[發明專利]基于ADASYN算法和改進卷積神經網絡的入侵檢測方法及裝置

在審

• 申請號: 202011373159.X
• 申請日: 2020-11-30
• 公開（公告）號: CN112287338A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 郭學讓;李峰;張強;何玲;郭慶瑞;李亞平;張志軍;解鵬;馬林;樊樹銘;張庚
• 申請（專利權）人: 國網新疆電力有限公司電力科學研究院;國家電網有限公司
• 主分類號: G06F21/55
• 分類號: G06F21/55;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 烏魯木齊合縱專利商標事務所 65105
• 代理人: 周星瑩;湯潔

1.一種基于ADASYN算法和改進卷積神經網絡的入侵檢測方法，其特征在于，包括：

獲取若干原始數據，對原始數據進行預處理，并利用ADASYN算法對若干原始數據中的小樣本進行增強處理；

將若干原始數據分為訓練樣本集和測試樣本集，并利用訓練樣本集對預設模型進行訓練，利用測試樣本集對訓練后的預設模型進行測試評估；其中預設模型通過改進卷積神經網絡SPC-CNN算法建立；

將評估結果最好的預設模型作為入侵檢測模型，通過入侵檢測模型對獲取到的網絡數據進行入侵檢測。

2.根據權利要求1所述的基于ADASYN算法和改進卷積神經網絡的入侵檢測方法，其特征在于，所述獲取若干原始數據，對原始數據進行預處理，并利用ADASYN算法對若干原始數據中的小樣本進行增強處理，包括：

獲取若干原始數據，利用one-hot編碼將原始數據的符號特征轉換為數字特征；

利用最大最小歸一化將原始數據的每個特征均勻的映射到[0,1]；

獲取所有原始數據中的小樣本，利用ADASYN算法對若干原始數據中的小樣本進行增強處理。

3.根據權利要求1或2所述的基于ADASYN算法和改進卷積神經網絡的入侵檢測方法，其特征在于，所述將若干原始數據分為訓練樣本集和測試樣本集，包括在若干原始數據中分別抽取預設比例的原始數據作為訓練樣本集，將未被抽取的原始數據作為測試樣本集。

4.根據權利要求1或2所述的基于ADASYN算法和改進卷積神經網絡的入侵檢測方法，其特征在于，所述利用訓練樣本集對預設模型進行訓練，其中預設模型通過改進卷積神經網絡SPC-CNN算法建立，訓練過程包括包括：

通過改進卷積神經網絡SPC-CNN算法建立預設模型，預設模型包括輸入層、卷積層、2個SPConv模塊、全連接層、Softmax層和輸出層，SPConv模塊包括通道拆分模塊、2個卷積模塊和特征融合模塊；

利用卷積層中的向量卷積模塊對訓練樣本進行卷積處理，輸出L個特征映射；

利用SPConv模塊中的信道拆分模塊將特征映射分為代表部分和冗余部分；

利用SPConv模塊中的2個卷積模塊分別對代表部分和冗余部分進行不同層次的特征提取；

利用SPConv模塊中的特征融合模塊對不同通道的特征進行整合；

根據Softmax層計算損耗值，通過誤差反向傳播優化網絡參數，使模型收斂。

5.根據權利要求3所述的基于ADASYN算法和改進卷積神經網絡的入侵檢測方法，其特征在于，所述利用訓練樣本集對預設模型進行訓練，其中預設模型通過改進卷積神經網絡SPC-CNN算法建立，訓練過程包括包括：

通過改進卷積神經網絡SPC-CNN算法建立預設模型，預設模型包括輸入層、卷積層、2個SPConv模塊、全連接層、Softmax層和輸出層，SPConv模塊包括通道拆分模塊、2個卷積模塊和特征融合模塊；

利用卷積層中的向量卷積模塊對訓練樣本進行卷積處理，輸出L個特征映射；

利用SPConv模塊中的信道拆分模塊將特征映射分為代表部分和冗余部分；

利用SPConv模塊中的2個卷積模塊分別對代表部分和冗余部分進行不同層次的特征提取；

利用SPConv模塊中的特征融合模塊對不同通道的特征進行整合；

根據Softmax層計算損耗值，通過誤差反向傳播優化網絡參數，使模型收斂。

6.一種基于ADASYN算法和改進卷積神經網絡的入侵檢測裝置，其特征在于，包括：

預處理單元，獲取若干原始數據，對原始數據進行預處理，并利用ADASYN算法對若干原始數據中的小樣本進行增強處理；

模型輸出單元，將若干原始數據分為訓練樣本集和測試樣本集，并利用訓練樣本集對預設模型進行訓練，利用測試樣本集對訓練后的預設模型進行測試評估；其中預設模型通過改進卷積神經網絡SPC-CNN算法建立；

入侵檢測單元，將評估結果最好的預設模型作為入侵檢測模型，通過入侵檢測模型對獲取到的網絡數據進行入侵檢測。