一种基于深度学习的智能入侵检测方法及其装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的智能入侵检测方法及其装置，包括第一步构建入侵检测数据集；第二步进行入侵检测构建入侵检测模型；采用上述构建的入侵检测数据集，将数据集中每条样本数据利用SGD随机梯度下降，利用交叉熵函数的方式和基于改进的卷积神经网络结构对入侵检测模型进行有监督训练，通过多次的训练以及调整学习率参数和正则化的参数，选取其中最优的模型参数，该模型是一个具有高准确率和高召回率的基于改进的卷积神经网络特征提取的最优的入侵检测模型；第三步构建结果可视化模块；构建Web页面，将入侵检测模型数据库中网络流量以及识别过后的样本类别展示在Web页面中。页面中。页面中。

【技术实现步骤摘要】
一种基于深度学习的智能入侵检测方法及其装置


[0001]本专利技术涉及入侵检测
，具体是指一种基于深度学习的智能入侵检测方法及其装置。

技术介绍

[0002]目前，市面上入侵检测主要用技术是基于规则的检测方法，这种方法通常由安全人员审查网络流量并设置规则，利用设定好的规则拦截网络攻击流量，但是现在的网络流量各种各样，利用现有的基于规则的检测方法已经不能适用了，因此针对这种情况设计一种基于深度学习的智能入侵检测方法及其装置。

技术实现思路

[0003]本专利技术要解决的技术问题是克服上述技术的缺陷，提供一种基于深度学习的智能入侵检测方法及其装置。
[0004]为解决上述技术问题，本专利技术提供的技术方案为一种基于深度学习的智能入侵检测方法：包括第一步构建入侵检测数据集；第二步进行入侵检测构建入侵检测模型；采用上述构建的入侵检测数据集，将数据集中每条样本数据利用SGD随机梯度下降，利用交叉熵函数的方式和基于改进的卷积神经网络结构对入侵检测模型进行有监督训练，通过多次的训练以及调整学习率参数和正则化的参数，选取其中最优的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的智能入侵检测方法，其特征在于：包括第一步构建入侵检测数据集；第二步进行入侵检测构建入侵检测模型；采用上述构建的入侵检测数据集，将数据集中每条样本数据利用SGD随机梯度下降，利用交叉熵函数的方式和基于改进的卷积神经网络结构对入侵检测模型进行有监督训练，通过多次的训练以及调整学习率参数和正则化的参数，选取其中最优的模型参数，该模型是一个具有高准确率和高召回率的基于改进的卷积神经网络特征提取的最优的入侵检测模型；模型作为智能入侵检测装置的核心装置用于检测网络流量，当新的网络流量进入智能入侵检测装置时，需要对流量预处理，处理流量过程与上述构建入侵检测数据集过程相同，将预处理后的网络流量输入到基于改进的卷积神经网络特征提取的入侵检测模型中，模型将会得到网络流量的各个类别的置信度，置信度最大即为当前样本的攻击类别，并将当前流量信息以及攻击类别标签保存到入侵检测模型数据库中；第三步构建结果可视化模块；构建Web页面，将入侵检测模型数据库中网络流量以及识别过后的样本类别展示在Web页面中。2.根据权利要求1所述的一种基于深度学习的智能入侵检...

【专利技术属性】
技术研发人员：刘亮松，付海艳，龙海侠，汪浩俊，
申请(专利权)人：海南师范大学，
类型：发明
国别省市：