[发明专利]一种基于多层极速学习机的网络入侵检测方法

摘要

本发明是一种基于多层极速学习机(ML‑ELM)的入侵检测方法，主要针对神经网络在入侵检测应用存在的维度高、数据大、获取标记样本难、特征难构造、训练难等问题，提出的一种高速、高精确度的入侵检测方法。它采用多层网络结构和深度学习方法抽取检测样本最高层次的抽象特征；再利用极速学习机(ELM)建立入侵检测数据的分类模型。该方法集成深度学习和无监督学习的优点，能对高维度，大数据的网络记录用较少的参数得到更好的表达，在检测速度及特征表达两个方面都具有优势。

主权项

一种基于多层极速学习机的网络入侵检测方法，主要包括：步骤1：构建多层极速学习机(ML‑ELM)算法模型ML‑ELM是在ELM‑AE(极速学习机自动编码器)的基础上进行堆叠而创造一个多层神经网络，由单层变为多层。在ELM‑AE的输出权值β负责从特征空间到输入数据的学习转换。可以根据下式计算输出权值β：β＝(I/C+HTH)‑1HTX 其中：H＝[h1,h2,…,hN]是ELM‑AE的隐层输出，X＝[x1,x2,…,xN]是它的输入数据。步骤2：通过奇异值去表达输入数据的特征由β＝(I/C+HTH)‑1HTY,奇异值分解为则可以得到：其中：u是HHT的特征向量，d是H的奇异值，是与输入数据X相关的奇异值分解得到。步骤3：用大量未标记样本对基于多层的极速学习机入侵检测训练1)输入：训练样本{xi,yj},i＝1,2,…,N,xi∈Rd,yi∈Rd2)设置好ML‑ELM的网络结构，输入训练样本数据，使得x＝y3)随机设置隐层节点参数4)当1≤i≤K‑1时，循环2)～4)计算第i层隐层输出矩阵β(i+1)5)当i＝K时，用最小二乘法计算最高层隐层输出矩阵β(K+1)步骤4：用训练得到的参数，用于多层极速学习机的入侵检测的测试步骤5：将所得到的结果与传统的基于SVM、DBN、ELM的入侵检测方法比较。