[發(fā)明專利]基于條件互信息的雙層半懶惰貝葉斯的網(wǎng)絡(luò)入侵分類方法

無效

• 申請(qǐng)?zhí)枺?/td>: 200710133291.1
• 申請(qǐng)日: 2007-09-27
• 公開（公告）號(hào): CN101136809A
• 公開（公告）日: 2008-03-05
• 發(fā)明（設(shè)計(jì)）人: 王崇駿;孫江文;吳駿;陳世福
• 申請(qǐng)（專利權(quán)）人: 南京大學(xué)
• 主分類號(hào): H04L12/26
• 分類號(hào): H04L12/26;H04L12/24;H04L29/06
• 代理公司: 南京蘇高專利事務(wù)所
• 代理人: 柏尚春

1.一種基于條件互信息的雙層半懶惰貝葉斯的網(wǎng)絡(luò)入侵分類方法，其特征在于該方法包括如下步驟：

(1)訓(xùn)練階段：

(a)收集已知是否為入侵的會(huì)話事件并進(jìn)行特征提取做為訓(xùn)練集；

(b)對(duì)訓(xùn)練集進(jìn)行預(yù)處理；

(c)訓(xùn)練出基于條件互信息的雙層半懶惰貝葉斯分類器；

(d)結(jié)束；

(2)分類階段：

(e)預(yù)處理待檢測(cè)會(huì)話事件；

(f)使用步驟1(c)得到的分類器對(duì)處理后的會(huì)話事件進(jìn)行分類；

(g)返回分類結(jié)果；

(h)結(jié)束。

2.根據(jù)權(quán)利要求1所述的基于條件互信息的雙層半懶惰貝葉斯的網(wǎng)絡(luò)入侵分類方法，其特征在于步驟(1)(b)中所述的預(yù)處理為對(duì)訓(xùn)練集中的離散屬性進(jìn)行離散化。

3.根據(jù)權(quán)利要求1所述的基于條件互信息的雙層半懶惰貝葉斯的網(wǎng)絡(luò)入侵分類方法，其特征在于步驟(1)(c)中所述的訓(xùn)練出基于條件互信息的雙層半懶惰貝葉斯分類器的步驟是：

(1)從訓(xùn)練集中統(tǒng)計(jì)出每個(gè)不同類標(biāo)出現(xiàn)的頻率，并使用這些頻率估計(jì)出每個(gè)類標(biāo)的先驗(yàn)概率；

(2)從訓(xùn)練樣本中估計(jì)出每個(gè)類標(biāo)下每個(gè)屬性取值的條件概率；

(3)從訓(xùn)練樣本中估計(jì)出每個(gè)類標(biāo)下每?jī)蓚€(gè)屬性不同取值的聯(lián)合條件概率；

(4)結(jié)束。

4.根據(jù)權(quán)利要求1所述的基于條件互信息的雙層半懶惰貝葉斯的網(wǎng)絡(luò)入侵分類方法，其特征在于步驟(2)(e)中所述的預(yù)處理為對(duì)會(huì)話事件進(jìn)行格式化或離散化。

5.根據(jù)權(quán)利要求1所述的基于條件互信息的雙層半懶惰貝葉斯的網(wǎng)絡(luò)入侵分類方法，其特征在于步驟(2)(f)中所述的使用步驟1(c)得到的分類器對(duì)處理后的會(huì)話事件進(jìn)行分類的步驟如下：

(1)由用戶輸入?yún)?shù)β；

(2)置j的值為1；

(3)判斷j是否小于等于不同的類標(biāo)數(shù)L，是則執(zhí)行步驟(4)，否則轉(zhuǎn)步驟(19)；

(4)根據(jù)公式

SImod(ai;B|wj)=Σk=1,ak≠ainI(ai,ak|wj)(1-I(ai,ak|wj)Σp=1,ap≠ainI(ai,ap|wj))]]>

計(jì)算每個(gè)屬性A_i相對(duì)于其它所有屬性在類標(biāo)w_j下的條件互信息和；

其中，a_i為待檢測(cè)記錄在屬性A_i上的取值，B是除屬性A_i外的其余所有屬性的集合，a_k為待檢測(cè)記錄在屬性A_k上的取值；

其中，I(a_i，a_k|w_j)使用公式

I(ai,ak|wj)=|log2P(ai,ak|wj)P(ai|wj)P(ak|wj)|]]>

進(jìn)行計(jì)算；

(5)對(duì)屬性的條件互信息和進(jìn)行降序排列，并將與之對(duì)應(yīng)的屬性下標(biāo)存儲(chǔ)在數(shù)組I中；

(6)新建空數(shù)據(jù)集D，并用訓(xùn)練階段的訓(xùn)練集樣本初始化D；

(7)置屬性集V₂為空；

(8)置k為1；

(9)判斷k是否小于等于所有屬性的個(gè)數(shù)n，是則執(zhí)行步驟(10)，否則轉(zhuǎn)步驟(15)；

(10)計(jì)算數(shù)據(jù)集D中與待檢測(cè)記錄在屬性A_I(k)上有取相同值的樣本數(shù)量N′；

(11)判斷N′是否大于β，是則執(zhí)行(12)，否則轉(zhuǎn)步驟(15)；

(12)刪除數(shù)據(jù)集D中與待測(cè)記錄具有不同屬性A_I(k)取值的樣本；

(13)將屬性A_I(k)加入到V₂；

(14)使k加1，轉(zhuǎn)步驟(9)；

(15)將不在V₂中的所有其它屬性加入到屬性集V₁中；

(16)根據(jù)公式

P(V1|V2,wj)=Πi=1mP(ai|V2,wj)]]>

計(jì)算子樣本集中的類標(biāo)似然度P(V₁|V₂，w_j)；

其中，m為屬性集V₁中的屬性個(gè)數(shù)；

(17)根據(jù)公式

P(w_j|e)＝P(V₁|V₂，w_j)P(w_j|V₂)P(V₂)

計(jì)算類標(biāo)w_j的后驗(yàn)概率；

其中，e為待檢測(cè)記錄，其由屬性集由A來刻畫；

(18)使j加1并轉(zhuǎn)至步驟(3)；

(19)找出具有最大后驗(yàn)概率的類標(biāo)；

(20)將具有最大后驗(yàn)概率的類標(biāo)作為檢測(cè)結(jié)果返回；

(21)結(jié)束。

6.根據(jù)權(quán)利要求5所述的基于條件互信息的雙層半懶惰貝葉斯的網(wǎng)絡(luò)入侵分類方法，其特征在于步驟(1)中所述的參數(shù)β的數(shù)值為30～60。