[發明專利]一種基于維納過程的異常入侵檢測集成學習方法及裝置

有效

• 申請號: 201310712975.2
• 申請日: 2013-12-20
• 公開（公告）號: CN103716204A
• 公開（公告）日: 2014-04-09
• 發明（設計）人: 李倩;牛溫佳;管洋洋;黃超;劉萍;郭莉
• 申請（專利權）人: 中國科學院信息工程研究所
• 主分類號: H04L12/26
• 分類號: H04L12/26;G06N3/02
• 代理公司: 北京輕創知識產權代理有限公司 11212
• 代理人: 楊立

1.一種基于維納過程的異常入侵檢測集成學習方法，其特征在于，包括以下步驟：

步驟1：選擇包含多個網絡流量樣本的網絡流量數據集，所述網絡流量樣本分為入侵網絡流量樣本和正常網絡流量樣本；

步驟2：將每個網絡流量樣本及其樣本概率分布輸入到未初始化的神經網絡分類器或者經過上次訓練得到的神經網絡弱分類器中，得到新的神經網絡弱分類器，判斷神經網絡弱分類器對每個網絡流量樣本是否分類錯誤，得到該神經網絡弱分類器的分類錯誤率，根據分類錯誤率分別調整每個網絡流量樣本的數量及樣本概率分布；

步驟3：反復執行步驟2直至迭代次數達到預定次數，每次迭代得到一個新的神經網絡弱分類器，最終得到多個神經網絡弱分類器，所述神經網絡弱分類器的數量與預定次數的數量相同；

步驟4：根據每個神經網絡弱分類器的分類錯誤率，分別確定每個神經網絡弱分類器的權重；

步驟5：根據每個弱分類器及每個弱分類器對應的權重，計算得到強分類器；

步驟6：將待檢測網絡數據流輸入到強分類器中，得到入侵檢測結果；

步驟7：重復執行步驟6，直至所有待檢測網絡數據流檢測完畢。

2.根據權利要求1所述的異常入侵檢測集成學習方法，其特征在于：所述步驟2中，分類器具體為Adaboost集成分類器。

3.根據權利要求1所述的異常入侵檢測集成學習方法，其特征在于：所述步驟2中根據神經網絡弱分類器對每個網絡流量樣本是否分類錯誤，分別調整每個網絡流量樣本的數量及樣本概率分布具體為：

當神經網絡弱分類器將入侵網絡流量樣本錯誤的分類為正常網絡流量樣本時，將入侵網絡流量樣本利用維納過程進行處理，來增加分類錯誤的網絡流量樣本的數量，并增大入侵網絡流量樣本的樣本概率分布；

當神經網絡弱分類器將正常網絡流量樣本正確的分類為正常網絡流量樣本時，減小該正常網絡流量樣本的樣本概率分布。

4.根據權利要求1所述的異常入侵檢測集成學習方法，其特征在于：步驟4中所述每個神經網絡弱分類器的分類錯誤率與每個神經網絡弱分類器的權重成反比。

5.根據權利要求1所述的異常入侵檢測集成學習方法，其特征在于：所述步驟5具體為將每個弱分類器按照其對應的權重進行疊加運算，得到強分類器。

6.一種基于維納過程的異常入侵檢測集成學習裝置，其特征在于：包括選擇模塊（1），輸入調整模塊（2），迭代模塊（3），確定權重模塊（4），計算強分類器模塊（5），輸入檢測模塊（6）和重復輸入模塊（7）；

所述選擇模塊（1），用于選擇包含多個網絡流量樣本的網絡流量數據集，所述網絡流量樣本分為入侵網絡流量樣本和正常網絡流量樣本；

所述輸入調整模塊（2），用于將每個網絡流量樣本及其樣本概率分布輸入到未初始化的神經網絡分類器或者經過上次訓練得到的神經網絡弱分類器中，得到新的神經網絡弱分類器，判斷神經網絡弱分類器對每個網絡流量樣本是否分類錯誤，得到該神經網絡弱分類器的分類錯誤率，根據分類錯誤率分別調整每個網絡流量樣本的數量及樣本概率分布；

所述迭代模塊（3），反復執行輸入調整模塊（2）直至迭代次數達到預定次數，每次迭代得到新的一個神經網絡弱分類器，最終得到多個神經網絡弱分類器，所述神經網絡弱分類器的數量與預定次數的數量相同；

所述確定權重模塊（4），根據每個神經網絡弱分類器的分類錯誤率，分別確定每個神經網絡弱分類器的權重；

所述計算強分類器模塊（5），根據每個弱分類器及每個弱分類器對應的權重，計算得到強分類器；

所述輸入檢測模塊（6），用于將待檢測網絡數據流輸入到強分類器中，得到入侵檢測結果；

所述重復輸入模塊（7），用于重復執行輸入檢測模塊（6），直至所有待檢測網絡數據流檢測完畢。

7.根據權利要求6所述的異常入侵檢測集成學習裝置，其特征在于：所述輸入調整模塊（2）中，分類器具體為Adaboost集成分類器。