[發(fā)明專利]一種面向網(wǎng)絡(luò)的入侵數(shù)據(jù)檢測方法

有效

• 申請?zhí)枺?/td>: 201910890756.0
• 申請日: 2019-09-19
• 公開（公告）號: CN110602120B
• 公開（公告）日: 2022-04-05
• 發(fā)明（設(shè)計）人: 趙然;張明明;趙俊峰;夏飛;李萌;夏元軼;冒佳明
• 申請（專利權(quán)）人: 國網(wǎng)江蘇省電力有限公司信息通信分公司
• 主分類號: H04L9/40
• 分類號: H04L9/40;H04L41/14;H04L41/142;H04L41/147
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 董建林

1.一種面向網(wǎng)絡(luò)的入侵數(shù)據(jù)檢測方法，其特征在于，所述方法包括如下步驟：

將網(wǎng)絡(luò)流量數(shù)據(jù)輸入至數(shù)據(jù)檢測模型；

所述檢測模型根據(jù)決策規(guī)則對所述網(wǎng)絡(luò)流量數(shù)據(jù)進行處理，獲取攻擊數(shù)據(jù)；

所述檢測模型的建立方法包括：

對訓(xùn)練數(shù)據(jù)集進行降維處理，獲取最優(yōu)輸入子集；

通過所述最優(yōu)輸入子集對組合分類器進行訓(xùn)練，獲取數(shù)據(jù)檢測模型；

所述最優(yōu)輸入子集的獲取方法包括：

獲取訓(xùn)練數(shù)據(jù)中每個屬性的信息增益；

選取所述信息增益大于0.5的屬性作為輸入子集；

獲取所述輸入子集中屬性的特征值；

選取所述輸入子集中特征值大于0.5的屬性作為最優(yōu)輸入子集；

所述數(shù)據(jù)檢測模型包括：IBK、SVM和MLP組成的混合分類器；

所述信息增益的獲取方法包括：

所述信息增益通過如下公式獲取：

（1），

式中，Gain（T）為信息增益，I(d1,d2,...dm)為數(shù)據(jù)屬性的信息熵，E(T)為屬性T的條件熵；

其中，

（2），

（3），

式中，m是類的數(shù)量，d_i為訓(xùn)練數(shù)據(jù)集包含類i的實例，D是訓(xùn)練數(shù)據(jù)集中實例的總數(shù)，v為網(wǎng)絡(luò)流量數(shù)據(jù)的個數(shù)，j為每個數(shù)據(jù)，d_1j為第j數(shù)據(jù)的第j個屬性，d_mj為第j個數(shù)據(jù)的第m個屬性，dm為訓(xùn)練數(shù)據(jù)集包含類m的實例；

所述特征值的獲取方法包括：

計算所述輸入子集中屬性的協(xié)方差矩陣；

所述協(xié)方差矩陣通過如下公式計算得到：

（4），

其中，R為輸入子集中屬性的協(xié)方差矩陣，x (t)為輸入子集中的數(shù)據(jù)，n為輸入子集數(shù)據(jù)的個數(shù)，t為自然數(shù)；

根據(jù)所述協(xié)方差矩陣獲取屬性的特征值：

（5），

其中，λ_i為特征值， q_i為特征值相應(yīng)的特征向量。

2.根據(jù)權(quán)利要求1所述的一種面向網(wǎng)絡(luò)的入侵數(shù)據(jù)檢測方法，其特征在于，所述決策規(guī)則包括：將得票數(shù)超過50%的結(jié)果作為類標。

3.一種面向網(wǎng)絡(luò)的入侵數(shù)據(jù)檢測的系統(tǒng)，其特征在于，所述系統(tǒng)包括處理器和存儲介質(zhì)；

所述存儲介質(zhì)用于存儲指令；

所述處理器用于根據(jù)所述指令進行操作以執(zhí)行根據(jù)權(quán)利要求1-2任一項所述方法的步驟。

4.計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-2任一項所述方法的步驟。