[发明专利]基于不平衡数据深度信念网络的并行入侵检测方法和系统

权利要求书

1.一种基于不平衡数据深度信念网络的并行入侵检测方法，其特征在于，包括以下步骤：

(1)获取不平衡数据集，利用领域清理规则算法对该不平衡数据集进行欠采样处理，并使用基于引力的聚类方法对欠采样处理后的不平衡数据集进行聚类处理，以得到聚类处理后的不平衡数据集；步骤(1)具体包括以下子步骤：

(1-1)获取不平衡数据集DS；

(1-2)从步骤(1-1)得到的不平衡数据集DS中获取一个样本点x以及该样本点x的k近邻数据D_k，其中k表示最近邻参数；

(1-3)获取步骤(1-2)得到的k近邻数据D_k中与样本点x的类别不同的所有样本所构成的集合N_k、以及该集合N_k中的样本数目num；

(1-4)判断步骤(1-3)获取的样本数目num是否大于或等于k-1，如果是，则转入步骤(1-5)，否则转入步骤(1-6)；

(1-5)判断样本点x的类别是否为多数类样本，如果是，则更新不平衡数据集DS为DS＝DS-x，然后进入步骤(1-6)，否则更新不平衡数据集DS为DS＝DS-N_k，然后进入步骤(1-6)；

(1-6)针对不平衡数据集DS中的剩余样本点，重复上述步骤(1-2)至(1-5)，直到不平衡数据集DS中的所有样本点都被处理完毕为止，从而得到更新后的不平衡数据集DS；

(1-7)设置计数器i＝1；

(1-8)判断i是否等于不平衡数据集DS中的样本点总数，如果是则进入步骤(1-14)，否则进入步骤(1-9)；

(1-9)从步骤(1-6)更新后的不平衡数据集DS中读入第i个新的样本点其中表示第i个样本中的第e2个特征属性值，并判断优选设置的聚类集合S是否为空，如果是则转入步骤(1-10)，否则转入步骤(1-11)，其中e2∈[1，n]；

(1-10)将样本点d_i初始化为一个新的类簇C_new＝{d_i}，同时将类簇C_new的质心μ设置为d_i，并将类簇C_new加入到聚类集合S中，转入到步骤(1-13)；

(1-11)计算聚类集合S中的每个类簇对d_i的引力，并得到引力集合G＝{g₁，g₂，…，g_ng}，并从引力集合G中得到最大引力g_max及其对应的类簇C_max，其中ng表示聚类集合S中类簇的总数；

(1-12)判断最大引力g_max是否小于设定的阈值r，如果是，则返回步骤(1-10)，否则将样本点d_i合并到类簇C_max中，并更新合并了样本点d_i后的类簇C_max的质心μ_max，然后转入步骤(1-13)；

(1-13)设置计数器i＝i+1，并返回步骤(1-8)；

(1-14)遍历聚类集合S中的所有类簇，并判断是否每个类簇中所有样本点的类型都是多数类样本，如果是，则根据采样率sr随机保存该类簇中的多数类样本，然后针对剩余类簇重复遍历过程，否则针对剩余类簇重复遍历过程；

(2)将步骤(1)获得的聚类处理后的不平衡数据集输入训练好的深度信念网络DBN模型中，以提取特征，再将提取的特征输入训练好的DBN-WKELM多分类器模型中的多个DBN-WKELM基分类器中，以得到多个初步分类结果，通过自适应加权投票法计算各个DBN-WKELM基分类器的权重，并根据多个权重和多个初步分类结果获取最终的分类结果、以及该分类结果对应的入侵行为类别。