[發明專利]一種網絡入侵檢測模型的訓練方法和裝置

有效

• 申請號: 202010579655.4
• 申請日: 2020-06-23
• 公開（公告）號: CN111741002B
• 公開（公告）日: 2022-02-15
• 發明（設計）人: 柳毅;溫纖纖;歐毓毅;羅玉;李斯
• 申請（專利權）人: 廣東工業大學
• 主分類號: H04L9/40
• 分類號: H04L9/40;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 黃忠

本申請公開了一種網絡入侵檢測模型的訓練方法和裝置，將網絡特征數據和其攻擊屬性標簽輸入至第一卷積神經網絡，輸出第一卷積神經網絡參數；將網絡特征數據和所有攻擊屬性標簽輸入至第二卷積神經網絡，在輸出的多個第二卷積神經網絡參數中選擇最佳網絡參數；通過比較最佳網絡參數對應的攻擊屬性標簽與真實標簽以確定獎勵值，將獎勵值應用于誤差函數，使得第一卷積神經網絡基于誤差函數進行參數更新，進而更新第二卷積神經網絡參數，直至迭代的訓練樣本數量達到預設數量，得到網絡入侵檢測模型，從而解決了現有的網絡入侵檢測方法采用深度學習方法，對于只有少量樣本的網絡攻擊數據的學習效果不好，對于難檢測的網絡入侵存在檢測準確率的技術問題。

技術領域

本申請涉及網絡安全技術領域，尤其涉及一種網絡入侵檢測模型的訓練方法和裝置。

背景技術

隨著信息化及互聯網的高速發展，網絡已經充斥與每個人的生活，隨之也出現了更多、更復雜的網絡安全問題，網絡入侵檢測技術提供了有效的網絡入侵檢測方法，可以有效保護網絡安全。但如何在海量數據環境下取得較好的網絡入侵檢測效果是目前亟需解決的技術問題。

現有技術中將機器學習引入到網絡入侵檢測技術中，彌補了傳統的入侵檢測技術自適應性差、漏報率和誤報率過高等缺陷；然而，入侵的網絡數據日趨復雜，網絡數據的特征維度越來越高且網絡數據具有非線性特性，傳統的機器學習方法容易出現“維度爆炸”的問題，為了解決該問題，現有技術中將深度學習應用到網絡入侵檢測，相比于傳統的機器學習，深度學習可以提高入侵檢測的效率，進一步降低了入侵檢測的漏報率和誤報率，但采用深度學習方法對于只有少量樣本的網絡攻擊數據的學習效果不好，對于難檢測的網絡入侵存在檢測準確率低的問題。

發明內容

本申請提供了一種網絡入侵檢測模型的訓練方法和裝置，用于解決現有的網絡入侵檢測方法采用深度學習方法，對于只有少量樣本的網絡攻擊數據的學習效果不好，對于難檢測的網絡入侵存在檢測準確率的技術問題。

有鑒于此，本申請第一方面提供了一種網絡入侵檢測模型的訓練方法，包括：

獲取訓練集，所述訓練集中的訓練樣本包括網絡特征數據和所述網絡特征數據對應的攻擊屬性標簽；

將所述訓練樣本中的所述網絡特征數據和所述網絡特征數據對應的攻擊屬性標簽輸入至第一卷積神經網絡，使得所述第一卷積神經網絡對所述網絡特征數據和所述網絡特征數據對應的攻擊屬性標簽進行擬合，輸出所述網絡特征數據的攻擊屬性標簽對應的第一卷積神經網絡參數；

將所述網絡特征數據和所有所述攻擊屬性標簽輸入至第二卷積神經網絡，使得所述第二卷積神經網絡對所述網絡特征數據與各個所述攻擊屬性標簽進行擬合，輸出各個所述攻擊屬性標簽對應的第二卷積神經網絡參數；

在所有所述攻擊屬性標簽對應的第二卷積神經網絡參數中選擇一個第二卷積神經網絡參數作為所述第二卷積神經網絡的最佳網絡參數；

比較所述第二卷積神經網絡的最佳網絡參數對應的所述攻擊屬性標簽與所述第一卷積神經網絡參數對應的所述攻擊屬性標簽，基于比較結果對所述第二卷積神經網絡的最佳網絡參數賦予獎勵值；

基于所述獎勵值、所述第一卷積神經網絡參數、所述第二卷積神經網絡的最佳網絡參數和預置誤差函數計算誤差值；

基于所述誤差值更新所述第一卷積神經網絡參數；

每迭代預置數量的所述訓練樣本后，將所述第一卷積神經網絡參數復制給所述第二卷積神經網絡進行參數更新，直至迭代的所述訓練樣本數量達到預設數量，將參數更新后的所述第二卷積神經網絡作為網絡入侵檢測模型進行輸出。

可選的，所述預置誤差函數為：