[发明专利]一种入侵检测方法、系统、设备及可读存储介质

说明书

本申请实施例公开了一种入侵检测方法、系统、设备及可读存储介质，通过DRN残差块结构，将卷积层替换为全连接层，简化网络结构、加速训练过程；将跳层连接之后的激活函数层移至跳层连接之前，更有效地解决了梯度消失、梯度爆炸与网络“退化”问题；为了提升SAE‑DRN检测算法的泛化能力，使用EBAS优化SAE‑DRN算法的网络层数以及各层神经网络中神经元的个数。为避免EBAS算法陷入局部最优，设计了全方位变步长搜索算法、最优位置更新策略以及回溯式步长更新法则。实验结果表明，SAE‑DRN入侵检测算法能够很好适应各种入侵检测数据集，有效提升入侵检测的准确率、精确度、召回率与F1值，降低入侵检测的误判率。

技术领域

本申请实施例涉及人工智能技术领域，具体涉及一种入侵检测方法、系统、设备及可读存储介质。

背景技术

网络技术高速发展的同时，计算机病毒、网络入侵纷至沓来，给网络安全带来极大挑战。随着攻击者技术水平的不断提升，网络攻击呈现出越来越隐蔽，带来的危害也越来越大，如何发现并抵御网络攻击成为网络安全人员面临的核心问题。入侵检测系统(Intrusion Detection System，IDS)能够通过网络数据分析，有效识别异常入侵信息，进而对入侵数据进行拦截，极大降低网络攻击的成功率。与其它网络安全系统不同，IDS属主动网络安全防护技术，对网络入侵数据的检测近乎实时，在威胁产生时即可激活防御措施，避免安全威胁作用范围的进一步扩大，从而将网络安全威胁造成的危害降低至最低限度，所以IDS在保障网络安全方面是一项非常重要的技术。

目前，国内外相关学者对入侵检测算法进行了深入研究，提出了多种入侵检测算法，使用的方法包括机器学习、数理统计、神经网络、遗传进化等，并广泛应用于传统互联网络、物联网、工业互联网等不同领域，实现了对不同网络安全事件的有效预警与评估。但是，传统方法普遍存在噪声数据敏感、过拟合以及算法复杂度高等不足，且部分方法泛化能力较弱，难以适应网络攻击类型与攻击手法的差异与多变。

发明内容

为此，本申请实施例提供一种入侵检测方法、系统、设备及可读存储介质，是一种基于稀疏自编码器(Sparse AutoEncoder，SAE)与深度残差网络(Deep Residual Network，DRN)相结合的入侵检测算法(SAE-DRN)。重新设计了DRN残差块结构，并将卷积层替换为全连接层，简化网络结构、加速训练过程；将跳层连接之后的激活函数层移至跳层连接之前，更有效地解决了梯度消失、梯度爆炸与网络“退化”问题；为了提升SAE-DRN检测算法的泛化能力，基于天牛须搜索算法(Beetle Antennae Search，BAS)设计了一种改进天牛须搜索算法(EBAS)，并使用EBAS优化SAE-DRN算法的网络层数以及各层神经网络中神经元的个数。为避免EBAS算法陷入局部最优，设计了全方位变步长搜索算法、最优位置更新策略以及回溯式步长更新法则。实验结果表明，SAE-DRN入侵检测算法能够很好适应各种入侵检测数据集，有效提升入侵检测的准确率、精确度、召回率与F1值，降低入侵检测的误判率。

为了实现上述目的，本申请实施例提供如下技术方案：

根据本申请实施例的第一方面，提供了一种入侵检测方法，所述方法包括：

步骤1：根据任务性质确定问题簇的数目，构建基于问题簇的全方位变步长搜索算法，并初始化天牛的寻优方向、寻优次数、迭代步长、以及每次迭代后步长的衰退因子λ；

步骤2：执行EBAS算法并输出超参数，将EBAS算法输出的超参数传入SAE模块以及DRN模块，确定所述SAE模块以及DRN模块中网络的层数以及各层神经元的个数；

步骤3：针对不同入侵检测数据集进行归一化处理，得到混合、归一化后的数据集X；

步骤4：将所述数据集X输入至所述SAE模块，并对所述SAE模块进行预训练；

步骤5：将步骤4中获得的数据集X的特征数据输入至所述DRN模块，并训练所述DRN模块；