基于混合持续变分量子神经网络的网络入侵检测方法技术

本公开是关于一种基于混合持续变分量子神经网络的网络入侵检测方法，包括：首先，建立混合持续变分量子神经网络的系统模型；其次，预设一个网络入侵数据集，对该网络入侵数据集进行冗余和降维处理；同时，对网络入侵数据集中的少数类样本进行过采样处理，并对网络入侵数据集中的多数类样本进行聚类欠采样处理；得到样本类别均衡数据集；最后将样本类别均衡数据集输入至该系统模型中，经过训练后，得到混合持续变分量子神经网络的二分类或多分类训练结果。本公开对于二分类和多分类具有较高的检测准确率，并且提高了对少数类样本的检测精度。度。度。

【技术实现步骤摘要】
基于混合持续变分量子神经网络的网络入侵检测方法


[0001]本公开涉及量子神经网络
，尤其涉及一种基于混合持续变分量子神经网络的网络入侵检测方法。

技术介绍

[0002]人工神经网络凭借其强大的非线性信息处理能力及泛化能力，成为一种重要的机器学习模型，被广泛应用于信号处理、自然语言处理和图片分析等领域。而量子计算基于量子态相干叠加、纠缠等特性，能够提供强大的并行计算能力。如何将量子计算与人工神经网络相结合，充分发挥二者的优势，从而改进经典神经网络架构，提升网络计算性能成为人们关注的一个重要方向。
[0003]然而目前所提出的量子神经网络(Quantum Neural Network，简称QNN)都是通过量子测量得到的模型输出结果，与经典神经网络相比，缺少非线性操作带来的深层数据关系，因此，会减少量子神经网络的表达能力。并且利用量子神经网络进行网络入侵检测多分类实验结果也可以看出，网络入侵数据类别的不平衡性也对量子神经网络模型针对少数类别样本的分类性能有较大的影响。因此，解决网络入侵数据的非平衡性问题，会对最终量子神经网络模型的性能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于混合持续变分量子神经网络的网络入侵检测方法，其特征在于，该方法包括以下步骤：建立混合持续变分量子神经网络的系统模型；预设一个网络入侵数据集，对所述网络入侵数据集进行冗余和降维处理；同时，对所述网络入侵数据集中的少数类样本进行过采样处理，并对所述网络入侵数据集中的多数类样本进行聚类欠采样处理；得到样本类别均衡数据集；将所述样本类别均衡数据集输入至所述系统模型中进行训练，得到所述混合持续变分量子神经网络的二分类或多分类训练结果。2.根据权利要求1所述网络入侵检测方法，其特征在于，在所述建立混合持续变分量子神经网络的系统模型的步骤中，所述混合持续变分量子神经网络的系统模型包括卷积神经网络和持续变分量子神经网络；所述持续变分量子神经网络包括多个基本层，每个所述基本层分别包括执行线性操作的高斯门和执行非线性操作的非高斯门；其中，执行线性操作的所述高斯门包括多个U门、S门和D门；执行非线性操作的所述非高斯门包括μ门。3.根据权利要求1所述用于网络入侵检测的方法，其特征在于，在所述预设一个网络入侵数据集，对所述网络入侵数据集进行冗余和降维处理；同时，对所述网络入侵数据集中的少数类样本进行过采样处理，并对所述网络入侵数据集中的多数类样本进行聚类欠采样处理；得到样本类别均衡数据集的步骤中，所述网络入侵数据集为UNSW
‑
NB15网络入侵数据集。4.根据权利要求3所述用于网络入侵检测的方法，其特征在于，在所述预设一个网络入侵数据集，对所述网络入侵数据集进行冗余和降维处理；同时，对所述网络入侵数据集中的少数类样本进行过采样处理，并对所述网络入侵数据集中的多数类样本进行聚类欠采样处理；得到样本类别均衡数据集的步骤包括：采用ReliefF算法对所述UNSW
‑
NB15网络入侵数据集进行冗余和降维处理，所述冗余和降维处理的过程包括：将所述UNSW
‑
NB15网络入侵数据集划分为不同类别的样本集，并从所述UNSW
‑
NB15网络入侵数据集中随机抽取样本R
i
，每一类别所述样本集用classe(R
i
)表示；其中，i∈(1,2,3,...)；分别从与所述随机抽取样本R
i
的相同类别样本中和与所述随机抽取样本R
i
的不相同类别样本中各抽取k个邻近样本；根据所述k个邻近样本，分别计算所述随机抽取样本R
i
中的多个特征权重，并得到所述随机抽取样本R
i
的平均特征权重；重复m次上述所有步骤，分别得到m次随机抽取样本的平均特征权重；预设一个阈值，将m次所述随机抽取样本的平均特征权重分别与所述阈值进行比较，并保留大于所述阈值的所述平均特征权重所对应的所述随机抽取样本。5.根据权利要求4所述用于网络入侵检测的方法，其特征在于，每个所述随机抽取样本的特征权重的计算公式包括：
其中，W(A)表示随机抽取样本的特征权重；A表示随机抽取样本的特征；k表示邻近样本数量；m表示随机抽取样本的次数；M
j
(C)表示与随机抽取样本不同类别的C类样本中的第j个邻近样本；P(C)表示C类样本的数量占随机抽取样本总数的比例；class(R
i
)表示随机抽取样本R
i
的类别；p(class(R
i
))表示随机抽取样本R
i
的概率；diff(A,R1,R2)表示用于计算随机抽取样本R1和R2在A特征上的差值；H
j
表示与随机抽取样本相同类别的样本中的第j个邻近样本；*表示乘积；其中，R1[A]表示随机抽取样本R1的A特征；R2[A]表示随机抽取样本R2的A特征；max(A)表示最大A特征；min(A)表示最小A特征。6.根据权利要求3所述用于网络入侵检测的方法，其特征在于，在所述预设一个网络入侵数据集，对所述网络入侵数据集进行冗余和降维处理；同时，对所述网络入侵数据集中的少数类样本进行过采样处理，并对所述网络入侵数据集中的多数类样本进行聚类欠采样处理；得到样本类别均衡数据集的步骤中，利用Borderline
‑
SMOTE算法对所述UNSW
‑
NB15网络入侵数据集中的少数类样本进行过采样处理；利用GMM算法对所述UNSW
‑
NB15网络入侵数据集中的多数类样本进行聚类欠采样处理。7.根据权利要求6所述用于网络入侵检测的方法，其特征在于，所述利用Borderline
‑
SMOTE算法对所述UNSW
‑
NB15网络入侵数据集中的少数类样本进行过采样处理的步骤包括：所述Borderline
‑
SMOTE算法将所述UNSW
‑
NB15网络入侵数据集中的少数类样本集合B分为噪声样本、危险样本和安全样本；在所述少数类样本集合B中随机抽取样本X
b
，分别计算所述少数类样本集合B中所有样本到所述随机抽取样本X
b
的欧氏距离，从中选取k
b
个邻近样本，并将所述k
b
个邻近样本中的所有多数类样本组成集合k
’
b
；比较所述k
...

【专利技术属性】
技术研发人员：杨光，钞苏亚，聂敏，贾瑞红，吴朝阳，晋博琛，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：