[發明專利]入侵檢測方法及裝置

有效

• 申請號: 202011248506.6
• 申請日: 2020-11-10
• 公開（公告）號: CN112437053B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 周獻飛;徐楷;焦建林;董寧;韓盟;徐浩;陳奕倩
• 申請（專利權）人: 國網北京市電力公司;國家電網有限公司
• 主分類號: H04L9/40
• 分類號: H04L9/40;G06F18/214;G06F18/2415;G06F18/2431;G06F18/2411
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 李靜茹

1.一種入侵檢測方法，其特征在于，包括：

獲取第一特征數據集；

對所述第一特征數據集進行降維處理，得到第二特征數據集，其中，所述第二特征數據集的維度小于所述第一特征數據集；

利用所述第二特征數據集對入侵檢測模型進行訓練，得到訓練好的入侵檢測模型，其中，所述訓練好的入侵檢測模型用于對待檢測數據進行入侵檢測；

其中，對所述第一特征數據集進行降維處理，得到第二特征數據集包括：利用交叉驗證法對所述第一特征數據集進行劃分，生成多組數據集，其中，任意兩組數據集之間具備互斥關系；利用隨機森林模型對所述多組數據集進行特征篩選，得到多組目標特征集，其中，每組目標特征集包括：多個目標特征；對所述多組目標特征集進行降維處理，得到所述第二特征數據集；

其中，利用所述第二特征數據集對入侵檢測模型進行訓練，得到訓練好的入侵檢測模型包括：利用多種不同類型的預設模型對所述第二特征數據集進行誤用檢測，得到第三特征數據集，其中，所述第三特征數據集中包含的特征數據用于表征非攻擊數據或正常數據；基于所述第三特征數據集利用集成學習算法對多個基分類器進行迭代訓練，得到所述訓練好的入侵檢測模型。

2.根據權利要求1所述的方法，其特征在于，利用所述隨機森林模型對所述多組數據集進行特征篩選，得到多組目標特征集包括：

利用所述隨機森林模型對所述多組數據集進行預測，得到多組原始特征集中包含的每個原始特征的評分值，其中，所述評分值用于表征所述每個原始特征的重要程度；

基于所述多組原始特征集中包含的每個原始特征的評分值，得到所述每個原始特征的評分均值；

基于所述每個原始特征的評分均值，確定所述多組目標特征集。

3.根據權利要求2所述的方法，其特征在于，基于所述每個原始特征的評分均值，確定所述多組目標特征集包括：

按照所述每個原始特征的評分均值，對多個原始特征進行升序排序；

獲取排序后的多個原始特征中的最前面的第一預設數量的原始特征，得到所述多個目標特征。

4.根據權利要求1所述的方法，其特征在于，對所述多組目標特征集進行降維處理，得到所述第二特征數據集包括：

基于所述多組目標特征集構建第一矩陣；

獲取所述第一矩陣的協方差矩陣；

基于所述協方差矩陣，確定第二矩陣；

獲取所述第一矩陣和所述第二矩陣的乘積，得到所述第二特征數據集。

5.根據權利要求4所述的方法，其特征在于，基于所述協方差矩陣，確定第二矩陣包括：

獲取所述協方差矩陣的特征值和特征向量；

將所述特征向量按照所述特征值的大小進行排序，生成第三矩陣；

獲取所述第三矩陣中最前面的第二預設數量的行矩陣，生成所述第二矩陣。

6.根據權利要求4所述的方法，其特征在于，在獲取所述第一矩陣的協方差矩陣之前，所述方法還包括：

對所述第一矩陣進行零均值化處理，得到第四矩陣；

獲取所述第四矩陣的所述協方差矩陣。

7.根據權利要求4所述的方法，其特征在于，在獲取所述第一矩陣和所述第二矩陣的乘積，得到所述第二特征數據集之前，所述方法還包括：

對所述第一矩陣進行中心化處理，得到第五矩陣；

獲取所述第五矩陣和所述第二矩陣的乘積，得到所述第二特征數據集。

8.根據權利要求1所述的方法，其特征在于，在利用所述隨機森林模型對所述多組數據集進行特征篩選，得到多組目標特征集之前，所述方法還包括：

隨機對所述多組數據集進行多次劃分，得到多組訓練集和測試集；

利用所述多組訓練集對所述隨機森林模型進行訓練；

利用所述測試集對訓練好的隨機森林模型進行測試，得到所述訓練好的隨機森林模型的總得分；

基于所述總得分確定所述隨機森林模型的訓練是否完成。