[发明专利]基于可持续性集成学习的入侵检测方法及入侵检测系统有效
| 申请号： | 201711156164.3 | 申请日： | 2017-11-20 |
| 公开（公告）号： | CN108023876B | 公开（公告）日： | 2021-07-30 |
| 发明（设计）人： | 李兴华;钟成;许勐璠;刘海;张会林;马建峰 | 申请（专利权）人： | 西安电子科技大学 |
| 主分类号： | H04L29/06 | 分类号： | H04L29/06;G06N20/20 |
| 代理公司： | 西安长和专利代理有限公司 61227 | 代理人： | 黄伟洪;何畏 |
| 地址： | 710071 陕西省*** | 国省代码： | 陕西;61 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明属于网络入侵检测技术领域，公开了一种基于可持续性集成学习的入侵检测方法及入侵检测系统，将个体学习器的类概率输出和分类置信度乘积作为训练数据构建多类别的回归模型，使集成学习的决策过程对攻击类型具有适应性以提高检测精度，模型更新阶段将历史模型的参数和决策结果加入新模型的训练过程，完成模型的增量式学习。本发明采用多回归模型的集成学习融合方案，细粒度的分配了在对不同攻击类型检测过程中个体学习器的决策权重，并通过将历史模型的参数和结果用于训练新的模型，提高了检测模型的稳定性并保证了学习过程的可持续性。并将实验结果与现有的MV、WMV方案对比验证了本发明在准确率、稳定性和可持续性。 | ||
| 搜索关键词： | 基于 持续性 集成 学习 入侵 检测 方法 系统 | ||
【主权项】：
1.一种基于可持续性集成学习的入侵检测方法，其特征在于，所述基于可持续性集成学习的入侵检测方法将个体学习器的类概率输出和分类置信度乘积作为训练数据构建多类别的回归模型，使集成学习的决策过程对攻击类型具有适应性；模型更新阶段，将历史模型的参数和决策结果加入新模型的训练过程，完成模型的增量式学习。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西安电子科技大学，未经西安电子科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201711156164.3/，转载请声明来源钻瓜专利网。
