[发明专利]一种基于改进协同训练-ADBN的入侵检测算法

说明书

一种基于改进协同训练‑ADBN的入侵检测算法，包括以下步骤：1）入侵检测数据的预处理；2）基于改进协同训练算法的数据预训练；3）主动DBN数据训练算法；4）基于改进协同‑ADBN的入侵检测，很大程度上提高了入侵检测的效率与准确率，为今后的入侵检测研究提供了一种思路。

技术领域

本发明属于计算机网络信息安全技术领域，具体涉及一种基于改进协同训练-ADBN的入侵检测算法。

背景技术

互联网时代的急速来临，面临着层出不穷的安全问题。如何选择高效的方法处理互联网带来的安全隐患是我们在互联网时代面对的重要问题。入侵检测技术是互联网安全防御手段的重要一环，它的出现极大的缓解了入侵攻击带来的危害。入侵检测常用的技术分为：异常入侵检测和误用入侵检测技术两大类。其中，异常入侵检测技术因其可以检测出没有出现过的入侵攻击而受到了广泛的关注。传统的机器学习方法如神经网络、蚁群算法、支持向量机等算法都在入侵检测方面得到了有效的应用。并且，为了在海量数据下得到较高的准确率，面向入侵检测技术的深度信念网络模型也得到了成功的应用。

基于机器学习算法的入侵检测的准确率是基于大量有标签数据训练的基础上得到的。传统的依靠人为标注和立即记录获取有标记的数据样本的方法已经不能满足当今时代入侵检测的要求。如何得到这些数据，是入侵检测面临的巨大挑战。

半监督学习可以基于少量有标记样本中学习知识，并通过分类将置信度高的未标注样本重新加入训练集中，对模型进行反复训练，直到达到一个比较高的置信水平。它的优势在于，一方面它只需要相对于监督学习需要的少量标记样本，另一方面它又可以达到比非监督学习高的准确率。因此半监督学习获得了众多研究者的关注。

通常情况下半监督入侵检测算法只是考虑单一数据源对于入侵检测的作用，即从主机数据或者网络数据中进行特征提取，提取出一种类型的特征数据对于入侵进行检测，即从单视图的角度进行入侵检测。现实中，入侵行为往往表现在流量、网络等多个方面，同时考虑多个方面可以更加有效的进行入侵检测，减少误报、漏报。并且随着大数据时代的到来，大量有标记数据的获取面临着挑战，浅层的机器学习已经不能满足入侵检测准确率的要求。

发明内容

为了克服上述现有技术的不足，本发明的目的是提供一种基于改进协同训练-ADBN的入侵检测算法，首先，采用基于属性关系的多视图划分后，结合主动学习协同训练算法进行数据预训练，输出带有标签的训练数据；随后，将训练好的带标签的数据输入DBN模型中，使用预训练及反馈调节的功能寻找DBN的最优参数；最后，使用训练好的DBN模型进行入侵检测。解决了基于深度学习入侵模型高准确率需要依靠大量有标记样本数据的问题。使用结合主动学习半监督协同训练算法进行数据预训练，并使用ADBN模型进行入侵检测。该方法一定程度上提高了大数据时代网络入侵检测的准确率，减少了人工标记数据的工作量。

为了实现上述目的，本发明采用的技术方案是：

一种基于改进协同训练-ADBN的入侵检测算法，包括以下步骤：

1)入侵检测数据的预处理；

2)基于改进协同训练算法的数据预训练；

3)主动DBN数据训练算法；

4)基于改进协同-ADBN的入侵检测。

所述的入侵检测数据的预处理，采用的NSL-KDD包含41个特征的标准入侵检测公开数据集作为样本，其中包含38个离散型及3个连续型的数据特征。具体过程如下：

1、连续数据离散化

连续型数据因为不能作为数据处理的输入影响数据运算过程，本文采取连续数据离散化的方法将连续型数据转为数字型数据。例如：第二个数据特征为连续型数据用于描述tcp协议类型，离散化将tcp映射为1，udp映射为2，icmp映射为3。

2、数据归一化