[发明专利]一种基于投票机制的人工智能主动式入侵检测方法

说明书

本发明公开了一种基于投票机制的人工智能主动式入侵检测方法，将邻近算法KNN、高斯贝叶斯、BP神经网络以及决策树4种模型实验比较，选择了高斯贝叶斯、BP神经网络以及决策树这3种模型进行投票得到对样本的检测结果，以在短时间内获得更好的效果。本发明不仅验证单个分类器的性能效果，更将集中几个分类器的优点，以投票机制进行样本的检测，构建了具有更高的检测率，对系统状态变化适应性更强的入侵检测模型，并构建模拟环境验证其检测率和准确性。

技术领域

本专利属于信息安全技术领域，具体涉及一种基于投票机制的人工智能主动式入侵检测方法。

背景技术

入侵是指未经授权的试图绕过计算机或网络的安全机制进行非法数据访问或者篡改数据等危害网络资源保密性、完整性或可用性的行为。入侵检测是一种主动的网络安全防御技术，有效弥补了静态安全防御技术的不足，能够对网络系统提供全面保护。因此，对于入侵检测技术的研究是很有必要的，而智能化的入侵检测技术是其中一个研究重点。目前网络面临越来越多的病毒，漏洞和黑客攻击，入侵检测技术作为网络安全防御的核心技术之一，能够有效地检测攻击行为。

近年来将机器学习的方法引入到入侵检测系统中已是一种趋势。目前，出现了许多基于神经网络、支持向量机、朴素贝叶斯、决策树等机器学习方法的入侵检测系统。这些检测系统的主要功能是对网络和计算机系统进行实时监控，发现和识别系统中的入侵行为或企图，给出入侵警报。但是目前的网络数据含有大量冗余与噪声的变量(特征)，导致检测模型准确率降低且检测模型的训练时间过长；各个特征之间的取值范围(值域)不尽相同，部分特征数值过大，会对最终的分类结果产生偏差，同时也会影响参数的收敛，造成分类器的训练时间的增加。

针对以上问题，引入特征选择与归一化的思想，提出基于特征选择的网络入侵检测算法。特征选择能够在尽量不降低分类精度的前提下降低特征空间的维数，去除冗余与噪声的特征，即依据一定的评价函数从原始特征集中选择与输出结果有关的或重要的特征子集。归一化是一种无量纲处理手段，将有量纲的表达式经过变换，化为无量纲的表达式，成为标量，让不同维度之间的特征在数值上具有比较性，可以避免部分数值过大的特征对分类结果造成偏差。

特征选择与归一化相结合的方法能够提升分类模型的准确率，并且缩短模型的训练时间。该方法在二类和之前很少有人涉及到的多分类领域都进行了验证。实验证明，该方法有效地提高了分类准确率，

除支持向量机外，其他两种多分类模型经过特征提取后都显著地降低了模型的训练时间，减少了系统开销。由于支持向量机的特性，所以训练时间没有太大的浮动。

但是在多分类问题中，由于KDDCup99数据集中的某些类别出现次数极少，如何从这些训练数目极少的标签中训练出准确率高、泛化能力强的模型，是未来仍需探索的问题。

发明内容

本发明目的在于提供一种基于投票机制的人工智能主动式入侵检测方法，以投票机制进行样本的检测，构建了具有更高的检测率，对系统状态变化适应性更强的入侵检测模型。

为达到此目的，本发明提供如下的技术方案：

一种基于投票机制的人工智能主动式入侵检测方法，包括以下步骤：

(1)训练过程：

1.1)首先将原始数据进行离散化，将离散化后的数据进行特征选择，对抽取出的特征子集进行归一化，最后将欲处理完的数据导入分类器进行训练；

1.2)通过训练分别建立模型，并测试比较各个模型的准确率以及训练时长；

(2)检测过程：

2.1)将原始的计算机数据输入建立的模型，选择二分类或是五分类的输出机制；

2.2)使用训练好的模型进行投票，得到新输入数据在二分类或是五分类中不同类别的可能性；