[發明專利]一種基于改進卷積神經網絡的網絡入侵檢測方法

在審

• 申請號: 202010044972.6
• 申請日: 2020-01-16
• 公開（公告）號: CN111275165A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 潘甦;王健
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

本發明公開了一種基于改進卷積神經網絡網絡入侵檢測方法，提出一種新型雙通道卷積神經網絡架構，應用于網絡入侵檢測場景；雙通道卷積神經網絡是對傳統卷積神經網絡模型的改進，雙通道的兩個分支網絡分別獨立提取特征，彌補了傳統單通道卷積神經網絡中丟失的特征信息；在卷積神經網絡的最后，將雙通道卷積融合起來，通過主成分分析算法，將融合特征維度降低，加快訓練速度，再輸出到一個全接連層，最后通過softmax分類器輸出多分類結果。本發明能很好的應用于網絡入侵檢測場景，檢測速度快，準確率高。

技術領域

本發明屬于網絡信息安全技術領域，具體涉及一種基于改進卷積神經網絡網絡入侵檢測方法。

背景技術

過去十年互聯網應用的巨大增長，對信息網絡安全的需求也急劇上升。網絡入侵檢測系統(Intrusion Detection System,IDS)在確保信息安全方面發揮著重要作用，關鍵技術是準確識別網絡中的各種攻擊。許多監督學習和無監督學習技術被提出，并運用于IDS中，以實現可靠的異常檢測。深度學習是機器學習的一個重要領域，將神經元結構應用于學習任務的復雜模型結構。雖然機器學習被廣泛應用在該領域中，但是大部分傳統的機器學習算法屬于淺層學習，并且經常強調特征的選取。這些方法不能有效地解決在真實網絡應用環境中出現的大規模入侵數據分類問題。隨著數據集的動態增長，多個分類任務將導致準確性降低。此外，淺層學習不適用于智能分析和大規模高維數據學習的預測要求。相比之下，深度學習可以從數據中提取更好的特征來創建更好的模型。

將卷積神經網絡(Convolutional Neural Network，CNN)應用于IDS是一個比較新穎的研究領域。CNN是一個經典的深度學習算法。卷積神經網絡不僅可以進行特征選擇，而且可以對網絡流量數據進行分類。相比于傳統機器學習算法，CNN，自動學習更好的特征。網絡流量數據越多，卷積神經網絡學到有用的特征越多，分類效果越好。

現有的文獻專注于利用增加CNN深度提高模型偵測網絡入侵的準確率，忽視前面卷積步驟對特征信息提取還存在改進的空間。原因在于傳統單通道CNN模型在對特征提取環節，存在特征信息丟失的情況。隨著CNN深度的增加，訓練時間也急劇增加。傳統CNN模型的輸入矩陣和卷積核(過濾器)進行點積運算，提取特征信息，但是輸入矩陣的邊緣相對于內部元素計算的次數較少，存在特征信息的丟失情況。

發明內容

發明目的：提供了一種基于改進卷積神經網絡網絡入侵檢測方法，能很好的應用于網絡入侵檢測場景。

發明內容：本發明所述的一種基于改進卷積神經網絡網絡入侵檢測方法，包括以下步驟：

(1)將經過預處理的數據輸入雙通道卷積神經網絡，進行特征提取：以雙通道為背景，計算上下兩通道卷積輸出；以雙通道背景，計算上下兩通道池化的輸出；

(2)處理兩通道末尾特征融合；

(3)將經過處理完的特征向量，進行PCA降維壓縮；將經過PCA降維后的特征輸入全連接層，最后經過softmax分類器，轉化為網絡入侵的多分類結果；

(4)根據新型雙通道卷積神經網絡架構，優化模型超參數：前向傳遞階段，計算模型輸出結果；反向傳播階段，調整模型權重。

進一步地，步驟(1)所述的雙通道卷積神經網絡上通道和下通道的結構一樣，包含兩層卷積和兩層池化；所述上通道和下通道的卷積核設置不相同。

進一步地，所述步驟(1)實現過程如下：

卷積過程表示為,