[發明專利]基于超圖和隨機森林的入侵檢測方法

有效

• 申請號: 201810548730.3
• 申請日: 2018-05-31
• 公開（公告）號: CN108874927B
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 江澤濤;周譚盛子;張少欽;胡碩
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F21/55
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 周雯

1.一種基于超圖和隨機森林的入侵檢測方法，其特征在于，包括如下步驟：

(1)數據預處理；

(2)特征篩選得到新的特征子集F_sub；

(3)計算各個類別中每個特征的Fisher分值并進行將序排列，具體過程如下：選取fisher分閾值，去除低于閾值的特征，利用超圖的頂點線性屬性選擇出最優的特征子集H_sub，具體分步驟如下：(1)針對不同類別的樣本，利用Fisher分值對特征屬性進行降序排列，設置Fisher分閾值并刪除低于閾值的特征屬性，得到新的特征子集FS_subFisher分值的公式如下所示：

式中，S_b,i為類間離散度，表示不同類樣本之間的距離；S_w,i為類內離散度，表示同類樣本間的距離；和分別表示正類、負類和全部樣本的第i維特征的均值；分別表示正類和負類樣本第i維特征的方差；(2)令H_sub為空集，選取包含在各個類別中的特征加入集合H_sub中，在每個類別中隨機選擇一個特征，如果這個特征可以進行擴展，說明該特征滿足超圖的頂點線性屬性，隨后以每一個特征為基礎進行擴展，每次添加一個特征，如果這些特征分別屬于不同的類別，則將該特征添加到H_sub集合中，直至不能擴展為止，得到最優特征子集H_sub(h₁,h₂,…,h_j)；

(4)將測試樣本集輸入權重隨機森林分類器，得到測試樣本的最終的入侵檢測結果。

2.根據權利要求1所述的基于超圖和隨機森林的入侵檢測方法，其特征在于，所述步驟(1)的具體過程如下：

對于下載的10％的KDD數據集和corrected數據集，將10％的KDD數據集作為訓練集，corrected數據集作為測試集，將所有的字符變量轉化為數字變量，利用標準差公式對數據進行標準化處理，所述標準差公式如下所示：

式中，x_i表示每一維特征屬性中第i個樣本的值，μ表示每一維特征屬性的平均值，N表示訓練集樣本總數。

3.根據權利要求1所述的基于超圖和隨機森林的入侵檢測方法，其特征在于，所述步驟(2)的具體過程如下：

利用過濾特征選擇方法，刪除方差小于某一閾值的特征，去除識別能力差的特征得到新的特征子集F_sub(f₁,f₂,…,f_s)，其中，方差s²的計算公式如下所示：

式中，x_i表示每一維特征屬性中第i個樣本的值，x表示每一維特征的平均值，n表示樣本總數。

4.根據權利要求1所述的基于超圖和隨機森林的入侵檢測方法，其特征在于，所述步驟(4)的具體過程如下：

1)建立基于權重的隨機森林，具體過程如下：

1.1)確定隨機森林中決策樹的數量K，針對每一棵決策樹，有放回的隨機抽取n(nN)個樣本D＝{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}，其中，x_i包含第i個樣本的s維屬性數據，y_i為第i個樣本的類標簽，i＝1,2,…,n，再隨機從H_sub選取m(mj)個特征屬性A(a₁,a₂,…,a_m)；

1.2)若所有樣本的類別都相同，則結束劃分，并將此節點標記為葉子節點，將該類別作為該節點的類別，否則執行步驟1.3)；

1.3)分別計算每個屬性的信息增益，選擇信息增益最大的屬性a_i作為當前節點的劃分依據，根據屬性的不同取值將節點劃分為若干個子節點，子節點的特征屬性集A’＝A-a_i；

1.4)對每個子節點重復執行步驟1.2)；

1.5)若在某一節點處的樣本不屬于同一類別并且沒有能繼續進行劃分的屬性時，則以該節點的中數量最多的類別作為當前節點的類別；

1.6)在訓練模型階段計算每棵決策樹的精確度，并設置權重值，權重的計算公式如下所示：

式中，為K棵決策樹中第k棵決策樹分類正確的樣本數，X_K為第k棵決策樹的測試樣本數，w_k為第k棵決策樹的分類正確率；

1.7)K棵決策樹按其權重進行投票，得票最多的類別作為測試集樣本的最終類別；

2)輸入測試樣本集，得到測試樣本的最終的入侵檢測結果。