[发明专利]一种基于深度学习的网络入侵检测方法和报警系统

说明书

本发明提供了一种基于深度学习的网络入侵检测方法和报警系统，该基于深度学习的网络入侵检测方法和报警系统主要通过对入侵检测数据集进行归一化处理、可视化图像转换处理和滤波处理，以提高所述入侵检测数据集的纹理特征的清晰度，并且还构建和优化训练关于多层卷积和深度置信网络相结合的模型，并基于该模型对所述入侵检测数据集进行测试处理，以获得相应的网络入侵检测结果；可见，该基于深度学习的网络入侵检测方法和报警系统能够有效地解决现有技术直接在KDD CUP99数据集上应用入侵检测算法时，检测速度慢和准确率低下的问题。

技术领域

本发明涉及网络安全的技术领域，特别涉及一种基于深度学习的网络入侵检测方法和报警系统。

背景技术

在大数据时代，互联网相关的应用呈现爆炸式的增长，伴随着更多、更复杂的网络安全问题暴露出来，再加上黑客的攻击和网络病毒的广泛传播，为了保证网络安全，网络安全技术应运而生。入侵检测技术作为一种主动的安全防御技术，可以检测网络中未经允许的操作或非法入侵。入侵检测(Intrusion Detection，ID)是通过收集和分析计算机网络或计算机系统中若干信息，检查网络或系统中是否存在违反安全策略的行为和遭到攻击的迹象，并采取相应的对抗措施。当前，国内外学者已提出大量的入侵检测算法，如统计方法、贝叶斯推理方法、机器学习方法、神经网络、数据挖掘、遗传算法、支持向量机等方法。评判入侵检测系统的参数主要有两个，即正确率和误检率。正确率是指检测到的入侵总数占数据集入侵总数的比率，而误检率是指将非入侵行为错检测为入侵行为的比率。

然而，现有技术的入侵检测方法都是直接在粗糙的入侵检测数据集KDD CUP99上应用入侵检测算法，但是这种入侵检测模式对应的数据集基本上是过时且不可靠的。此外，这种入侵检测模式的其中一些数据集缺乏流量的多样性和数量，另外一些数据集并未涵盖各种已知的攻击，这都无法有效地实现对网络入侵快速和准确的检测。

发明内容

针对现有技术存在的缺陷，本发明提供一种基于深度学习的网络入侵检测方法和报警系统，该基于深度学习的网络入侵检测方法和报警系统主要通过对入侵检测数据集进行归一化处理、可视化图像转换处理和滤波处理，以提高所述入侵检测数据集的纹理特征的清晰度，并且还构建和优化训练关于多层卷积和深度置信网络相结合的模型，并基于该模型对所述入侵检测数据集进行测试处理，以获得相应的网络入侵检测结果；可见，该基于深度学习的网络入侵检测方法和报警系统能够有效地解决现有技术直接在KDD CUP99数据集上应用入侵检测算法时，检测速度慢和准确率低下的问题，此外，其还具有如下优点：第一、其通过将卷积神经网络和深度置信网络结合，实现对网络入侵行为的精确和高效的检测；第二、其采用优化选择的网络入侵数据特征集，并对网络连接数据进行归一化处理和可视化为图像转换处理，使其适应深度学习多层卷积和深度置信网络模型，从而提高入侵检测模型提取异常行为特征的精确度和效率。

本发明提供一种基于深度学习的网络入侵检测方法，其特征在于，所述基于深度学习的网络入侵检测方法包括如下步骤：

步骤S1，获取关于网络的入侵检测数据集，并对所述入侵检测数据集进行归一化处理；

步骤S2，将经过所述归一化处理的所述入侵检测数据集进行可视化图像转换处理；

步骤S3，将经过所述可视化图像转换处理的所述入侵检测数据集进行滤波处理，以提高所述入侵检测数据集的纹理特征的清晰度；

步骤S4，构建关于多层卷积和深度置信网络相结合的模型，并对所述模型进行优化训练处理；

步骤S5，通过与经过所述优化训练处理的模型关联的分类器，对所述入侵检测数据集进行测试处理，以获得相应的网络入侵检测结果；

进一步，所述步骤S1具体包括，