[发明专利]一种入侵检测方法、系统、设备及可读存储介质

权利要求书

1.一种入侵检测方法，其特征在于，所述方法包括：

步骤1：针对KDDCup99、NSL-KDD、UNSW-NB15数据集存在的字符特征进行归一化处理，得到数值型数据，形成标准化数据集；

步骤2：定义DBN-EGWO-KELM神经网络模型参数；

步骤3：对所述标准化数据集进行预训练，确定网络节点权值，并获得DBN特征降维后的数据；

步骤4：将特征降维后的数据按比例分为训练集、验证集和测试集；其中，将训练集和验证集的数据输入到EGWO-KELM有监督分类模型中进行训练，以调整有监督分类模型；

步骤5：利用所述DBN-EGWO-KELM神经网络模型对KELM分类器进行参数优化，输出最优E、s参数并应用于所述KELM分类器；

步骤6：形成EGWO-KELM有监督分类模型；将训练集和验证集数据输入到EGWO-KELM有监督分类模型中进行训练；

步骤7：调整并找到最佳的分类模型，输出最优的EGWO-KELM分类模型；

步骤8：输入入侵检测测试集数据并输出结果；

所述利用所述DBN-EGWO-KELM神经网络模型对KELM分类器进行参数优化，输出最优E、s参数并应用于所述KELM分类器，包括：

步骤a：根据Tent映射及初始化狼群，设置最大迭代次数；

步骤b：更新狼的位置信息及进行内层及外层围捕策略；

步骤c：使用5-CV方法计算得到交叉验证准确率，并将所述交叉验证准确率作为个体适应度，以对分类器参数实施评估；

步骤d：判断是否满足迭代停止条件，不满足则转到步骤b，否则输出最优参数及最优模型；

灰狼位置更新策略如下式所示：

为ω与α之间的距离，为对应的方向向量，为区间[0，1]内的随机小数向量，为对应的步长向量。

2.如权利要求1所述的方法，其特征在于，所述交叉验证准确率按照下列公式计算：

其中，是分类模型在第i折上验证后的准确率，为分类器除去第i折之后的数据集训练得到的分类模型；每个分类模型的分类准确率平均值为交叉验证准确率。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：

采用5-CV方法产生随机训练集、验证集和测试集，再将训练得到的5个分类模型的平均准确率作为KELM分类器的评价指标，以使得所述KELM分类器在指定数据集上具有最高分类准确率的相关参数。