[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

本發明公開了一種入侵檢測方法及裝置。其中，該方法包括：獲取第一特征數據集；對第一特征數據集進行降維處理，得到第二特征數據集，其中，第二特征數據集的維度小于第一特征數據集；利用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，訓練好的入侵檢測模型用于對待檢測數據進行入侵檢測。本發明解決了相關技術中數據檢測的準確率較低的技術問題。

技術領域

本發明涉及數據處理領域，具體而言，涉及一種入侵檢測方法及裝置。

背景技術

隨著互聯網的發展，數據的連接和流量越來越大，對于計算機和各種設備隨之而來的惡意入侵及其帶來的威脅也日益增加，因此需要對數據進行入侵檢測。現有的入侵檢測系統在遇到大量高維數據時，通常會遇到維數災難的問題，從而導致數據檢測的準確率較低；并且現有的入侵檢測系統在數據檢測的過程中無法識別未知的攻擊，會對未知的攻擊進行漏報，從而導致數據檢測的準確率較低。因此，現有入侵檢測系統數據檢測的準確率較低。

針對上述的問題，目前尚未提出有效的解決方案。

發明內容

本發明實施例提供了一種入侵檢測方法及裝置，以至少解決相關技術中數據檢測的準確率較低的技術問題。

根據本發明實施例的一個方面，提供了一種入侵檢測方法，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第二特征數據集進行誤用檢測，得到第三特征數據集，其中，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，得到訓練好的入侵檢測模型。

可選地，對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；對多組目標特征集進行降維處理，得到第二特征數據集。

可選地，利用隨機森林模型對多組數據集進行特征篩選，得到多組目標特征集包括：利用隨機森林模型對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，評分值用于表征每個原始特征的重要程度；基于多組原始特征集中包含的每個原始特征的評分值，得到每個原始特征的評分均值；基于每個原始特征的評分均值，確定多組目標特征集。

可選地，基于每個原始特征的評分均值，確定多組目標特征集包括：按照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，得到多個目標特征。

可選地，對多組目標特征集進行降維處理，得到第二特征數據集包括：基于多組目標特征集構建第一矩陣；獲取第一矩陣的協方差矩陣；基于協方差矩陣，確定第二矩陣；獲取第一矩陣和第二矩陣的乘積，得到第二特征數據集。

可選地，基于協方差矩陣，確定第二矩陣包括：獲取協方差矩陣的特征值和特征向量；將特征向量按照特征值的大小進行排序，生成第三矩陣；獲取第三矩陣中最前面的第二預設數量的行矩陣，生成第二矩陣。

可選地，在獲取第一矩陣的協方差矩陣之前，該方法還包括：對第一矩陣進行零均值化處理，得到第四矩陣；獲取第四矩陣的協方差矩陣。