[發明專利]一種基于深度學習的智能入侵檢測方法及其裝置

在審

• 申請號: 202011461480.3
• 申請日: 2020-12-12
• 公開（公告）號: CN112653675A
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 劉亮松;付海艷;龍海俠;汪浩俊
• 申請（專利權）人: 海南師范大學
• 主分類號: H04L29/06
• 分類號: H04L29/06;G06N3/04;G06N3/08
• 代理公司: 北京盛凡智榮知識產權代理有限公司 11616
• 代理人: 馬婷

本發明公開了一種基于深度學習的智能入侵檢測方法及其裝置，包括第一步構建入侵檢測數據集；第二步進行入侵檢測構建入侵檢測模型；采用上述構建的入侵檢測數據集，將數據集中每條樣本數據利用SGD隨機梯度下降，利用交叉熵函數的方式和基于改進的卷積神經網絡結構對入侵檢測模型進行有監督訓練，通過多次的訓練以及調整學習率參數和正則化的參數，選取其中最優的模型參數，該模型是一個具有高準確率和高召回率的基于改進的卷積神經網絡特征提取的最優的入侵檢測模型；第三步構建結果可視化模塊；構建Web頁面，將入侵檢測模型數據庫中網絡流量以及識別過后的樣本類別展示在Web頁面中。

技術領域

本發明涉及入侵檢測技術領域，具體是指一種基于深度學習的智能入侵檢測方法及其裝置。

背景技術

目前，市面上入侵檢測主要用技術是基于規則的檢測方法，這種方法通常由安全人員審查網絡流量并設置規則，利用設定好的規則攔截網絡攻擊流量，但是現在的網絡流量各種各樣，利用現有的基于規則的檢測方法已經不能適用了，因此針對這種情況設計一種基于深度學習的智能入侵檢測方法及其裝置。

發明內容

本發明要解決的技術問題是克服上述技術的缺陷，提供一種基于深度學習的智能入侵檢測方法及其裝置。

為解決上述技術問題，本發明提供的技術方案為一種基于深度學習的智能入侵檢測方法：包括第一步構建入侵檢測數據集；第二步進行入侵檢測構建入侵檢測模型；采用上述構建的入侵檢測數據集，將數據集中每條樣本數據利用SGD隨機梯度下降，利用交叉熵函數的方式和基于改進的卷積神經網絡結構對入侵檢測模型進行有監督訓練，通過多次的訓練以及調整學習率參數和正則化的參數，選取其中最優的模型參數，該模型是一個具有高準確率和高召回率的基于改進的卷積神經網絡特征提取的最優的入侵檢測模型；模型作為智能入侵檢測裝置的核心裝置用于檢測網絡流量，當新的網絡流量進入智能入侵檢測裝置時，需要對流量預處理，處理流量過程與上述構建入侵檢測數據集過程相同，將預處理后的網絡流量輸入到基于改進的卷積神經網絡特征提取的入侵檢測模型中，模型將會得到網絡流量的各個類別的置信度，置信度最大即為當前樣本的攻擊類別，并將當前流量信息以及攻擊類別標簽保存到入侵檢測模型數據庫中；第三步構建結果可視化模塊；構建Web頁面，將入侵檢測模型數據庫中網絡流量以及識別過后的樣本類別展示在Web頁面中。

作為改進，所述構建入侵檢測數據集包括通過收集到的目前國內外公認的具有權威性的入侵檢測的數據集進行構建。

作為改進，所述構建入侵檢測數據集還包括通過自己構建計算機網絡仿真環境來收集網絡流量數據，數據集中每條樣本就是一條網絡流量，并且每條樣本記錄了當前樣本的類別標簽，隨后需要對數據進行預處理，數據集的字符型數據利用數值映射的方法轉化成數值型數據，再把數據進行z-score標準化，消除量綱之間的影響，攻擊類別標簽也分別通過數值映射轉換成整型數據，完成入侵檢測數據集的構建。

一種基于深度學習的智能入侵檢測裝置，其特征在于：包括基于深度學習的入侵檢測模型，用于數據集的驗證；

特征提取處理模塊，用于網絡攻擊行為特征提取和網絡攻擊行為特征預處理，并將提取的信息應用到基于深度學習的入侵檢測模型；

入侵檢測模塊，用于深度學習神經網絡并應用于基于深度學習的入侵檢測模型；

結果可視化模塊，用于Web頁面的構建和可視化結果的顯示并應用于基于深度學習的智能入侵檢測模型。

本發明與現有技術相比的優點在于：解決了大量安全人員手工對網絡流量進行分析并且設置攔截規則，實現了自動化的識別網絡中具有攻擊性流量的檢測，可以在應用中收集入侵檢測數據集并進行更行數據庫，使用比較方便。

附圖說明

圖1是本發明一種基于深度學習的智能入侵檢測方法及其裝置的基于深度學習的智能入侵檢測裝置結構示意圖。