[发明专利]基于深度神经网络DNN的入侵检测方法、装置及可读存储介质

说明书

本公开实施例提供了一种基于深度神经网络DNN的入侵检测方法、装置及可读存储介质，可以用于解决数据集不平衡性问题，而且集成模型对样本的分类具有较高的检测率。本公开实施例包括：获取网络数据的每一维特征的数据分布；根据所述数据分布进行数据采样，得到训练数据集；利用所述训练数据集对n个深度神经网络进行分类训练，得到n个DNN分类器，其中，n为大于或等于2的整数；采用多分类AdaBoost集成算法对n个DNN分类器进行集成，得到集成模型；根据所述集成模型对网络数据进行检测。

技术领域

本公开涉及入侵检测领域，特别涉及一种基于深度神经网络DNN的入侵检测方法、装置及可读存储介质。

背景技术

近年来，网络技术高速发展的同时也带来了很多网络安全隐患问题。传统用的入侵检测算法面对复杂、高维的网络数据特征时，无法达到高性能、高准精度和准确率的要求，而深度学习方法具有自动地从数据样本的低级特征中学习，然后将它们组合成能够代表样本数据的高级潜在特征的优势。

发明内容

本公开实施例提供了一种基于深度神经网络DNN的入侵检测方法、装置及可读存储介质，可以用于解决数据集不平衡性问题，而且集成模型对样本的分类具有较高的检测率。所述技术方案如下：

根据本公开的第一方面，提供了一种基于深度神经网络DNN的入侵检测方法，所述方法包括：

获取网络数据的每一维特征的数据分布；

根据所述数据分布进行数据采样，得到训练数据集；

利用所述训练数据集对n个深度神经网络进行分类训练，得到n个DNN分类器，其中，n为大于或等于2的整数；

采用多分类AdaBoost集成算法对n个DNN分类器进行集成，得到集成模型；

根据所述集成模型对网络数据进行检测。

在一个可选的实施例中，所述方法还包括：

获取所述训练数据集的标签信息；

根据所述标签信息对训练数据集进行分类，得到k个子数据集。其中，k为大于或等于2的整数；

所述利用所述训练数据集对n个深度神经网络进行分类训练包括：

向n个深度神经网络的每一个输入k个子数据集中的其中一个或者多个；

利用对应输入的子数据集对n个深度神经网络进行分类训练。

在一个可选的实施例中，所述方法还包括：

根据预设类别对所述训练数据集的全部或者部分数据进行标签化处理。

在一个可选的实施例中，所述n个深度神经网络具有不同的网络结构和结束条件。

在一个可选的实施例中，所述获取网络流量的每一维特征的数据分布包括：

通过深度神经网络构建生成模型，所述生成模型用于学习网络流量的每一维特征的数据分布；

利用所述生成模型获取网络流量的每一维特征的数据分布。

根据本公开的第二方面，提供了一种基于深度神经网络DNN的入侵检测装置，所述装置包括：

第一获取模块，用于获取网络数据的每一维特征的数据分布；

采样模块，用于根据各一维特征的数据分布进行数据采样，得到训练数据集；

训练模块，用于利用所述训练数据集对n个深度神经网络进行分类训练，得到n个DNN分类器，其中，n为大于或等于2的整数；

集成模块，用于采用多分类AdaBoost集成算法对n个DNN分类器进行集成，得到集成模型；