【技术实现步骤摘要】
一种基于部分深度学习理论的入侵检测方法
本专利技术属于深度学习与网络安全领域，特别是涉及一种利用部分深度学习理论检测网络数据的入侵检测方法。
技术介绍
伴随着时代的不断进步，互联互通的网络使人们的生活更加便利，购物出行所需要的仅仅是一部可以联网的手机。这种便利的代价却是几乎每个人的身份信息、社会关系、个人财产都牢牢地与网络绑定在一起，在将网络作为社会交互的桥梁的同时所需要思考的一个问题就是“桥梁”的稳固性，也即网络的安全问题。通信系统与网络入口时时刻刻都面临着来自于外部甚至于其系统内部的网络攻击，且不似网络未成熟时期的单一攻击，如今的绝大多数入侵行为种类多样并且呈混合态势发展，防御起来愈发困难。当今入侵检测领域作为一个重要领域，虚警率高、检测率低、处理速度慢、特征维度高等问题在困扰着从事这一领域的专家学者。机器学习作为近几年非常热门的一种算法工具，理所应当的有专家学者尝试其在入侵检测方面的应用。Thaseen[1]等人提出利用主成分分析PCA降维后用支持向量机来检测入侵，虽然检测速度较快，但是整体准确率较差。丁龙斌[2]等人...
【技术保护点】
1.一种利用部分深度学习理论检测网络数据的入侵检测方法，包括以下步骤：/n第一步，准备数据集：/n采用用于入侵检测的NSL-KDD数据集，数据包含41种特征，分为TCP连接基本特征、主机上的操作特征、基于时间的网络流量统计特征、基于主机的网络流量统计特征这四个大特征类，首先按照其数据集自带标签将其标定为入侵数据或者正常数据，其次将数据集的字符串值按照其特征转换为计算机可识别的离散值或连续值；之后进行数据集预处理，先将连续数据归一化，其次对离散取值的数据进行编码，离散取值的数据使用one-hot编码；选取经过预处理后的训练数据集和测试数据集；/n第二步，建立CNN并训练CNN...
【技术特征摘要】
1.一种利用部分深度学习理论检测网络数据的入侵检测方法，包括以下步骤：
第一步，准备数据集：
采用用于入侵检测的NSL-KDD数据集，数据包含41种特征，分为TCP连接基本特征、主机上的操作特征、基于时间的网络流量统计特征、基于主机的网络流量统计特征这四个大特征类，首先按照其数据集自带标签将其标定为入侵数据或者正常数据，其次将数据集的字符串值按照其特征转换为计算机可识别的离散值或连续值；之后进行数据集预处理，先将连续数据归一化，其次对离散取值的数据进行编码，离散取值的数据使用one-hot编码；选取经过预处理后的训练数据集和测试数据集；
第二步，建立CNN并训练CNN，利用经过预处理后的训练数据集训练CNN，利用DNN反向传播算法计算出隐藏层与输出层的线性关系系数矩阵和偏倚向量后，完成DNN的训练，训练中采用神经网络计算过程的ReLU激活函数以及收敛速度更快的adam优化算法；
第三步，建立决策树DT，利用第一步的经过预处理后的训练数据集来训练DT，以实现对测试数据进行第一次二分类，DT选用以信息增益为分裂特征的ID3算法，分类结果包括正常数据...
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。