【技术实现步骤摘要】
一种基于改进LDA降维的ELM分类入侵检测方法
本专利技术涉及无线传感器网络
，具体是指一种基于改进LDA降维的ELM分类入侵检测方法。
技术介绍
随着网络信息化的发展，人们对通信的普及化和便利化有了更高追求，借此物联网的发展壮大成为了时代的必然趋势。从物联网技术发展和应用需求来看，异构无线传感器网络(HeterogeneousWirelessSensorNetworks,WSNs)的运用对物联网发展有着至关重要的作用。异构无线传感器网络在不同应用领域中为人们带来便利的同时，其安全性也应受到相应重视。入侵检测作为可以有效保护网络免受攻击的网络安全保障技术，受到了网络安全领域研究者的极大关注，但传统的入侵检测模型在时间效率和检测效率等性能方面仍存在一定的不足，使得其并不适用于节点分布广且资源受限的HWSNs。因此，为了在保障入侵检测准确性的同时，提高算法执行效率，能够快速的对网络入侵情况进行判别，设计一种具有较高时效性和准确性的入侵检测算法来提高网络安全性对异构无线传感器网络安全具有重要意义。
技术实现思路
为了克服上述
技术介绍
的不足，本专利技术提供一种基于改进L...
【技术保护点】
1.一种基于改进LDA降维的ELM分类入侵检测方法，其特征在于，包括如下步骤：(1)网络行为数据归一化：将不同维的有量纲数据转变成无量纲数据；(2)网络行为数据降维：计算类内散度矩阵和类间散度矩阵，在线性判别分析中加入类内散度矩阵和类间散度矩阵，获得最优转换矩阵，对归一化后的网络行为数据进行降维；(3)网络行为数据分类：利用极限学习机分类算法，通过对网络行为数据训练集分析获得进行分类隐藏层输出矩阵H和最优输出权重β，然后对测试集进行分类判断，判定网络是否安全及存在何种攻击。
【技术特征摘要】
1.一种基于改进LDA降维的ELM分类入侵检测方法，其特征在于，包括如下步骤：(1)网络行为数据归一化：将不同维的有量纲数据转变成无量纲数据；(2)网络行为数据降维：计算类内散度矩阵和类间散度矩阵，在线性判别分析中加入类内散度矩阵和类间散度矩阵，获得最优转换矩阵，对归一化后的网络行为数据进行降维；(3)网络行为数据分类：利用极限学习机分类算法，通过对网络行为数据训练集分析获得进行分类隐藏层输出矩阵H和最优输出权重β，然后对测试集进行分类判断，判定网络是否安全及存在何种攻击。2.根据权利要求1所述的基于改进LDA降维的ELM分类入侵检测方法，所述步骤(1)中网络行为数据归一化，包括如下步骤：网络行为数据采用0均值标准化方法进行归一化处理：将不同维的有量纲数据转变成无量纲数据，具体公式如下：其中x为原始数据输入量，z为归一化后的输出数据，μ,σ分别为原始数据集各维的均值和方差。3.根据权利要求1所述的基于改进LDA降维的ELM分类入侵检测方法，其特征在于，所述步骤(2)中，根据如下步骤计算类内散度矩阵和类间散度矩阵：给定包含N条网络行为数据训练样本的集合D，D＝{xk,tk},k＝1,2,...,N；假设xij∈{xk},tij∈{tk},i＝1,2,...,c,j＝1,2,...,ni，xij为第i类的第j个样本特征向量，tij为该特征向量对应的样本标签，其中样本特征为d维，则总样本特征矩阵可表示为XN×d，样本共有c类，ni代表i类样本数，即对应总样本均值向量u和第i类样本的类均值向量ui分别是则类内散度矩阵Sw为：类间散度矩阵Sb为其中，ωij为高位数据空间相似性度量函数，表示数据μi和μj的空间相似度，μi,k和μj,k分别代表数据i和j在k维上的均值，d为数据特征维数，ni和nj分别代表i类和j类样本数。4.根据权利要求3所述的基于改进LDA降维的ELM分类入侵检测方法，其特征在于，所述步骤(2)中，根据如下广义瑞利商公式计算最优变换矩阵：其中，A*为最优变换矩阵，A是投影矩阵，I为单位矩阵；根据广义瑞利商极值性质，计算I-1(Sb-Sw)的前m个特征值λ1>λ2>…>λm对应的特征向量...
【专利技术属性】
技术研发人员：洪榛，洪淼，周丽丹，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。