基于主动学习的入侵行为检测方法、系统、设备及介质技术方案

本发明专利技术涉及基于主动学习的入侵行为检测方法、系统、设备及介质，属于基于网络流量的入侵检测研究技术领域，包括：（1）获取网络流量数据，进行特征提取，获得网络流量数据集，划分为训练集、测试集；（2）使用训练集对深度神经网络模型和标签分类器进行训练学习；（3）检测模型使用主动学习进行样本筛选及检测模型更新，检测模型即训练好的深度神经网络模型；（4）使用迭代更新后的检测模型进行入侵行为检测，输出检测结果。本发明专利技术能有效防止由深度神经网络进行类别标注可能带来的自我投毒现象发生。本发明专利技术对流量类别进行平衡操作，保证了更新后检测模型对恶意流量的敏感性，保持高效的恶意流量检测性能。

【技术实现步骤摘要】

本专利技术属于网络流量的入侵检测研究，具体涉及基于主动学习的入侵行为检测方法、系统、设备及介质。

技术介绍

1、网络安全的重要性日益突出。系统对计算资产的依赖使得它们很容易受到攻击。现有对入侵检测系统的研究大多是基于平稳的网络环境中进行的，也就是假设随着时间的动态变化，网络流量数据自身的统计特征和分布是具有平稳性的，同时训练的入侵检测分类器是静态的，不会考虑随着时间变化到达的连续数据流的特征和分布变化，即没有考虑到在真实网络环境中存在的概念漂移问题。此外，非常准确的入侵检测模型通常使用监督学习来进行模型训练，这需要处理大量带标记的网络流量样本。然而，手动标注网络流量代价高昂，而且由于概念漂移，模型需要经常使用新标注的样本进行迭代更新，以保持持续的高准确度。更重要的是，随着新的安全漏洞和网络攻击的出现，这种入侵检测分类器的检测效果将会不断下降，换句话说，入侵检测分类器一旦过时，就必须对其进行再训练或者重新构建一个新的入侵检测模型，导致了大量的成本和资源消耗，同时也造成了对新攻击类型的响应变慢。另一个问题是更新入侵检测模型时引起的延迟。理想状态下，新的模型应该本文档来自技高网...

【技术保护点】

1.基于主动学习的入侵行为检测方法，其特征在于，包括：

2.根据权利要求1所述的基于主动学习的入侵行为检测方法，其特征在于，在进行入侵检测的同时，获取所有检测模型对流量样本正确分类的置信度；包括：

3.根据权利要求2所述的基于主动学习的入侵行为检测方法，其特征在于，Softmax函数的数学表达式如下所示：

4.根据权利要求1所述的基于主动学习的入侵行为检测方法，其特征在于，利用置信度得到待测样本中的概念漂移样本以及高可信样本；包括：

5.根据权利要求1所述的基于主动学习的入侵行为检测方法，其特征在于，使用SMOTEE过采样方法对主动学习样本...

【技术特征摘要】

1.基于主动学习的入侵行为检测方法，其特征在于，包括：

2.根据权利要求1所述的基于主动学习的入侵行为检测方法，其特征在于，在进行入侵检测的同时，获取所有检测模型对流量样本正确分类的置信度；包括：

3.根据权利要求2所述的基于主动学习的入侵行为检测方法，其特征在于，softmax函数的数学表达式如下所示：

4.根据权利要求1所述的基于主动学习的入侵行为检测方法，其特征在于，利用置信度得到待测样本中的概念漂移样本以及高可信样本；包括：

5.根据权利要求1所述的基于主动学习的入侵行为检测方法，其特征在于，使用smotee过采样方法对主动学习样本集进行样本类别平衡操作，得到类别平衡的样本集。

6.根据权利要求1所述的基于主动学习的入侵行为检测方法，其特征在于...

【专利技术属性】
技术研发人员：徐丽娟，娄国庆，杨淑棉，赵大伟，陈川，宋维钊，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：