[发明专利]一种基于对抗模型的网络入侵检测方法及装置

说明书

本发明属于网络行为分析和安全技术领域，尤其为一种基于对抗模型的网络入侵检测方法及装置，包括以下步骤：S1、通过大量的数据收集，获取大量的个人上网行为数据，给它们做好标签，分类存放；S2、数据集的划分真实数据和生成数据两个部分，并对生成的最后模型进行论证比较分析；S3、对于其中的数据进行清洗和整理，寻找时间序列的关系；能够作用于网络异常行为入侵检测时，可对网络行为做出判断与预测，分类得到精准的行为标签，并且通过实时跟踪，对被分类为存在异常行为的后续动作实时跟踪，判断模型的准确性，通过建立对抗神经网络模型，模拟异常行为的发生，对判断器模型进行不断的优化和改进，达到较高的判断准确率。

技术领域

本发明属于网络行为分析和安全技术领域，尤其为一种基于对抗模型的网络入侵检测方法及装置。

背景技术

生成对抗网络GAN(Generative Adversarial Networks)源于Goodfellow团队的研究，是最新的神经网络中的一种。它源自于博弈论中的纳什均衡，GAN由两个相互对立的模拟器和检测器组成，主要任务是学习原始数据中的数据关系模型，利用学习到的关系去形成新的数据样本数据集，供给检测器检测，优化参数。由于GAN可以最大限度地恢复原始数据的特性，因此在风格迁移等环境中应用十分广泛。

通过纳什博弈数据，我们研究两种网络，一种是生成网络G，另一种是识别网络D，在GAN中，G尽量去学习原始数据，试图欺骗D，逃过D的检验，然而D的作用是，尽可能提升自己的检测参数，更好地发现G的欺骗手段，GAN的学习过程就是一种竞技成长的过程，其公式表示为：

Min max V(D,G)＝Ex～pdata(x)[logD(x)]+Ez～pz(z)[log(1-D(G(z)))](1)

其中的V(D,G)为价值函数，从公式来看，表现出了不用公式化描述数据的分布类型，而是直接进行了抽样训练模式，而且GAN在理论上达到了可以完全逼近真实数据分布的目的，展现出了GAN与其他网络不同的优势。

入侵检测模型是一种主动的网络安全防护技术，在物联网，车联网和区块链等技术快速发展的时代，起着越来越重要的作用。如何从数亿万记的数据流中寻找出异常的行为模式变得至关重要，也已经成为新的入侵检测技术的核心发展方向。入侵检测的基本思路是对网络数据流量特征的分析与研究，建立一个完善的模型，并对不同的动作行为进行分析，完成区分标注。但是基于传统的数据挖掘方法下的入侵检测系统，存在识别率低，速度慢，跟踪不及时的缺点。本发明引入深度学习技术和对抗神经网络概念，建立一个能够对抗学习的检测模型和生成模型，以提高识别的精确度和执行效率。

发明内容

为解决上述背景技术中提出的问题。本发明提供了一种基于对抗模型的网络入侵检测方法及装置，能够作用于网络异常行为入侵检测时，可对网络行为做出判断与预测，分类得到精准的行为标签，并且通过实时跟踪，对被分类为存在异常行为的后续动作实时跟踪，判断模型的准确性，并且通过建立对抗神经网络模型，模拟异常行为的发生，对判断器模型进行不断的优化和改进，达到较高的判断准确率。

为实现上述目的，本发明提供如下技术方案：一种基于对抗模型的网络入侵检测方法，包括以下步骤：

S1、通过大量的数据收集，获取大量的个人上网行为数据，给它们做好标签，分类存放；

S2、数据集的划分真实数据和生成数据两个部分，并对生成的最后模型进行论证比较分析；

S3、对于其中的数据进行清洗和整理，寻找时间序列的关系；

S4、通过生成网络G和判别网络D不断博弈，进而使生成网络G学习到数据的分布，基于检测生成，训练完成后，生成网络G从一段随机行为中生成逼真的网络行为；

S5、将学习的数据，放入模型中，进行训练，调整模型的参数，将两类分类开来，同时，将数据输入模型G中，学习他的模式，不断地对抗训练；