[发明专利]基于可持续性集成学习的入侵检测方法及入侵检测系统

权利要求书

1.一种基于可持续性集成学习的入侵检测方法，其特征在于，所述基于可持续性集成学习的入侵检测方法将个体学习器的类概率输出和分类器置信度乘积作为训练数据构建多类别的回归模型，使集成学习的决策过程对攻击类型具有适应性；模型更新阶段，将历史模型的参数和决策结果加入新模型的训练过程，完成模型的增量式学习；

所述基于可持续性集成学习的入侵检测方法包括以下步骤：

步骤一，集成若干机器学习算法作为个体学习器，充分检测多种攻击类型，同时改变个体学习器的输出，以类概率输出和分类器置信度乘积作为新的数据用于训练改进的融合模型以提高检测模型的适应性；

步骤二，将历史模型加入到新模型的训练过程完成在模型更新时知识的传递；

所述回归模型的构建与输出数据处理具体包括：

1)通过经过属性抽取的N个数据子集{D¹,D²,...,D^N}分别训练对应的个体学习器模型；

2)计算个体学习器在训练数据集D^k，k＝1,2，…N中的表现，通过公式和计算每个个体学习器在各个类别上的准确率并组成个体学习器的置信度向量

3)对数据集D^k中的任意实例xⁱ，通过训练完成的个体学习器给出xⁱ在所有类别上的类概率

4)将个体学习器的输出计算实例在模型中的输出，并根据集合所有个体学习器的结果作为新的实例数据，作为下一阶段的训练数据集E；

其中f(xⁱ)表示实例xⁱ的分类结果，sgn()为符号函数并且sgn(f(xⁱ)＝yⁱ)表示分类结果和实际结果相同，所得结果为1，否则为0，表示实例xⁱ在个体学习器中被分类于y_c类的概率，表示个体学习器在数据集D^k上的对于类别y_c的准确率；

所述4)中计算实例在模型中的输出公式为：

所述根据集合所有个体学习器的结果作为新的实例数据的公式为：

e^ki表示个体学习器在D^k中xⁱ的输出结果；

通过将多个回归模型作为个体学习器输出的融合模型，每次决策时分别计算不同回归模型对不同类别的判断概率，选择最大的概率结果作为最终的决策结果，具体包括以下步骤：

1)对四个个体学习器在每个实例(xⁱ,yⁱ)的不同类别的输出，在得到的数据集E中构建不同类别的数据集

2)通过数据集中的数据，分别根据建立C个类别的回归模型；

3)通过在上一阶段构造的数据集E上采用平方损失函数计算模型的损失，并通过不断优化决策模型以达到最小化损失函数；

4)对于新的数据实例xⁱ选择输出概率最高的类别作为最终的检测结果；

根据构建不同类别的数据集的公式为：

根据建立C个类别的回归模型的公式为：

计算不断优化决策模型以达到最小化损失函数为：

对于新的数据实例xⁱ通过公式选择输出概率最高的类别作为最终的检测结果；

其中表示对实例xⁱ个体学习器分别在类别y_c上的输出，0项作为预留项，当yⁱ＝y_c时y＝1，否则y＝0；为对应回归模型中的权值，|D|表示数据集D中数据的数量，Max()为求最大值的函数；

所述模型更新阶段具体包括：

1)将历史模型的所有回归模型参数传递给新模型；

2)对于新的数据集D'，训练N个个体学习器并且构建数据集E'；

3)将数据集E'中的所有数据eⁱ按照无标记的方式通过历史模型获得相应的检测结果，其中包括历史模型对eⁱ所有类别的输出类概率P_y(eⁱ)和历史模型在数据集E'中不同类别的准确率acc(E')；

4)计算所有数据eⁱ的输出结果e^(N+1)i＝acc^T(D_old)*P_y(eⁱ)，构造新的数据eⁱ＝[e¹ⁱ,e²ⁱ,...,e^Ni,e^(N+1)i,yⁱ]，得到新的数据集E″；

5)按照在原有参数的基础上计算更新新模型，以最小化均方误差，完成模型的更新；