[发明专利]一种基于深度残差哈希网络的入侵检测方法

权利要求书

1.一种基于深度残差哈希网络的入侵检测方法，其特征在于，包括以下步骤：

S1、对原始数据进行预处理，原始数据包括历史数据和待检测数据；

S2、根据预处理之后的原始数据构建属性特征图；

S3、构建深度残差哈希网络，并将原始数据输入该网络，分别得到历史数据的哈希值和待检测数据的哈希值；

S4、计算待检测数据与历史数据哈希值之间的汉明距离，将与待检测数据距离最近的历史数据的检查结果作为待检测数据的检测结果。

2.根据权利要求1所述的一种基于深度残差哈希网络的入侵检测方法，其特征在于，对原始数据进行预处理包括：

S11、采用独热编码将原始数据中的符号特征转换为数值特征；

S12、对数值特征进行标准归一化，将每个数值归一到[0,1]区间；

S13、利用PCA降维方法对数值特征进行降维。

3.根据权利要求1所述的一种基于深度残差哈希网络的入侵检测方法，其特征在于，构建属性特征图：

S21、使用三角形面积映射方法提取流量特征及属性间的相关性信息；

S22、根据三角形面积映射方法得到的数据构建关于流量特征及属性的矩阵；

S23、计算构建的矩阵的协方差矩阵，将该矩阵作为流量数据的属性特征图。

4.根据权利要求3所述的一种基于深度残差哈希网络的入侵检测方法，其特征在于，使用三角形面积映射方法提取流量特征及属性间的相关性信息的过程包括：

若待检测数据为X＝{x₁,x₂,...,x_n}，若第i个待检测数据x_i包括m维流量，则x_i表示为：其中表示第i个流量记录中的第j个属性特征，将待检测数据x_i投影到二维空间中，构造三角形，表示为如图1所示，三角形由O、三点构成，O为投影的二维坐标系原点。

5.根据权利要求3所述的一种基于深度残差哈希网络的入侵检测方法，其特征在于，获取三角形面积矩阵的过程包括：

计算待检测数据中由与构成的三角形的面积可以表示为：

若i＝j时，则面积为0，三角形面积矩阵表示为：

其中，为第i个待检测数据x_i基于三角形面积映射方法获取的矩阵；表示三角形的直角边长。

6.根据权利要求3所述的一种基于深度残差哈希网络的入侵检测方法，其特征在于，属性特征图表示为：

其中，C_ij＝Cov(c_i,c_j),i,j＝1,2,…n.C_ij为x_i基于三角形面积映射方法获取的矩阵中任意两个元素c_i与c_j的协方差。

7.根据权利要求1所述的一种基于深度残差哈希网络的入侵检测方法，其特征在于，深度残差哈希网络的构建方式为：

S31、构建残差模块，用于计算神经网络分类的损失和量化误差损失；

S32、构建哈希函数层，由全连接层、激活层、阈值化层构成，将输入的属性特征进行二值化变换；

S33、将残差模块、哈希函数层、池化层以及全连接层进行级联，构建深度残差哈希网络；

S34、输入历史数据对深度残差哈希网络进行训练，训练过程中计算神经网络分类的损失和量化误差损失，并优化深度残差哈希网络的网络参数。

8.根据权利要求8所述的一种基于深度残差哈希网络的入侵检测方法，其特征在于，残差模块包括第一残差子模块、第二残差子模块，第一残差子模块包括两个层结构，每层结构依次包括归一化层、卷积层和ReLu激活层；第二残差子模块包括三层结构，每层结构依次包括归一化层、卷积层和ReLu激活层；第一残差子模块与第二残差子模块的由多个层结构级联，第一残差模子模块和第二残差模子模块的输出均为该残差子模块中多个层结构级联的输出与该残差模块的输入之和，且第二残差子模块的输入为第一残差子模块的输出，残差模块的输出为第一残差子模块的输出、第二残差子模块的输出和第一残差子模块的输入经过零填充之后的累加和。