[发明专利]基于人工智能算法的软件定义网络中入侵检测方法和装置

说明书

本申请提供了一种基于人工智能算法的软件定义网络中入侵检测方法和装置，涉及互联网技术领域。该方法对软件定义网络中的流量数据集进行分析，利用随机森林算法选取与入侵检测相关的特征数据；将软件定义网络中的流量数据集的与入侵检测相关的特征数据输入组合分类器，分别导入k‑means++混合特征分类器和Adaboost混合特征分类器，输出得到各个混合特征分类器的分类结果；对各个混合特征分类器的分类结果按类别进行加权求和，得到综合分类结果，实现对入侵检测分类。可以看到，本申请实施例能够克服传统入侵检测的弊端和局限，改进算法能够更有效地选择优化特征子集，增强了网络流分类的能力，提升了对不同类别攻击的检测精度。

技术领域

本申请涉及互联网技术领域，尤其涉及一种基于人工智能算法的软件定义网络中入侵检测方法和装置。

背景技术

随着互联网技术的快速发展，新的网络技术数见不鲜，网络入侵却不断带来网络安全的问题，面对如此复杂网络环境下的攻击，如何及时发现黑客的攻击行为，尽可能抵御、减少网络上的恶意攻击、维护网络安全，这使得网络流量的监控和入侵检测变得越来越重要。

现有的入侵检测系统和设备被独立地部署在有限的区域内，很难相互合作。另外，它们通常进行基于特征的误用检测，即通过将新到来的异常行为和归纳历史数据得到的预定义规则进行匹配和比较。可以看到，现有入侵检测系统和设备大多独立部署，难以协同；此外，它们都基于特征匹配和模式比较进行检测，难以智能地识别未知攻击，亟需解决这一技术问题。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的基于人工智能算法的软件定义网络中入侵检测方法和装置。所述技术方案如下：

第一方面，提供了一种基于人工智能算法的软件定义网络中入侵检测方法，包括以下步骤：

对软件定义网络中的流量数据集进行分析，利用随机森林算法选取与入侵检测相关的特征数据；

基于k-means++算法和Adaboost算法分别构建k-means++混合特征分类器和Adaboost混合特征分类器，并基于k-means++混合特征分类器和Adaboost混合特征分类器，构建组合分类器；

将软件定义网络中的流量数据集的与入侵检测相关的特征数据输入组合分类器，分别导入k-means++混合特征分类器和Adaboost混合特征分类器，输出得到各个混合特征分类器的分类结果；

对各个混合特征分类器的分类结果按类别进行加权求和，得到综合分类结果，实现对入侵检测分类。

在一种可能的实现方式中，所述利用随机森林算法选取与入侵检测相关的特征数据，包括：

利用随机森林算法选取软件定义网络中的流量数据集中的TCP连接的基本特征、TCP连接的内容特征、基于时间的网络流量统计特征和基于主机的网络流量统计特征的数据，作为与入侵检测相关的特征数据。

在一种可能的实现方式中，基于k-means++算法和Adaboost算法分别构建k-means++混合特征分类器和Adaboost混合特征分类器，并基于k-means++混合特征分类器和Adaboost混合特征分类器，构建组合分类器，包括：

获取网络入侵检测的训练集和测试集；

对训练集和测试集中的特征数据进行数值转换处理，将分类标签转换成分类数值，将文字型特征转换为数值类型，对没有关联的特征分类数值进行编码，将字符型特征转换为哑变量覆盖原来的数值；

选取训练集的进行数值转换后的特征数据分别作为输入导入k-means++算法和Adaboost算法中，通过训练集建立k-means++混合特征分类器和Adaboost混合特征分类器；