[发明专利]一种基于集成学习的无线传感网入侵检测方法

权利要求书

1.一种基于集成学习的无线传感网入侵检测方法，其特征在于：该方法包括以下步骤：

S1：从层次结构无线传感网中收集到各个节点的数据，将数据进行预处理，抽取出每个节点的特征集，将符号特征转化为数值；

S2：将每一个特征值进行归一化；

S3：使用特征选择算法从预处理后的特征集筛选出最优特征集；

S4：使用改进的SVM(Support Vector Machine)算法作为弱分类器，结合筛选出来的最优特征训练集进行训练；

S5：使用Adaboost集成学习算法对训练出来的弱分类器组合起来，形成强分类器，再利用训练出来的强分类器对实际数据进行测试，分辨出无线传感网正常节点和异常节点；

所述步骤S3中，筛选出最优特征集：从层次结构无线传感网中收集到各个节点的数据，将数据进行预处理，抽取出每个节点的特征集，使用基于主成分分析方法(PrincipalComponent Analysis,PCA)的特征选择算法对安全数据维度进行降维处理，具体算法如下：

无线传感网内节点数：假设给定样本{X₁,X₂,...,X_N}，X是输入的n维特征值数据，求得其均值μ，

X的协方差矩阵为：

协方差矩阵C的特征值的解：

Cν_i＝λ_iν_i

其中，λ_i为特征值，ν_i为对应的特征向量，i＝1,2,...,n；

计算m个最大特征向量，m最大特征向量代表低维向量的特征值数据样本，m＜n，令：

Φ＝[v₁，v₂,...,v_m]

Λ＝diag[λ₁,λ₂,...,λ_m]

所以：

CΦ＝ΦΛ

当精确参数k表示m最大特征向量的估计精度时，用下面的等式表示：

根据精确参数k，选择出最优的特征向量数，而精确参数k由Kaiser经验法则求得：按照相关矩阵计算出特征向量的主成分，然后取特征值超过1的对应特征向量的主成分；

所述步骤S4中，先对SVM算法的核函数进行改进，使SVM能处理非线性数据，将数据映射到高维空间，然后将改进的SVM算法作为弱分类器；

将处理后的n条特征集作为训练集其对应的标记数据集为y₁,y₂,…,y_n∈{-1,1}，其-1代表被入侵的数据，1代表正常节点数据；初始化训练集的权重分布，第一次迭代开始对每一个训练集赋予相同的权重，D₁代表第一次迭代训练集权重分布，

D₁＝(w₁₁,w₁₂,...,w_1i,...,w_1N),

然后结合弱分类器进行训练，在这些训练集中找到一个最大边距的超平面，用于区分出正常节点和非正常节点；

假设M为超平面的边距，为了最大化M：

是超平面的法向量，表示从输入空间到特征空间的映射，其中

(1)式等价于：

(2)式等价于：

引入Soft Margin软边距代替Hard Margin硬边距，因此

其中是允许惩罚违反约束限制的松弛变量，C是用于权衡大边距和约束之间的控制参数；

为了增加SVM对非线性数据的处理性能，需要对其设置核函数，假设从输入空间到特征空间的映射可以通过一个向量参数p去找到一个向量参数p和最大边距的超平面，不同向量参数p对应不同的特征空间，由于在两个不同的特征空间中不能直接比较，需要对边距进行归一化处理：

如果p是固定的，则找到最大边距的超平面的归一化边距等价于找到最大的正常边距，让则表示为

(4)式等价于：

(5)式等价于：

引入Soft Margin软边距去代替Hard Margin硬边距，因此

最后求得分离超平面为：

相对应的分类决策函数为：

计算出得到最大的边距；

所述步骤S5中，将弱分类器设为G_m(x)，计算出弱分类器得到的超平面分类器在训练集中的分类误差率e_m：

误差率e_m就是被G_m(x)错误分类的权重之和，

然后，计算出G_m(x)在最终分类器的权重α_m：

这样完成第一次迭代，然后重新更新训练集中权重分布，进行下一步迭代：

D_m+1＝(w_m+1,1,w_m+1,2,...,w_m+1,i,...,w_m+1,N),i＝1,2,...,N

随着不停的迭代算法训练之后，被弱分类器错误分类的训练样本的权重会增大，而被正确分类的样本的权重会减少，其中为归一化因子，使D_m+1成为一个概率分布；

最后将训练出来的弱分类器组装起来：

得到强分类器：

再利用训练出来的强分类器对实际数据进行测试，分辨出无线传感网正常节点和异常节点。

2.如权利要求1所述的一种基于集成学习的无线传感网入侵检测方法，其特征在于：所述步骤S2中，将收集到的特征值利用公式进行归一化处理，其中i(x)表示未经过归一化的特征值，V_min(x)表示未经过归一化的特征值的最小值，V_max(x)表示未经过归一化的特征值的最大值，N_i(x)表示归一化后的特征值，范围在0～1之间。