一种基于机器学习的入侵检测系统及方法技术方案

本发明专利技术涉及网络安全技术领域，特别涉及一种基于机器学习的入侵检测系统及方法，该系统包括：动态特征选择模块，通过强化学习策略网络动态生成特征掩码，根据动作回报函数实时选择最优特征子集；轻量化检测模块，采用深度可分离卷积结构，并实施混合精度量化与结构化剪枝，以动态ReLU为激活函数；增量学习引擎，基于本地缓存数据在线微调模型，通过基于Fisher信息矩阵的动态正则化约束权重；边缘‑云协同模块，对模型参数差异进行同态加密与差分隐私处理，并通过鲁棒联邦聚合算法更新全局模型。本发明专利技术基于轻量化边缘部署与实时增量学习，降低计算开销，提高鲁棒性。

【技术实现步骤摘要】

本专利技术涉及网络安全，特别涉及一种基于机器学习的入侵检测系统及方法。

技术介绍

1、随着物联网（iot）、5g网络和人工智能技术的快速发展，边缘计算和机器学习在实时数据处理和智能决策中的应用日益广泛。而在使用这些技术的过程中，必须要注意应对网络入侵。当前主流的网络入侵检测系统（nids）通常采用基于云中心的机器学习架构，此类系统通过集中采集全网流量数据，在云端训练复杂模型（如深度神经网络、随机森林等），依赖人工定义的特征工程规则，并将训练完成的模型下发至边缘节点执行推理，即采用静态模型部署模式。

2、然而，云端集中处理将会导致端到端的检测延迟，无法满足工业控制或其他实时场景需求，且全量特征传输会产生高昂的带宽开销。更为重要的是，静态特征工程难以适应新型攻击模式，需要耗费大量时间进行重新调整特征提取逻辑且缺乏在线进化能力。

3、因此，现需要一种轻量化、延迟低、防护性能更好的入侵检测系统以及方法。

技术实现思路

1、本专利技术的主要目的是提供一种基于机器学习的入侵检测系统及方法，旨在解决本文档来自技高网...

【技术保护点】

1.一种基于机器学习的入侵检测系统，其特征在于，包括：

2.如权利要求1所述的基于机器学习的入侵检测系统，其特征在于，所述动态ReLU的激活函数的参数由轻量子网络基于当前批次数据的统计特征生成，所述轻量子网络的输入值包括当前批次数据的均值、方差以及峰度。

3.如权利要求1所述的基于机器学习的入侵检测系统，其特征在于，所述结构化剪枝基于通道重要性评分，剪枝比例随模型推理延迟动态调整。

4.如权利要求1所述的基于机器学习的入侵检测系统，其特征在于，所述动态特征选择模块的策略网络采用双延迟深度确定性策略梯度（TD3）算法，状态空间为当前网络流量的熵值、协议类...

【技术特征摘要】

1.一种基于机器学习的入侵检测系统，其特征在于，包括：

2.如权利要求1所述的基于机器学习的入侵检测系统，其特征在于，所述动态relu的激活函数的参数由轻量子网络基于当前批次数据的统计特征生成，所述轻量子网络的输入值包括当前批次数据的均值、方差以及峰度。

3.如权利要求1所述的基于机器学习的入侵检测系统，其特征在于，所述结构化剪枝基于通道重要性评分，剪枝比例随模型推理延迟动态调整。

4.如权利要求1所述的基于机器学习的入侵检测系统，其特征在于，所述动态特征选择模块的策略网络采用双延迟深度确定性策略梯度（td3）算法，状态空间为当前...

【专利技术属性】
技术研发人员：李辉，王欢，韦志均，
申请(专利权)人：广西科技大学，
类型：发明
国别省市：