[發(fā)明專利]基于加權(quán)距離度量以及矩陣分解的入侵檢測(cè)方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201410750891.2
• 申請(qǐng)日: 2014-12-09
• 公開（公告）號(hào): CN104484601B
• 公開（公告）日: 2018-03-20
• 發(fā)明（設(shè)計(jì)）人: 張爽;張涌;寧立
• 申請(qǐng)（專利權(quán)）人: 中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院
• 主分類號(hào): G06F21/55
• 分類號(hào): G06F21/55
• 代理公司: 深圳中一專利商標(biāo)事務(wù)所44237
• 代理人: 張全文

1.一種基于加權(quán)距離度量以及矩陣分解的入侵檢測(cè)方法，其特征在于，所述方法包括：

對(duì)原始數(shù)據(jù)集進(jìn)行預(yù)處理，獲得高維向量組；

基于隨機(jī)梯度下降的矩陣分解算法對(duì)獲得的所述高維向量組進(jìn)行降維處理，獲得低維向量組；

對(duì)獲得的所述低維向量組進(jìn)行加權(quán)閔可夫斯基距離度量；

基于所述加權(quán)閔可夫斯基距離度量和預(yù)定的聚類算法對(duì)預(yù)處理后的數(shù)據(jù)集進(jìn)行檢測(cè)，獲得檢測(cè)結(jié)果；

所述對(duì)原始數(shù)據(jù)集進(jìn)行預(yù)處理包括：

對(duì)原始數(shù)據(jù)集中的連續(xù)型數(shù)據(jù)點(diǎn)，將其數(shù)據(jù)取值從[min，max]映射到[0，1]區(qū)間；

對(duì)原始數(shù)據(jù)集中的非數(shù)值型數(shù)據(jù)點(diǎn)，將其離散化后，通過(guò)編碼映射成數(shù)值，或者直接在所述距離度量中進(jìn)行比較；

所述基于所述加權(quán)閔可夫斯基距離度量和預(yù)定的聚類算法對(duì)預(yù)處理后的數(shù)據(jù)集進(jìn)行分析，獲得分析結(jié)果包括：

根據(jù)預(yù)處理后的數(shù)據(jù)集隨機(jī)生成多個(gè)質(zhì)心；

基于所述加權(quán)閔可夫斯基距離度量，計(jì)算預(yù)處理后的數(shù)據(jù)集中每個(gè)數(shù)據(jù)點(diǎn)與各質(zhì)心的距離；

將所述數(shù)據(jù)點(diǎn)分配到距離其最近的質(zhì)心所屬的簇中；

將分配后的簇按照其包含的數(shù)據(jù)點(diǎn)的個(gè)數(shù)進(jìn)行排序，將簇中數(shù)據(jù)點(diǎn)的個(gè)數(shù)最大的簇判定為正常簇，其余的簇判定為異常簇。

2.如權(quán)利要求1所述的方法，其特征在于，所述基于隨機(jī)梯度下降的矩陣分解算法對(duì)獲得的所述高維向量組進(jìn)行降維處理，獲得低維向量組包括：

對(duì)于所述高維向量組V，將其分解成兩個(gè)矩陣W與H，其中，V＝W×H，W為基矩陣，H為權(quán)矩陣，基矩陣中的每一列代表基向量，權(quán)矩陣中的每一列代表與基矩陣中基向量對(duì)應(yīng)的編碼系數(shù)；

迭代求解W和H，并基于隨機(jī)梯度下降的矩陣分解算法判斷每次迭代過(guò)程中目標(biāo)函數(shù)是否達(dá)到極小值，所述目標(biāo)函數(shù)y＝∑∑(V_ij-W_i^T H_j)²,其中i，j表示矩陣的行和列，i≥0、j≥0,W^T為W的轉(zhuǎn)置矩陣；

若是，獲得該次迭代過(guò)程中的權(quán)矩陣H；

基于獲得的該次迭代過(guò)程中的權(quán)矩陣H對(duì)獲得的所述高維向量組進(jìn)行降維處理，獲得低維向量組。

3.如權(quán)利要求1所述的方法，其特征在于，所述對(duì)獲得的所述低維向量組進(jìn)行加權(quán)閔可夫斯基距離度量的公式為：

d(xi,xj)=[Σk=1nwk|xik-xjk|p]1p]]>

其中，x_l、x_j為低維向量組，x_lk表示第i個(gè)點(diǎn)的第k維坐標(biāo)，x_jk表示第j個(gè)點(diǎn)的第k維坐標(biāo)，w_k為對(duì)應(yīng)的權(quán)值，n、p為大于0的整數(shù)。