行新任务等原因，无人机和无线传感器需要更换，λ1和λ2分别是无人机网络层节点和无线传感器网络层节点的加入率，μ1和μ2分别是无人机网络层节点和无线传感器网络层节点的淘汰率；
35.由于各节点连通性和功能不同，需要将模型建立成异构模型，各种状态的节点以度i作为区分，i＝1，2，......，k表示每种状态的节点均被分成k个集合，每个集合的节点连通性和功能是相同的；
36.根据节点的度建立其中的p(i)是度为i的节点的概率分布，《i》是节点的平均度，n1和n2分别是上层和下层的节点总数；
37.根据随机方向移动理论对交叉感染率β
12
和β
21
进行设计，整个农场面积为l
×
lm2，总的研究时间为t
sum
，在一个阶段中，无人机朝目标位置飞行的移动时间为tm，到达目标位置后的停留时间为t
p
，则在总的研究时间中无人机共经历了个阶段，无人机的平均移动速度为v；无人机在时间t
sum
内覆盖的总面积为
38.设计无人机对地面无线传感器的交叉感染率β
21
：在地面无线传感器网络层中，易
感节点的密度为则一架无人机可覆盖的易感节点总数为对于一个无人机感染节点来说，节点中的恶意软件向覆盖到的地面易感节点发送探测包的概率为ε2，能成功入侵的成功率为ξ2，则被成功感染的地面易感节点数目为因为无人机感染节点数目为i2(t)，所以被恶意软件成功感染的地面易感节点总数量为令求得交叉感染率；
39.设计地面无线传感器对无人机的交叉感染率β
12
：地面无线传感器感染节点的密度为则一个无人机易感节点可覆盖到的地面无线传感器感染节点总数为地面无线传感器感染节点中的恶意软件向此无人机节点发送探测包的概率为ε1，能成功入侵的成功率为ξ1，其中ξ1′
的大小和地面无线传感器感染节点的占比有关，则此无人机易感节点被成功感染的概率为因为无人机易感节点数目为s1(t)，所以被恶意软件成功感染的无人机易感节点总数量为令求得交叉感染率，双层异构sird传染病模型建立完成。
40.s3、基于最优控制理论和混杂控制系统理论设计针对恶意软件传播的混杂最优控制策略；
41.s4、建立基于粒子群算法优化的stacking集成学习模型，使用基于粒子群算法优化的stacking集成学习模型拟合混杂最优控制策略，基于拟合的stacking集成学习模型对系统恶意软件传播进行实时控制。
42.s3具体包括：
43.s31、建立目标函数；
44.s32、将最优控制理论运用到异构混杂控制系统，构造哈密顿函数；
45.s33、根据哈密顿函数求解协态方程；
46.s34、设定边界条件；
47.s35、基于协态方程和设定边界条件求解控制率。
48.s31具体包括：建立目标函数，公式如下：
49.50.其中，成本函数f表示易感节点和感染节点的监督成本，b1和b2是连续控制变量的成本系数，c1和c2是脉冲控制变量的成本系数，连续控制变量设置为γ1(t)和γ2(t)，脉冲控制变量设置为α1(tk)和α2(tk)。
51.s4具体包括：
52.使用计算机模拟生成若干组系统的初始状态，利用所设计的混杂最优控制策略求解并得到系统状态和最优控制率，离散化后的每个状态点均有相对应的最优控制率，状态点作为输入数据，最优控制率作为输出数据，得到原始数据集；使用k折交叉验证法处理数据集：首先将原始数据集的70％作为训练集，30％作为作为测试集；然后使用k折交叉验证法，将训练集重组成四个训练集，每个训练集中的数据作为基学习器的训练数据，的数据作为基学习器的验证数据，测试集也将重组为四个测试集；
53.搭建stacking集成学习框架，把svm、rf、dnn作为基学习器，把线性回归器作为元学习器，使用粒子群算法初始化粒子种群，将数据集按照k折交叉验证法的方式送入到stacking集成学习框架进行训练学习，最后经元学习器组合得到输出和损失；
54.由pso算法计算本轮训练中的适应度值，粒子的个体极值和群体极值，根据这些信息优化更新粒子群，若未达到收敛条件，则继续返回上一步骤继续训练，若满足收敛条件，则结束训练，得到了最优的超参数，基于粒子群算法优化的stacking集成学习模型训练完毕；
55.将训练好的基于粒子群算法优化的stacking集成学习模型搭载到在线运行的无人机辅助农业物联网系统中。
56.1.针对地面无线传感器网络和无人机网络的恶意软件传播问题，建立双层异构sird传染病模型具有以下特点：(1)模型同时具有时间延迟和脉冲特性，是一个混杂模型。(2)特别考虑了防御节点(d)。(3)由于各节点连通性和功能不同，模型是异构的双层交叉传播模型，并对交叉感染率进行了详细的建模分析。这几个特点真实反应了现实情况，此模型可以更加真实、精确地分析恶意软件传播的过程和特征。
57.2.本文构建的双层异构sird传染病模型在结构上具有时间延迟、脉冲、异构、双层交叉传播的特点，处理这样的复杂系统，需要综合运用最优控制理论和异构混杂控制系统理论，设计混杂最优控制策略，混杂最优控制策略的设计非常复杂而且有难度，本文设计的混杂最优控制策略可以为类似的复杂系统问题提供理论基础和指导意义。所设计的混杂最优控制策略可以使系统中的易感节点和感染节点尽可能少，而康复节点和防御节点尽可能多，同时控制成本最少，达到最优的控制效果，保证系统安全稳定地运行。
58.3.设计基于粒子群算法优化的stacking集成学习模型，可以精确拟合混杂最优控制策略，将它搭载到在线运行的无人机辅助农业物联网系统中，可以立即求解出最优控制率，对恶意软件的传播进行实时控制。所设计的基于粒子群算法优化的stacking集成学习模型使用多个不同的异质模型作为基学习器，再通过元学习器组合输出，可以精确拟合混杂最优控制策略，又可以避免过拟合问题，并且使用了粒子群算法搜寻出最优的超参数，使模型达到最大的精确度。
59.具体实施方法如下:
60.一、构建无人机辅助的农业物联网系统和双层异构sird传染病模型
61.在农场中，大量无线传感器以一定的拓扑结构布置在农场各个区域，环境传感器可以监测环境的温湿度、光照度、风向等环境指标，土壤传感器可以监测土壤的温湿度、酸碱度等，水质传感器可以监测水的酸碱度、微量元素、浊度等。各无线传感器能够自组网，协调执行采集数据、数据传输、任务调度、能量分配等任务。多架无人机组成无人机网络在农场上协同作业，无人机的主要任务是收集无线传感器网络的监测数据并带回远端基站分析，同时可以下达指令，干预无线传感器网络的任务执行。无人机作为多功能设备，可以携带高清摄像头或其他射频器件，对农场环境，农作物的生产状况和虫害情况等进行监测，全方位采集农场现场信息。在农场现场中，地面无线传感器网络和无人机网络频繁通信和数据传输，并且暴露在开放无保护的通信环境中，很容易受到恶意软件的入侵。为了深入研究恶意软件传播的特性，并且制定有效的防御策略，建立双层异构sird传染病模型。
62.上下两层分别是无人机网络和地面无线传感器网络的恶意软件传播模型。每一架无人机和每一个无线传感器都可以看作一个节点，节点的状态共有四种，分别是易感节点(s)，感染节点(i)，康复节点(r)，防御节点(d)。易感节点表示此节点尚未感染恶意软件，但容易受到入侵；感染节点表示此节点已被感染，并且会传播恶意软件；康复节点表示此节点打了修复补丁，可清除恶意软件并免受其入侵；防御节点表示此节点安装了升级补丁，可以抵挡恶意软件的入侵。在无人机网络层(uav层)中，未感染的无人机会被已感染的无人机感染，感染率为β1iθ1；同理在地面无线传感器网络层(wsn层)，未感染的传感器会被已感染的传感器感染，感染率为β2iθ2；而且两层的节点能够相互传播恶意软件，uav层节点被wsn层节点感染的交叉感染率为β
12
，wsn层节点被uav层节点感染的交叉感染率为β
21
。易感节点感染恶意软件后会转化为感染节点，感染节点的功能会被恶意软件破坏，并且传播恶意软件。感染节点可以通过打修复补丁的方式转化为康复节点，上下两层已感染节点的康复率分别为γ1和γ2。康复节点可以清除恶意软件并免受其入侵，在一段时间后会失去免疫功能并且转化为易感节点，上下两层的免疫失效率分别为σ1和σ2，这种免疫延迟失效的现象使模型具有一定的时间延迟特性。在双层网络中，还特别考虑了防御节点，易感节点以脉冲的方式安装升级补丁，然后转化为防御节点，两层的脉冲转化率分别为a1＝θ1(tk)s1(tk)和a2＝θ2(tk)s2(tk)；防御节点以缓慢的失效率σ3和σ4重新转化为易感节点。这里以脉冲方式安装升级补丁使模型具有一定的脉冲特性。由于故障或需要执行新任务等原因，无人机和无线传感器需要更换，λ1和λ2分别是uav节点和wsn节点的加入率，而μ1和μ2分别是uav节点和wsn节点的淘汰率。
63.由于各节点连通性和功能不同，需要将模型建立成异构模型，各种状态的节点以度i作为区分，i＝1，2，......，k表示每种状态的节点均被分成k个集合，每个集合的节点连通性和功能是相同的。
64.图2是本发明实施例的无人机辅助的农业物联网恶意软件传播的控制方法的sird传染病模型示意图；
65.其中的p(i)是度为i的节点的概率分布，《i》是节点的平均度，n1和n2分别是上层和下层的节点总数。θ1和θ2两个参数是根据节点的度来设计的，所以同层感染率也和度有关。下面根据随机方向移动理论对交叉感染率β
12
和β
21
进行设计，图二是无人机移动示意图。假定整个农场面积为l
×
l m2，总
的研究时间为t
sum
，在一个阶段中，无人机朝目标位置飞行的移动时间为tm，到达目标位置后的停留时间为t
p
，则在总的研究时间中无人机共经历了个阶段，无人机的平均移动速度为v。
66.图3是本发明实施例的无人机辅助的农业物联网恶意软件传播的控制方法的无人机移动示意图；
67.根据图3可知：
68.无人机在时间t
sum
内覆盖的总面积为
69.设计无人机对地面无线传感器的交叉感染率β
21
：在地面无线传感器网络层中，易感节点的密度为则一架无人机可覆盖的易感节点总数为对于一个无人机感染节点来说，节点中的恶意软件向覆盖到的地面易感节点发送探测包的概率为ε2，能成功入侵的成功率为ξ2，则被成功感染的地面易感节点数目为因为无人机感染节点数目为i2(t)，所以被恶意软件成功感染的地面易感节点总数量为令求得交叉感染率。
70.(2)设计地面无线传感器对无人机的交叉感染率β
12
：和上面同理，地面无线传感器感染节点的密度为则一个无人机易感节点可覆盖到的地面无线传感器感染节点总数为假定地面无线传感器感染节点中的恶意软件向此无人机节点发送探测包的概率为ε1，能成功入侵的成功率为ξ1′
，其中ξ1′
的大小和地面无线传感器感染节点的占比有关，则此无人机易感节点被成功感染的概率为因为无人机易感节点数目为s1(t)，所以被恶意软件成功感染的无人机易感节点总数量为
71.令求得交叉感染率。
72.上面对无人机辅助的农业物联网系统进行数学建模，构建了双层异构sird传染病模型，并对模型的各参数进行了详细的分析。
73.下面基于图2的双层异构sird传染病模型建立它的系统方程，包括连续方程和脉冲方程：
74.(1)连续方程
[0075][0076][0077]r1i
·
(t)＝-μ1r
1i
(t)-σ1r
1i
(t-τ)+γ1(t)i
1i
(t)
[0078]d1i
·
(t)＝-μ1d
1i
(t)-σ3d
1i
(t)
[0079][0080][0081]r2i
·
(t)＝-μ2r
2i
(t)-σ2r
2i
(t-τ)+γ2(t)i
2i
(t)
[0082]d2i
·
(t)＝-μ2d
2i
(t)-σ4d
2i
(t)
[0083]
(2)脉冲方程
[0084]s1i
(tk)＝s
1i
(t
k+
)+α1(tk)s
1i
(tk)
[0085]i1i
(tk)＝i
1i
(t
k+
)
[0086]r1i
(tk)＝r
1i
(t
k+
)
[0087]d1i
(tk)＝d
1i
(t
k+
)-α1(tk)s
1i
(tk)
[0088]s2i
(ik)＝s
2i
(t
k+
)+α2(tk)s
2i
(tk)
[0089]i2i
(tk)＝i
2i
(t
k+
)
[0090]r2i
(tk)＝r
2i
(t
k+
)
[0091]d2i
(tk)＝d
2i
(t
k+
)-α2(tk)s
2i
(tk)
[0092]
其中k为脉冲时刻的个数，有k＝1，2，......，n-1。
[0093]
二、设计针对恶意软件传播的混杂最优控制策略
[0094]
连续控制变量设置为γ1(t)和γ2(t)，脉冲控制变量设置为α1(tk)和α2(tk)。使用控制措施时会消耗一定的成本，我们的目标是使系统中的易感节点和感染节点尽可能少，而康复节点和防御节点尽可能多，同时控制成本最少。混杂最优控制策略的设计步骤如下：
[0095]
1.设置目标函数：
[0096][0097]
其中成本函数f表示使易感节点和感染节点尽可能少，b1和b2是连续控制变量的成本系数，c1和c2是脉冲控制变量的成本系数。
[0098]
2.将最优控制理论运用到异构混杂控制系统，构造哈密顿函数：
[0099]
(1)连续哈密顿函数：
[0100][0101]
(2)脉冲哈密顿函数：
[0102][0103]
3.根据哈密顿函数求解协态方程：(1)连续协态方程：
[0104]
(1)连续协态方程：
[0105][0106][0107][0108][0109][0110]
[0111][0112][0113]
其中是示性函数，其含义为：
[0114][0115][0116][0117][0118][0119][0120][0121][0122]
4.设定边界条件
[0123][0124]
5.最优控制率的求解：
[0125][0126][0127][0128][0129]
由于控制变量的范围是求解得到以下最优控制率：
[0130][0131][0132]
[0133][0134]
三、设计基于粒子群算法优化的stacking集成学习模型；
[0135]
前面已经设计了针对恶意软件传播的混杂最优控制策略，但由于异构混杂系统的方程数量很多，求解最优控制率时复杂的迭代计算需要消耗很长时间，即获取到系统各初始状态后，无法立即计算出最优控制率和实施控制，所有无法满足实时控制的要求。为了实现实时控制，本发明提出的基于粒子群算法优化的stacking集成学习模型，可以精确拟合混杂最优控制策略，将它搭载到在线运行的无人机辅助农业物联网系统中，可以立即求解出最优控制率，对恶意软件的传播进行实时控制。
[0136]
stacking集成学习的基学习器分别使用支持向量机(svm)、随机森林(rf)和深度神经网络(dnn)，元学习器使用线性回归器，数据处理方式是k折交叉验证法。使用粒子群算法(pso)对stacking集成学习的超参数进行优化和选择，待优化的参数包括：svm核函数中的参数c
svm
和γ
svm
，rf中的决策树个数和最大深度，dnn中的隐层单元个数和学习率。所设计的基于粒子群算法优化的stacking集成学习模型使用多个不同的异质模型作为基学习器，再通过元学习器组合输出，可以精确拟合混杂最优控制策略，又可以避免过拟合问题，并且使用了粒子群算法搜寻出最优的超参数，使模型达到最大的精确度。
[0137]
图4是本发明实施例的无人机辅助的农业物联网恶意软件传播的控制方法的集成学习模型设计流程图；
[0138]
基于粒子群算法优化的stacking集成学习模型的设计过程如图4所示，包括以下步骤。
[0139]
(1)使用计算机模拟生成若干组系统的初始状态，利用所设计的混杂控制策略求解并得到大量的系统状态和最优控制率，离散化后的每个状态点均有相对应的最优控制率，状态点作为输入数据，最优控制率作为输出数据，得到原始数据集。使用k折交叉验证法处理数据集：首先将原始数据集的70％作为训练集，30％作为作为测试集；然后使用k折交叉验证法，将训练集重组成四个训练集，每个训练集中的数据作为基学习器的训练数据，的数据作为基学习器的验证数据，同理，测试集也将重组为四个测试集，但不再进行细分。
[0140]
(2)搭建stacking集成学习框架，把svm、rf、dnn作为基学习器，把线性回归器作为元学习器，使用粒子群算法初始化粒子种群(即初始化超参数)，将上一步骤得到的数据按照k折交叉验证法的方式送入到stacking集成学习框架进行训练学习，最后经元学习器组合得到输出和损失。(3)由pso算法计算本轮训练中的适应度值，粒子的个体极值和群体极值，根据这些信息优化更新粒子群(即优化更新超参数)，若未达到收敛条件，则继续返回上一步骤继续训练，若满足收敛条件，则结束训练，得到了最优的超参数，基于粒子群算法优化的stacking集成学习模型训练完毕。k取4。
[0141]
将训练好的基于粒子群算法优化的stacking集成学习模型搭载到在线运行的无人机辅助农业物联网系统中，此模型获取到系统状态后可以立即求解出最优控制率，对恶意软件的传播进行实时控制，阻止恶意软件的传播和破坏，保证系统安全稳定地运行。
[0142]
装置实施例一
[0143]
本发明实施例提供一种无人机辅助的农业物联网恶意软件传播的控制装置，如图5所示，包括：存储器50、处理器52及存储在存储器50上并可在处理器52上运行的计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
[0144]
装置实施例二
[0145]
本发明实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有信息传输的实现程序，程序被处理器52执行时实现上述方法实施例中的步骤。
[0146]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换本发明各实施例技术方案，并不使相应技术方案的本质脱离本方案的范围。

技术特征：
1.一种无人机辅助的农业物联网恶意软件传播的控制方法，其特征在于，包括：s1、建立无人机辅助的农业物联网系统；s2、对无人机辅助的农业物联网系统中恶意软件的传播进行分析后建立双层异构sird传染病模型；s3、基于最优控制理论和混杂控制系统理论设计针对恶意软件传播的混杂最优控制策略；s4、建立基于粒子群算法优化的stacking集成学习模型，使用基于粒子群算法优化的stacking集成学习模型拟合混杂最优控制策略，基于拟合的stacking集成学习模型对系统恶意软件传播进行实时控制。2.根据权利要求1所述的方法，其特征在于，所述s1具体包括：建立地面无线传感器网络和无人机网络，无线传感器网络和无人机网络进行通信和数据传输。3.根据权利要求2所述的方法，其特征在于，所述无线传感器网络包括：环境传感器，用于监测环境的温湿度、光照度和风向环境指标，土壤传感器，用于监测土壤的温湿度和酸碱度，水质传感器，用于监测水的酸碱度、微量元素和浊度。4.根据权利要求3所述的方法，其特征在于，所述无人机网络包括：多架无人机，所述多架无人机设有摄像头。5.根据权利要求1所述的方法，其特征在于，所述s2具体包括：在无人机网络层中，未感染的无人机会被已感染的无人机感染，感染率为β1iθ1；同理在地面无线传感器网络层，未感染的传感器会被已感染的传感器感染，感染率为β2iθ2；两层的节点能够相互传播恶意软件，无人机网络层节点被无线传感器网络层节点感染的交叉感染率为β
12
，无线传感器网络层节点被无人机网络层节点感染的交叉感染率为β
21
；易感节点感染恶意软件后会转化为感染节点，感染节点的功能会被恶意软件破坏，并且传播恶意软件；感染节点通过打修复补丁的方式转化为康复节点，上下两层已感染节点的康复率分别为γ1和γ2；康复节点可以清除恶意软件并免受其入侵，在一段时间后会失去免疫功能并且转化为易感节点，上下两层的免疫失效率分别为σ1和σ2；在无线传感器网络和无人机网络中，对于防御节点，易感节点以脉冲的方式安装升级补丁，然后转化为防御节点，两层的脉冲转化率分别为a1＝θ1(t
k
)s1(t
k
)和a2＝θ2(t
k
)s2(t
k
)；防御节点以缓慢的失效率σ3和σ4重新转化为易感节点；由于故障或需要执行新任务等原因，无人机和无线传感器需要更换，λ1和λ2分别是无人机网络层节点和无线传感器网络层节点的加入率，μ1和μ2分别是无人机网络层节点和无线传感器网络层节点的淘汰率；由于各节点连通性和功能不同，需要将模型建立成异构模型，各种状态的节点以度i作为区分，i＝1，2，......，k表示每种状态的节点均被分成k个集合，每个集合的节点连通性和功能是相同的；根据节点的度建立其中的p(i)是度为i的节点的概率分布，<i>是节点的平均度，n1和n2分别是上层和下层的节点总数；根据随机方向移动理论对交叉感染率β
12
和β
21
进行设计，整个农场面积为l
×
lm2，总的研究时间为t
sum
，在一个阶段中，无人机朝目标位置飞行的移动时间为t
m
，到达目标位置后
的停留时间为t
p
，则在总的研究时间中无人机共经历了个阶段，无人机的平均移动速度为v；无人机在时间t
sum
内覆盖的总面积为设计无人机对地面无线传感器的交叉感染率β
21
：在地面无线传感器网络层中，易感节点的密度为则一架无人机可覆盖的易感节点总数为对于一个无人机感染节点来说，节点中的恶意软件向覆盖到的地面易感节点发送探测包的概率为ε2，能成功入侵的成功率为ξ2，则被成功感染的地面易感节点数目为因为无人机感染节点数目为i2(t)，所以被恶意软件成功感染的地面易感节点总数量为令求得交叉感染率；设计地面无线传感器对无人机的交叉感染率β
12
：地面无线传感器感染节点的密度为则一个无人机易感节点可覆盖到的地面无线传感器感染节点总数为地面无线传感器感染节点中的恶意软件向此无人机节点发送探测包的概率为ε1，能成功入侵的成功率为ξ1′
，其中ξ1′
的大小和地面无线传感器感染节点的占比有关，则此无人机易感节点被成功感染的概率为因为无人机易感节点数目为s1(t)，所以被恶意软件成功感染的无人机易感节点总数量为令求得交叉感染率，双层异构sird传染病模型建立完成。6.根据权利要求1所述的方法，其特征在于，所述s3具体包括：s31、建立目标函数；s32、将最优控制理论运用到异构混杂控制系统，构造哈密顿函数；s33、根据哈密顿函数求解协态方程；s34、设定边界条件；s35、基于协态方程和设定边界条件求解最优控制率。7.根据权利要求1所述的方法，其特征在于，所述s31具体包括：建立目标函数，公式如下：
其中，成本函数f表示易感节点和感染节点的监督成本，b1和b2是连续控制变量的成本系数，c1和c2是脉冲控制变量的成本系数，连续控制变量设置为γ1(t)和γ2(t)，脉冲控制变量设置为α1(t
k
)和α2(t
k
)。8.根据权利要求1所述的方法，其特征在于，所述s4具体包括：使用计算机模拟生成若干组系统的初始状态，利用所设计的混杂最优控制策略求解并得到系统状态和最优控制率，离散化后的每个状态点均有相对应的最优控制率，状态点作为输入数据，最优控制率作为输出数据，得到原始数据集；使用k折交叉验证法处理数据集：首先将原始数据集的70％作为训练集，30％作为作为测试集；然后使用k折交叉验证法，将训练集重组成四个训练集，每个训练集中的数据作为基学习器的训练数据，的数据作为基学习器的验证数据，测试集也将重组为四个测试集；搭建stacking集成学习框架，把svm、rf、dnn作为基学习器，把线性回归器作为元学习器，使用粒子群算法初始化粒子种群，将数据集按照k折交叉验证法的方式送入到stacking集成学习框架进行训练学习，最后经元学习器组合得到输出和损失；由pso算法计算本轮训练中的适应度值，粒子的个体极值和群体极值，根据这些信息优化更新粒子群，若未达到收敛条件，则继续返回上一步骤继续训练，若满足收敛条件，则结束训练，得到了最优的超参数，基于粒子群算法优化的stacking集成学习模型训练完毕；将训练好的基于粒子群算法优化的stacking集成学习模型搭载到在线运行的无人机辅助农业物联网系统中。9.一种无人机辅助的农业物联网恶意软件传播的控制装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的无人机辅助的农业物联网恶意软件传播的控制方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至8中任一项所述的无人机辅助的农业物联网恶意软件传播的控制方法的步骤。

技术总结
本发明公开了一种无人机辅助的农业物联网恶意软件传播的控制方法及装置，包括：S1、建立无人机辅助的农业物联网系统；S2、对无人机辅助的农业物联网系统中恶意软件的传播进行分析后建立双层异构SIRD传染病模型；S3、基于最优控制理论和混杂控制系统理论设计针对恶意软件传播的混杂最优控制策略；S4、建立基于粒子群算法优化的stacking集成学习模型，使用基于粒子群算法优化的stacking集成学习模型拟合混杂最优控制策略，基于拟合的stacking集成学习模型对系统恶意软件传播进行实时控制。本发明可以实现无人机辅助的农业物联网恶意软件传播的控制。软件传播的控制。软件传播的控制。


技术研发人员：刘贵云 张杰钊
受保护的技术使用者：广州大学
技术研发日：2023.06.09
技术公布日：2023/9/12