[發(fā)明專利]一種基于多層極速學(xué)習(xí)機(jī)的網(wǎng)絡(luò)入侵檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201610124936.4
• 申請(qǐng)日: 2016-03-04
• 公開（公告）號(hào): CN107154923A
• 公開（公告）日: 2017-09-12
• 發(fā)明（設(shè)計(jì)）人: 丁世飛;其他發(fā)明人請(qǐng)求不公開姓名
• 申請(qǐng)（專利權(quán)）人: 中國(guó)礦業(yè)大學(xué)
• 主分類號(hào): H04L29/06
• 分類號(hào): H04L29/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于多層極速學(xué)習(xí)機(jī)的網(wǎng)絡(luò)入侵檢測(cè)方法，主要包括：

步驟1：構(gòu)建多層極速學(xué)習(xí)機(jī)(ML-ELM)算法模型

ML-ELM是在ELM-AE(極速學(xué)習(xí)機(jī)自動(dòng)編碼器)的基礎(chǔ)上進(jìn)行堆疊而創(chuàng)造一個(gè)多層神經(jīng)網(wǎng)絡(luò)，由單層變?yōu)槎鄬印?/p>

在ELM-AE的輸出權(quán)值β負(fù)責(zé)從特征空間到輸入數(shù)據(jù)的學(xué)習(xí)轉(zhuǎn)換。可以根據(jù)下式計(jì)算輸出權(quán)值β：

β＝(I/C+H^TH)^-1H^TX

其中：H＝[h₁,h₂,…,h_N]是ELM-AE的隱層輸出，X＝[x₁,x₂,…,x_N]是它的輸入數(shù)據(jù)。

步驟2：通過奇異值去表達(dá)輸入數(shù)據(jù)的特征

由β＝(I/C+H^TH)^-1H^TY,奇異值分解為

則可以得到：

其中：u是HH^T的特征向量，d是H的奇異值，是與輸入數(shù)據(jù)X相關(guān)的奇異值分解得到。

步驟3：用大量未標(biāo)記樣本對(duì)基于多層的極速學(xué)習(xí)機(jī)入侵檢測(cè)訓(xùn)練

1)輸入：訓(xùn)練樣本{x_i,y_j},i＝1,2,…,N,x_i∈R^d,y_i∈R^d

2)設(shè)置好ML-ELM的網(wǎng)絡(luò)結(jié)構(gòu)，輸入訓(xùn)練樣本數(shù)據(jù)，使得x＝y(tǒng)

3)隨機(jī)設(shè)置隱層節(jié)點(diǎn)參數(shù)

4)當(dāng)1≤i≤K-1時(shí)，循環(huán)2)～4)計(jì)算第i層隱層輸出矩陣β⁽ⁱ⁺¹⁾

5)當(dāng)i＝K時(shí)，用最小二乘法計(jì)算最高層隱層輸出矩陣β^(K+1)

步驟4：用訓(xùn)練得到的參數(shù)，用于多層極速學(xué)習(xí)機(jī)的入侵檢測(cè)的測(cè)試

步驟5：將所得到的結(jié)果與傳統(tǒng)的基于SVM、DBN、ELM的入侵檢測(cè)方法比較。

2.根據(jù)權(quán)利要求1所述一種基于多層極速學(xué)習(xí)機(jī)的入侵檢測(cè)方法，其特征在于：ML-ELM算法無需迭代，無需微調(diào)，大大減少訓(xùn)練時(shí)間，具有快速學(xué)習(xí)的能力。

3.根據(jù)權(quán)利要求1所述所述一種基于多層極速學(xué)習(xí)機(jī)的入侵檢測(cè)方法，其特征在于：基于ML-ELM的入侵檢測(cè)方法利用奇異值特征表達(dá)方式來解決高維度、大數(shù)據(jù)、獲取標(biāo)記樣本難、特征構(gòu)造難。

4.根據(jù)權(quán)利要求1所述所述一種基于多層極速學(xué)習(xí)機(jī)的入侵檢測(cè)方法，其特征在于：基于深度模型把訓(xùn)練變成了無監(jiān)督學(xué)習(xí)，可以利用大量未標(biāo)記的樣本進(jìn)行訓(xùn)練學(xué)習(xí)。