[发明专利]一种基于混合采样与膨胀卷积相结合的入侵检测方法

权利要求书

1.一种基于混合采样与膨胀卷积相结合的入侵检测方法，其特征在于：包括如下步骤：

S1、对原始数据进行预处理，具体包括数据数值化、特征缩减、数据标准化、特征缩减；

S2、混合采样：对训练集进行混合采样来平衡数据，利用SVMSMOTE方法对训练集进行过采样，随之用GMM对过采样的训练集进行欠采样操作；

S3、将混合采样过后的训练集导入膨胀卷积神经网络模型进行训练，通过多次迭代使得模型收敛，随之用测试集对已经训练好的膨胀卷积神经网络模型进行测试，并得出分类结果。

2.根据权利要求1所述的一种基于混合采样与膨胀卷积相结合的入侵检测方法，其特征在于，对原始数据进行预处理包括：

S1.1、数值化：采用独热编码将原始数据中的符号特征转化为数值特征；

S1.2、特征缩减：对数值化后的特征进行缩减，删除数据集中的冗余和无意义的特征；

S1.3、数据标准化：对数值特征进行标准归一化，将每个数值归一到[0,1]区间；

S1.4、特征缩减：对进行标准化后的数据，堆叠一个自动编码器DAE，选择了其中权重最高的12个数据特征。

3.根据权利要求1或2所述的一种基于混合采样与膨胀卷积相结合的入侵检测方法，其特征在于：S2的具体步骤为：

S2.1、通过SVMSMOTE对数量小于N的样本数进行过采样，通过合成少数类样本来增加少数类样本的数量；

S2.2、对于样本数量多于N的样本，运用基于GMM的聚类方法对其进行欠采样；

S2.3、通过混合采样技术之后，各个类别都处于相同的数量N。

4.根据权利要求1或2所述的一种基于混合采样与膨胀卷积相结合的入侵检测方法，其特征在于：S3中使用膨胀卷积神经网络模型进行训练的步骤包括：

S3.1：将经过混合采样后的训练集数据输入膨胀卷积神经网络中(ACNN)，提取网络流量中的空间特征；

S3.2：膨胀卷积通过改变膨胀率，有效的扩展了感受野，并能一个3*3卷积核设置膨胀率为2，获得的感受野为5*5.当膨胀率为3时，感受野为7*7，同卷积核为7*7的普通卷积获得的感受野相同。

5.根据权利要求1或2所述的一种基于混合采样与膨胀卷积相结合的入侵检测方法，其特征在于，通过膨胀卷积神经网络模型来获取更广的视野，每个卷积层的膨胀率分别为2、4、8，当膨胀率为1时，膨胀卷积过后特征集中神经元数量为32；当膨胀率为2时，膨胀卷积过后特征集中神经元数量为64；当膨胀率为5时，膨胀卷积过后特征集中神经元数量为128，经过三个膨胀卷积层后，特征集可以获取原始数据包含的所有信息，在每个卷积层之后，都有一个Relu激活层，用于为模型添加非线性特征，在三个膨胀卷积层之后加入max-pooling层来防止过拟合。