[发明专利]一种基于改进学习率的深度学习网络入侵检测方法

说明书

本发明涉及一种基于改进学习率的深度学习网络入侵检测方法，通过改进深度信念网络模型在训练中的学习率及迭代次数的确定方法，利用改进的深度信念网络模型和softmax回归函数的优点建立网络入侵检测用的深度信念网络‑softmax多分类组合模型，使用公开的网络入侵检测数据集的训练数据对模型进行训练，并使用训练完成的模型对网络入侵检测数据集的测试数据进行识别分类。本发明利用自适应学习率实现模型参数的快速收敛，将优化后的深度信念网络‑softmax多分类组合模型用于入侵检测系统，可以有效提高攻击行为的识别准确率，同时能够提高检测效率。

技术领域

本发明涉及入侵检测网络安全领域，具体涉及一种基于改进学习率的深度学习网络入侵检测方法。

背景技术

入侵检测技术是一种保护用户隐私和数据的重要网络安全防御手段，为有效识别各种网络攻击，以往的研究者将各种机器学习的方法引入入侵检测中并取得突破性的进展。但是传统浅层机器学习方法在面对海量网络数据的分类问题时会受到时间和空间的限制，降低了安全防护效率。因此研究高效、可行的入侵检测方法对提高网络安全具有非常重要的意义。

基于此，面向海量数据的入侵检测方法的研究重点在于进行特征学习和降维。深度信念网络(Deep Belief Network，DBN)是由多层受限玻尔兹曼机(RestrictedBoltzmann Machine，RBM)网络和一层反向传播(Back Propagation，BP)网络依次叠加构成的一种深层神经网络，可以实现对大量无标签数据进行特征提取，显著降低数据维度，所以是解决入侵检测速度慢和分类性能低的一种极有前景的方法。

一般来说，训练DBN是一个计算上比较复杂的过程，因为它涉及到对几个RBM网络进行独立地训练，容易陷入局部最小值、收敛速度慢、模型训练难的缺陷。而随着数据量的增加，训练时带来的误差也会越来越大，预测的精度也会降低。因此选择适当的学习速率参数是提高DBN性能的重要因素。

发明内容

针对上述现有技术无法兼顾精准度高、效率高等情况，本发明提出一种基于改进学习率的深度学习网络入侵检测方法，此方法采用自适应学习速率(Adaptive LearningRate，ALR)减少训练网络模型时重建误差所需要的时间，构成改进的深度信念网络，使用softmax分类器来进行对网络入侵行为进行识别分类；将其应用到入侵检测系统中，相比以往的入侵检测技术，具有更高的准确率和更低的误检率，且能够提高检测的效率。

为实现上述目的，本发明具体技术方案如下：

一种基于改进学习率的深度学习网络入侵检测方法，包括如下步骤：

步骤1：改进深度信念网络(DBN)模型在训练中的学习率及迭代次数的确定方法；

步骤2：利用改进的深度信念网络模型和softmax回归函数建立网络入侵检测用的深度信念网络-softmax多分类组合模型；

步骤3：使用公开的网络入侵检测数据集的训练数据对步骤2的多分类组合模型进行训练；

步骤4：使用训练完成的多分类组合模型对网络入侵检测数据集的测试数据进行识别分类。

进一步地，上述步骤1包括以下步骤：

步骤1.1：令ε_ij为每个连接权重W_ij对应的学习速率，ε_ij(t)＝ψ(ε_ij(t-1))，其中ψ为ε_ij对应的变换映射规则，t为训练次数；