[发明专利]基于加权距离度量以及矩阵分解的入侵检测方法及装置

权利要求书

1.一种基于加权距离度量以及矩阵分解的入侵检测方法，其特征在于，所述方法包括：

对原始数据集进行预处理，获得高维向量组；

基于随机梯度下降的矩阵分解算法对获得的所述高维向量组进行降维处理，获得低维向量组；

对获得的所述低维向量组进行加权闵可夫斯基距离度量；

基于所述加权闵可夫斯基距离度量和预定的聚类算法对预处理后的数据集进行检测，获得检测结果；

所述对原始数据集进行预处理包括：

对原始数据集中的连续型数据点，将其数据取值从[min，max]映射到[0，1]区间；

对原始数据集中的非数值型数据点，将其离散化后，通过编码映射成数值，或者直接在所述距离度量中进行比较；

所述基于所述加权闵可夫斯基距离度量和预定的聚类算法对预处理后的数据集进行分析，获得分析结果包括：

根据预处理后的数据集随机生成多个质心；

基于所述加权闵可夫斯基距离度量，计算预处理后的数据集中每个数据点与各质心的距离；

将所述数据点分配到距离其最近的质心所属的簇中；

将分配后的簇按照其包含的数据点的个数进行排序，将簇中数据点的个数最大的簇判定为正常簇，其余的簇判定为异常簇。

2.如权利要求1所述的方法，其特征在于，所述基于随机梯度下降的矩阵分解算法对获得的所述高维向量组进行降维处理，获得低维向量组包括：

对于所述高维向量组V，将其分解成两个矩阵W与H，其中，V＝W×H，W为基矩阵，H为权矩阵，基矩阵中的每一列代表基向量，权矩阵中的每一列代表与基矩阵中基向量对应的编码系数；

迭代求解W和H，并基于随机梯度下降的矩阵分解算法判断每次迭代过程中目标函数是否达到极小值，所述目标函数y＝∑∑(V_ij-W_i^T H_j)²,其中i，j表示矩阵的行和列，i≥0、j≥0,W^T为W的转置矩阵；

若是，获得该次迭代过程中的权矩阵H；

基于获得的该次迭代过程中的权矩阵H对获得的所述高维向量组进行降维处理，获得低维向量组。

3.如权利要求1所述的方法，其特征在于，所述对获得的所述低维向量组进行加权闵可夫斯基距离度量的公式为：

d(xi,xj)=[Σk=1nwk|xik-xjk|p]1p]]>

其中，x_l、x_j为低维向量组，x_lk表示第i个点的第k维坐标，x_jk表示第j个点的第k维坐标，w_k为对应的权值，n、p为大于0的整数。