[发明专利]一种基于集成学习的入侵检测方法

权利要求书

1.一种基于集成学习的入侵检测方法，其特征是所述方法包括以下步骤：

步骤1：使用核主成分分析从网络安全设备日志的属性x₁，x₂，L，x_n中提取入侵检测所需要的时间监测点i的特征数据

步骤2：将特征数据结合时间监测点i的网络安全态势yⁱ构造成集成学习Boosting算法中弱学习算法可读的训练样本集S_train；

步骤3：利用集成学习Boosting算法对训练样本集S_train进行迭代训练得到满足误差要求的弱学习机序列h，再利用对弱学习机序列h加权求和的方法得到强学习机H；

步骤4：利用强学习机H完成当前入侵检测分析。

2.根据权利要求1所述的一种基于集成学习的入侵检测方法，其特征是所述弱学习算法为核心向量机。

3.根据权利要求1所述的一种基于集成学习的入侵检测方法，其特征是所述步骤1包括以下步骤：

步骤1.1：将属性x₁，x₂，L，x_n的数据利用核函数变换Φ：从Rⁿ空间映射到Hilbert空间，得到Hilbert空间中的数据Φ1i(x),Φ2i(x),Λ,Φni(x);]]>

步骤1.2：在Hilbert空间中计算各分量的协方差矩阵C；

步骤1.3：求解协方差矩阵C所对应的特征方程λυ＝Cυ中的特征值及非零特征值对应的特征向量υ，并将特征向量υ的表达式为

步骤1.4：求解α_q，可得特征向量α的对偶特征方程mλα＝Kα；

步骤1.5：将特征向量α单位化；

步骤1.6：计算各Φ_q(x)在特征向量υ上的投影g_q(x)；

步骤1.7：将所有投影g_q(x)组合成一个矢量g(x)＝[g₁(x)，Λ，g_n(x)]^T作为样本的特征向量；

步骤1.8：用比值表示分量g_q(x)对样本总体方差的贡献度，按贡献度从大到小排序，最终选取前指定个最大的特征值λ_q对应的特征向量υ_q构成训练样本集所需的特征数据