一种改进社交网络和神经网络的入侵检测方法技术

本发明专利技术公开了一种改进社交网络和神经网络的入侵检测方法，涉及一种改进网络的入侵检测方法，该方法首先在社交网络算法中加入混沌初始化以及精英机制，形成改进社交网络算法，提高社交网络算法的寻优能力。将所述BP神经网络的运行参数编码作为改进社交网络的个体，使用混沌初始化进行种群初始化，将误差函数作为改进社交网络算法的适应值函数，多次迭代后选择适应度最优的参数作为所述BP神经网络的初始权值和阈值进行训练，最后将训练好的所述BP神经网络应用于入侵检测的分类器中。本发明专利技术方法通过改善BP神经网络因初始参数随机化导致的易陷入局部最小值和收敛速度慢的缺点，从而提高了BP神经网络在网络入侵检测中检测准确率。率。率。

【技术实现步骤摘要】
一种改进社交网络和神经网络的入侵检测方法


[0001]本专利技术涉及一种改进网络的入侵检测方法，特别是涉及一种改进社交网络和神经网络的入侵检测方法。

技术介绍

[0002]对于网络中，企图或者正在进行的网络入侵行为的发现的过程称为入侵检测。重点在于对于网络流量的分析，检测到异常并且正确判别。近几年来，各个国家遭受的网络入侵行为的重大安全事故越来越多，造成影响也越来越大，不断威胁每个人的信息安全。通过对系统流量和协议信息实时采集和分析，入侵检测系统对网络中的各类行为进行判断并分类。
[0003]机器学习方法已经被广泛的应用于识别不同类型的攻击，并且机器学习方法可以帮助网络管理员采取相应的措施来应对网络入侵。然而，大多数传统的机器学习方法属于浅层学习，需要人为的进行大量的特征分类和特征选择，它们不能解决在真实网络应用环境中面临的大量攻击和入侵数据的分类问题。另外，浅层学习不适合智能分析和海量数据高维学习的预测需求。而BP神经网络模型具有良好的适应性，自学习以及非线性逼近能力，能满足上面提到的这些需求，目前已被广泛应用于预测，建模，分类和自适本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进社交网络和神经网络的入侵检测方法，其特征在于，所述方法包括以下步骤：步骤S1.搜集网络安全数据并进行预处理，作为入侵检测模型训练数据；所述预处理具体包括如下步骤：步骤S1
‑
1.数值化，对于入侵检测数据中的字符型特征，通过One
‑
hot操作将其扩展为单位向量来完成数值化；假设该特征有i个特征值，则将其设置为{0,1,...,i
‑
1}中对应的一种；步骤S1
‑
2.归一化，数据按比例缩放，将其统一映射到[
‑
1,1]区间上；计算表达式如式(1)所示：其中 ,x表示原始数据，x
max
表示原始数据的上界，x
min
表示原始数据的下界，y表示归一化之后的数据，y
max
表示归一化后数据的上界，y
min
表示归一化后数据的下界；步骤S2.设计BP神经网络模型，为隐藏层和输出层神经元设置相应的激活函数；所述BP神经网络是一种机器学习算法，是一种模仿生物神经网络的结构和功能的计算模型；神经网络由大量的人工神经元联结进行计算，是一种自适应系统；具体包括如下步骤：步骤S2
‑
1.设置网络层的节点数，设置输入层，隐藏层和输出层神经元的数目；输入层和输出层节点数量由输入数据维度和数据类型决定；隐藏层节点数量由输入层和输出层节点数量共同决定；步骤S2
‑
2.在神经网络输入层、隐藏层和输出层之间建立连接，设置相应的权值和阈值参数；步骤S2
‑
3.为隐藏层和输出层神经元设置相应的激活函数，使神经网络模型具有分类特性；步骤S3.使用改进的社交网络算法对神经网络模型进行预训练，输出最优的初试权值与阈值向量；所述改进的社交网络算法是在经典社交网络算法基础上，结合Logistic混沌映射和精英机制形成；所述改进社交网络算法同样模拟在社交网络中用户表达意见时的行为，并作为优化操作步骤；假设D维空间中，社交用户规模为N，精英数量为N*rate，每一个社交个体的位置利用Logistic混沌映射进行初始化，记为X={X1，X2，X3...，X
N
}；每一轮首先基于每个的适应度进行排序，选择出前N*rate个个体作为精英，随后分别进行优化操作；所述改进社交网络算法分为两部分：第一部分是精英个体优化，第二部分是普通个体优化；步骤S3
‑
1.精英个体优化操作：精英个体进行迭代循环，，只进行Mood2，也就是对话行为，同时对话个体来自精英群体并随机选出，；
步骤S3
‑
2.普通个体优化操作，每次在Mood1到Mood4之间随机选择进行：Mood1：当个体进行Mood1（模仿行为）时，其中80%的个体对随机精英个体进行模仿，其余20%个体进行随机模仿，Mood2：用户通过其他观点可以看到事件，最后，由于意见的不同，他们可以根据公式对这个...

【专利技术属性】
技术研发人员：杨忠君，王琪，
申请(专利权)人：沈阳化工大学，
类型：发明
国别省市：