[发明专利]一种基于多尺度特征连接卷积神经网络的入侵检测方法

摘要

本发明公开一种基于多尺度特征连接卷积神经网络的入侵检测方法，使用卷积神经网络的超强特征提取能力提取到入侵数据中的关键特征和关联特征，使得提取到的特征在各种环境下都有较强的鲁棒性，网络结构也有很强的普适性。同时利用卷积自编码器和未标注数据对卷积层组参数进行预训练，使得网络即使在标注数据量较少的情况下也能够获得很好的效果，解决了大量数据标注困难的问题。当训练的卷积神经网络达到要求之后保存网络参数，之后的系统部署过程不需要再次进行训练，给系统的实施和部署带来了便利。当采集到新的网络入侵数据，之前训练的权重可以作为初始值载入网络进行微调训练，该入侵检测网络可以寻求到更优的性能。

主权项

1.一种基于多尺度特征连接卷积神经网络的入侵检测方法，其特征是，具体包括步骤如下：步骤1、采集网络中的历史数据形成总数据集D；步骤2、随机从总数据集D中选取部分数据形成抽选数据集D′，并将抽选数据集D′分为训练集STrain和测试集STest；步骤3、根据入侵数据的真实情况，为训练集STrain和测试集STest中的数据打上入侵类型的标签；步骤4、将总数据集D中除去抽选数据集D′所剩余的数据组成剩余数据集步骤5、将剩余数据集中的数据送入初始的基于多尺度特征连接卷积神经网络中进行无监督预训练；步骤6、在无监督预训练结束时，保留初始的基于多尺度特征连接卷积神经网络中卷积层的所有参数W；步骤7、将步骤6所得到的卷积层的所有参数W加载回初始的基于多尺度特征连接卷积神经网络的卷积层中，得到预训练的基于多尺度特征连接卷积神经网络；步骤8、将训练集Strain中的数据送入步骤7所得到的预训练的基于多尺度特征连接卷积神经网络中进行监督训练；步骤9、在监督训练过程中，使用反向传播算法训练网络参数，每隔一定的训练批次使用测试集STest中的数据验证网络的正确率，当正确率达到设定的阈值时，则将当前预训练的基于多尺度特征连接卷积神经网络中各层的所有参数Wa保存下来；步骤10、将步骤9所得到的各层的所有参数Wa对应加载回预训练的基于多尺度特征连接卷积神经网络的各层中，得到最终基于多尺度特征连接卷积神经网络；步骤11、当需要进行网络数据的入侵检测时，将需要检测的网络数据送入步骤10所得到的最终基于多尺度特征连接卷积神经网络中，即预测得到的入侵检测结果。