[发明专利]入侵检测方法、装置、设备及存储介质

说明书

本发明涉及人工智能领域，公开了一种入侵检测方法、装置、设备及存储介质，该方法包括：从数据库中获取样本数据集，并确定其中的所有特征；基于特征选择算法，对所有特征进行一次特征选择，得到候选特征集；计算候选特征集中特征在组合模型中的权重分布，进行二次特征选择，得到最优特征子集；根据最优特征子集进行初始入侵检测模型的训练；并基于联邦学习框架，得到入侵检测模型；获取待检测数据，并将待检测数据输入入侵检测模型中，则到检测分类结果，若检测分类结果为入侵行为，则进行预警。本方法通过对全局数据进行两步特征选择，提高联邦学习的训练效率和识别入侵行为的准确性，此外，本发明还涉及区块链技术，数据库可存储于区块链中。

技术领域

本发明涉及人工智能领域，尤其涉及一种入侵检测方法、装置、设备及存储介质。

背景技术

互联网给人们日常生活和工作提供便利的同时也产生了恶意行为的涌现，如销售假冒商品的山寨网页、盗取用户金钱或个人信息的钓鱼网页；攻击者通过大量恶意流量数据攻击计算机系统，导致计算机瘫痪；注入木马病毒控制主机实施恶意行为等。如何通过入侵检测技术来识别计算机网络中的入侵行为成为互联网安全领域的一个重要研究问题。

入侵检测技术在引入联邦学习可以在保证数据安全的情况下联合多个安全机构扩充数据量，并在检测受损物联网设备取得了优秀的效果。但也正因为联邦学习扩充了数据量的原因，导致存在网络流量数据样本中大量特征不相关、不完整和冗余的问题，使得攻击检测的分类准确性不高，训练时间长。

发明内容

本发明的主要目的在于解决现有的联邦学习进行入侵检测的精确度低的技术问题。

本发明第一方面提供了一种入侵检测方法，包括：从预设的数据库中获取样本数据集，并确定所述样本数据集中的所有特征；基于预设的特征选择算法，对所述样本数据集中的所有特征进行数据优劣评估，从所有特征中进行一次特征选择，得到所述样本数据集的候选特征集；计算所述候选特征集中的特征在预设的组合模型中的权重分布，根据所述权重分布进行二次特征选择，得到最优特征子集；将所述最优特征子集作为训练样本进行模型训练得到初始入侵检测模型；将所述初始入侵检测模型的模型参数和权重上传至中心服务器中进行整合以使所述中心服务器进行联合训练任务生成全局模型；将所述中心服务器返回的所述全局模型的模型参数和权重作为所述初始入侵检测模型的模型参数和权重，并利用预设的损失函数对所述训练样本进行计算，得到损失函数值若所述损失函数值小于预设阈值，则根据初始入侵检测模型的模型参数和权重得到入侵检测模型；获取待检测数据，并将所述待检测数据输入所述入侵检测模型中，则到检测分类结果，其中，所述入侵分类结果包括正常行为或入侵行为；若所述检测分类结果为入侵行为，则生成预警信号，将所述预警信号发送至工作人员的终端，以进行入侵检测预警。

可选的，在本发明第一方面的第一种实现方式中，所述特征选择算法包括信息增益算法和卡方检验算法，在所述基于预设的特征选择算法，对所述样本数据集中的所有特征进行数据优劣评估，从所有特征中进行一次特征选择，得到所述样本数据集的候选特征集之前，还包括：确定所述样本数据集中的所有特征的特征数量；判断所述特征数量是否大于预设数量；若是，则所述特征选择算法使用信息增益算法进行特征选择；若否，则所述特征选择算法使用卡方检验算法进行特征选择。

可选的，在本发明第一方面的第二种实现方式中，当所述特征选择算法为信息增益算法时，所述基于预设的特征选择算法，对所述样本数据集中的所有特征进行数据优劣评估，从所有特征中进行一次特征选择，得到所述样本数据集的候选特征集包括：根据信息增益算法，计算所述样本数据集的整体熵，并计算所述样本数据集中各特征的条件熵；根据所述整体熵和各特征的条件熵，计算所述样本数据集中各特征的信号增益值；将所述信号增益值大于预设增益值的特征作为候选特征，得到所述候选特征集。