[發明專利]一種入侵檢測方法、系統、設備及可讀存儲介質

有效

• 申請號: 202011264132.7
• 申請日: 2020-11-12
• 公開（公告）號: CN113449837B
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 王振東;徐振宇;李大海;楊書新;王俊嶺
• 申請（專利權）人: 江西理工大學
• 主分類號: G06F21/55
• 分類號: G06F21/55;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 北京知呱呱知識產權代理有限公司 11577
• 代理人: 杜立軍

1.一種入侵檢測方法，其特征在于，所述方法包括：

步驟1：根據任務性質確定問題簇的數目，構建基于問題簇的全方位變步長搜索算法，并初始化天牛的尋優方向、尋優次數、迭代步長、以及每次迭代后步長的衰退因子λ；

步驟2：執行EBAS算法并輸出超參數，將EBAS算法輸出的超參數傳入SAE模塊以及DRN模塊，確定所述SAE模塊以及DRN模塊中網絡的層數以及各層神經元的個數；

步驟3：針對不同入侵檢測數據集進行歸一化處理，得到混合、歸一化后的數據集X；

步驟4：將所述數據集X輸入至所述SAE模塊，并對所述SAE模塊進行預訓練；

步驟5：將步驟4中獲得的數據集X的特征數據輸入至所述DRN模塊，并訓練所述DRN模塊；

步驟6：逐層調整參數，計算并返回訓練集與交叉驗證集的損失值，并將損失值作為EBAS模塊的目標函數值，更新所述EBAS模塊的相關參數；

步驟7：反復執行步驟3到步驟6，直至觸發所述EBAS模塊的迭代終止條件，獲得SAE-DRN神經網絡的最優參數；

步驟8：傳遞所述最優參數至所述SAE模塊以及DRN模塊并對其訓練，訓練完成后在實際入侵檢測數據集上進行驗證；

所述EBAS算法的具體實現步驟如下：

步驟a：初始化所述EBAS算法的參數，所述參數包括問題簇的個數M與每個問題簇的尋優維度n，并根據M與n值初始化M個天牛的感知方向dir，天牛兩觸角之間的距離d₀，尋優次數N，迭代步長L以及每次迭代后步長的衰退因子λ；

步驟b：在每個天牛感知方向上，分別計算左右觸角位置X_l與X_r，并且分別代入目標函數計算左右觸角位置的目標函數值cost_l、cost_r；

步驟c：根據所述左右觸角目標函數值，計算天牛下一步更新的位置X，并計算新的目標函數值cost_nest；

步驟d：對比所述cost_l、cost_r、cost_nest、best_cost，選擇最優值作為當前最優目標函數值，并記錄此時天牛位置，并按照最優位置更新策略進行位置更新；

步驟e：如果best_cost值出現改變，迭代步長恢復至初始狀態；否則，按照回溯式步長更新法則進行更新；

步驟f：重復執行步驟b、c、d、e，直至滿足迭代停止條件；

在步驟1中，所述根據任務性質確定問題簇的數目，構建基于問題簇的全方位變步長搜索算法，包括：

初始化全方位變步長天牛搜索方位按照如下公式計算：

d_i＝rands(1，n_i)

dir_i＝d_i/norm(d_i)

i表示第i個問題簇，n_i表示第i個問題簇上待優化問題的維度，d_i表示方向上與第i個問題簇的尋優方向相同，維度上與第i個問題簇中待優化問題維度相同的隨機向量；dir_i＝d_i/norm(d_i)將d_i轉化為單位向量；

殘差塊中將放置于跳層連接之前的ReLU層置于跳層連接之后；DRN的最后層為全連接層，將全連接層所輸出的數據信息導入Sigmoid二分類或Softmax多分類函數，獲取數據所屬類型的概率值；

回溯式天牛步長更新法則：1.迭代后天牛的最優位置未更新，則下一次迭代的步長為移動步長L乘以衰退因子α以縮小搜索范圍；2.迭代后天牛的最優位置出現變化，則下一次迭代的步長回溯至初始步長，增加算法的搜索范圍，降低算法陷入局部最優的概率。

2.如權利要求1所述的方法，其特征在于，在所述步驟6中，在處理二分類問題時使用的損失函數為：

在處理多分類問題使用的損失函數為：

其中，表示樣本的標簽值，y_i表示預測值，表示m類樣本的標簽值，y_im表示分類器將樣本預測為第m類的概率值，n表示樣本數量，m表示分類數。