[发明专利]一种基于深度学习的网络入侵检测方法、装置以及设备

权利要求书

1.一种基于深度学习的网络入侵检测方法，其特征在于，包括：

采集待检测网络的流量参数；

将所述流量参数输入至预先完成训练的基于深度学习的入侵检测网络中，对所述待检测网络进行入侵检测；其中，所述基于深度学习的入侵检测网络包括输入层、图卷积层、池化层、全连接层、极限学习机层以及输出层；

完成所述待检测网络的入侵检测后，根据入侵检测结果确定所述待检测网络的入侵类型。

2.如权利要求1所述的方法，其特征在于，所述采集待检测网络的流量参数包括：

利用包含有n个拓扑节点且每个拓扑节点采集r个参数的网络拓扑采集所述待检测网络的流量参数。

3.如权利要求1所述的方法，其特征在于，所述基于深度学习的入侵检测网络的图卷积层采用Relu函数作为激活函数，采用均值滤波器作为卷积滤波器。

4.如权利要求1所述的方法，其特征在于，所述将所述流量参数输入至预先完成训练的基于深度学习的入侵检测网络中，以便对所述待检测网络进行在线入侵检测前包括：

依据预设训练批次大小及预设迭代轮数，采用预选损失函数以及预处理后的样入侵类型样本数据集对预先建立的基于深度学习的入侵检测网络进行训练，直至相邻两次训练输出结果之间误差小于预设误差阈值，完成所述基于深度学习的入侵检测网络的训练。

5.如权利要求4所述的方法，其特征在于，所述依据预设训练批次大小及预设迭代轮数，采用预选损失函数以及预处理后的样入侵类型样本数据集对预先建立的基于深度学习的入侵检测网络进行训练，直至相邻两次训练输出结果之间误差小于预设误差阈值，完成所述基于深度学习的入侵检测网络的训练包括：

将NSL-KDD数据集设为入侵类型样本数据集，对所述入侵类型样本数据集进行预处理，以便将所述入侵类型样本数据集归类为3大入侵类型及38个入侵小种类；

将训练批次大小设为30，将迭代轮数分别设为300轮，采用交叉熵作为损失函数，利用归类后的所述入侵类型样本数据对预先建立的基于深度学习的入侵检测网络进行训练，直至相邻两次训练输出结果之间误差小于预设误差阈值，完成所述基于深度学习的入侵检测网络的训练。

6.一种基于深度学习的网络入侵检测装置，其特征在于，包括：

采集模块，用于采集待检测网络的流量参数；

检测模块，用于将所述流量参数输入至预先完成训练的基于深度学习的入侵检测网络中，对所述待检测网络进行入侵检测；其中，所述基于深度学习的入侵检测网络包括输入层、图卷积层、池化层、全连接层、极限学习机层以及输出层；

确定模块，用于完成所述待检测网络的入侵检测后，根据入侵检测结果确定所述待检测网络的入侵类型。

7.如权利要求6所述的装置，其特征在于，所述采集模块具体用于：

利用包含有n个拓扑节点且每个拓扑节点采集r个参数的网络拓扑采集所述待检测网络的流量参数。

8.如权利要求6所述的装置，其特征在于，所述基于深度学习的入侵检测网络的图卷积层采用Relu函数作为激活函数，采用均值滤波器作为卷积滤波器。

9.一种基于深度学习的网络入侵检测设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述一种基于深度学习的网络入侵检测方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述一种基于深度学习的网络入侵检测方法的步骤。