[发明专利]一种高精度的网络入侵检测系统

权利要求书

1.一种高精度的网络入侵检测系统，其特征是，包括数据采集模块、数据存储模块、数据预处理模块、网络入侵检测模块和报警模块，所述数据采集模块用于实时获取网络统计数据，所述数据存储模块用于对获取的网络统计数据进行存储，所述数据预处理模块用于提取所述网络统计数据的特征向量，并将所述特征向量转换为神经网络算法能够处理的特征向量，所述网络入侵检测模块采用神经网络算法对所述特征向量进行检测，确定所述网络统计数据属于的网络入侵类别，所述报警模块用于当检测到存在网络入侵行为时即发出警报信息。

2.根据权利要求1所述的一种高精度的网络入侵检测系统，其特征是，所述数据预处理模块包括特征提取单元和特征转换单元，所述特征提取单元用于提取所述网络统计数据的特征，所述特征转换单元用于将提取得到的特征转换为神经网络算法能够处理的特征向量。

3.根据权利要求2所述的一种高精度的网络入侵检测系统，其特征是，网络入侵检测模块包括数据收集单元、神经网络训练单元、参数优化单元和网络入侵检测单元，所述数据收集单元用于收集网络入侵的历史数据，并对所述网络入侵历史数据进行特征提取，得到网络入侵历史数据的特征向量，所述神经网络训练单元利用所述网络入侵历史数据的特征向量对采用的神经网络算法进行训练，所述参数优化单元采用改进的蝙蝠算法对神经网络算法的参数进行优化，所述网络入侵检测单元采用训练好的神经网络确定所述网络统计数据属于的网络入侵类别。

4.根据权利要求3所述的一种高精度的网络入侵检测系统，其特征是，所述参数优化单元采用改进的蝙蝠算法对神经网络算法的参数进行优化，对所述蝙蝠算法的全局最优解进行实时更新，设在t时刻蝙蝠种群的全局最优解为x_*(t)，则当前最优解x_*(t)的更新公式为：

式中，X_*(t)为在t时刻更新后的当前全局最优解，x_*(t)为在t时刻的全局最优解，x_*(t-1)为在t-1时刻的全局最优解，h(x_i(t-1))为第i个蝙蝠在t-1时刻的位置x_i(t-1)对应的适应度值，h(x_*(t))为全局最优解x_*(t)对应的适应度值，为(t-1)时刻所有蝙蝠的适应度值的均值，γ为数值较小的常数，h(x_*(t)′)为全局最优位置x_*(t)′对应的适应度值。

5.根据权利要求4所述的一种高精度的网络入侵检测系统，其特征是，所述参数优化单元采用改进的蝙蝠算法对神经网络算法的参数进行优化，设在D维空间内，第i只蝙蝠在t时刻的位置为x_i(t)，速度为v_i(t)，发出的脉冲频率f_i(t)为：

f_i(t)＝(f_max-f_min)×β

式中，f_i(t)是第i只蝙蝠在t时刻的脉冲频率，f_max为最大脉冲频率，f_min为最小脉冲频率，β为随机数；

则在t+1时刻，蝙蝠的速度和位置按照如下公式进行更新：

v_i(t+1)＝ω_i(t)*v_i(t)+(x_i(t)-X_*(t))·f_i(t)

式中，v_i(t+1)为第i只蝙蝠在t+1时刻的速度，为第i只蝙蝠在t时刻的速度，ω_i(t)为第i只蝙蝠在t时刻的惯性权重，x_i(t+1)为第i只蝙蝠在t+1时刻的位置，X_*(t)为在t时刻更新后的当前全局最优解，ω_min为最小惯性权重，ω_max为最大惯性权重，h_max为最大适应度值，h_i(t)为第i只蝙蝠在t时刻的适应度值，h_min为最小适应度值，x_i(t)为第i只蝙蝠在t时刻的位置，T_max为最大迭代次数，iter_i为当前迭代次数，rand()为[0,1]之间的常数。