[發明專利]一種網絡入侵檢測方法及裝置

有效

• 申請號: 202010098831.2
• 申請日: 2020-02-18
• 公開（公告）號: CN111431849B
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 李小勇;紀宇晨;雷銘鑒;高雅麗
• 申請（專利權）人: 北京郵電大學
• 主分類號: H04L29/06
• 分類號: H04L29/06
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 孟維娜;高鶯然

1.一種網絡入侵檢測方法，其特征在于，所述方法包括：

獲得入侵數據；

對所獲得的入侵數據進行預處理，得到處理后的待檢測數據；

將所述待檢測數據輸入至預設的入侵檢測模型中，得到所述待檢測數據所屬類型的檢測結果；其中，所述入侵檢測模型是預先采用樣本入侵數據對預設的深度因子分解機模型進行訓練，得到的、用于預測檢測數據所屬類型的檢測結果；

其中，通過以下訓練方式獲得所述入侵檢測模型：

對原入侵數據進行預處理，得到處理后的樣本入侵數據；

針對每一樣本入侵數據，獲得用于表征該樣本入侵數據所屬類型的標注信息；

以所述樣本入侵數據為預設的深度因子分解機模型的輸入信息，以所述標注信息為訓練基準，對所述深度因子分解機模型進行訓練，得到用于預測檢測數據所屬類型的入侵檢測模型；

其中，所述對所獲得的入侵數據進行預處理，得到處理后的待檢測數據，包括：

對所獲得的入侵數據按照預設規則進行劃分，得到待檢測連續數據和待檢測離散數據；

對所述待檢測連續數據進行歸一化處理，同時，對所述待檢測離散數據進行編碼處理，得到處理后的待檢測數據；

所述對原入侵數據進行預處理，得到處理后的樣本入侵數據，包括：

對原入侵數據按照預設規則進行劃分，得到樣本連續訓練數據和樣本離散訓練數據；

對所述樣本連續訓練數據進行歸一化處理，同時，對所述樣本離散訓練數據進行編碼處理，得到處理后的樣本入侵數據。

2.根據權利要求1所述的方法，其特征在于，所述以所述樣本入侵數據為預設的深度因子分解機模型的輸入信息，以所述標注信息為訓練基準，對所述深度因子分解機模型進行訓練，得到用于預測檢測數據所屬類型的入侵檢測模型，包括：

將樣本離散訓練特征輸入到嵌入層，得到離散特征向量，其中，所述樣本入侵數據包括對樣本連續訓練數據進行預處理后的樣本連續訓練特征和對樣本離散訓練數據進行預處理后的樣本離散訓練特征，所述深度因子分解機模型包括嵌入層、輸出為1的全連接神經網絡、一階因子分解機FM、二階FM和深度神經網絡；

將所述樣本連續訓練特征輸入到輸出為1的全連接神經網絡，得到連續特征向量；

將所述連續特征向量和所述離散特征向量作為輸入數據依次輸入到一階FM、二階FM和深度神經網絡中，分別得到所述一階FM輸出的第一檢測結果、所述二階FM輸出的第二檢測結果以及所述深度神經網絡輸出的第三檢測結果；

對所述第一檢測結果、所述第二檢測結果和所述第三檢測結果進行融合，得到融合后的目標檢測結果；

將所述目標檢測結果輸入到歸一化指數函數softmax分類器中，得到樣本入侵數據所屬類型；

基于所得到的樣本入侵數據所屬類型和每一樣本入侵數據對應的標注信息，利用損失函數，分別調整所述一階FM、所述二階FM和所述深度神經網絡的模型參數，得到目標深度因子分解機模型，作為入侵檢測模型。

3.根據權利要求2所述的方法，其特征在于，在所述利用損失函數，分別調整所述一階FM、所述二階FM和所述深度神經網絡的模型參數，得到入侵檢測模型，得到目標深度因子分解機模型之后，所述方法還包括：

將預設的樣本檢測數據輸入到所述目標深度因子分解機模型中，得到所述樣本檢測數據所屬類型；其中，所述樣本檢測數據包括樣本連續檢測特征和樣本離散檢測特征，所述樣本連續檢測特征為對與原入侵數據不同的檢測數據按照預設規則進行劃分后的連續數據進行歸一化處理得到的特征數據，所述樣本離散檢測特征對與原入侵數據不同的檢測數據按照預設規則進行劃分后的離散數據進行編碼處理得到的特征數據；

獲得各個樣本檢測數據所屬類型的標注信息；

利用得到的樣本檢測數據所屬類型和所述樣本檢測數據所屬類型的標注信息，計算所述目標深度因子分解機模型檢測樣本檢測數據的準確率；

如果所述準確率未達到閾值，則更新所述樣本入侵數據，并返回將樣本離散訓練特征輸入到嵌入層，得到離散特征向量的步驟；

如果所述準確率達到閾值，則將所述目標深度因子分解機模型作為入侵檢測模型。