[发明专利]一种基于信息熵理论结合卷积神经网络的入侵检测方法

权利要求书

1.一种基于信息熵理论结合卷积神经网络的入侵检测方法，其特征在于：所述具体步骤如下：

第一步：从数据集中获取训练数据集和测试数据集对数据集进行数据预处理；

第二步：数据预处理后的训练集传入网络模型进行训练，得到训练好的网络模型；

第三步：通过卷积圣经网络模型得到数据的概率分布及置信度通过信息熵理论来计算信息熵值进行评估；

第四步：将熵值小于阈值的数据直接由卷积神经网络输出分类结果，将大于阈值的数据进行随机森林模型进行学习再分类；

第五步：数据预处理后的测试集传入训练好的网络模型得到分类结果。

2.根据权利要求1所述的一种基于信息熵理论结合卷积神经网络的入侵检测方法，其特征在于：所述第一步对入侵检测数据集进行数据预处理具体过程如下：

(1)由于入侵检测数据集中的某些特征为字符型数据因此需将字符型数据转换成数值型数据；

(2)为了减小特征中数据分散度高以及数值大小对模型的影响因此需对转换后的数值型数据进行标准化处理；

(3)为减小模型的计算量对标准化处理后的数据进行数据归一化，使数据映射到[0,1]区间内。

3.根据权利要求1所述的一种基于信息熵理论结合卷积神经网络的入侵检测方法，其特征在于：所述第二步将处理后的网络数据对网络模型进行训练，得到训练好的网络模型具体过程如下：

(1)前向计算每个神经元的输出值；

(2)确定优化目标函数；

(3)根据卷积神经网络损失函数的梯度指引，进行前向和反向传播更新网络权值参数；

(4)重复以上三个步骤，直至网络误差小于给定值，确定最优的卷积神经网络模型。

4.根据权利要求1所述的一种基于信息熵理论结合卷积神经网络的入侵检测方法，其特征在于：所述第三步得到数据的概率分布及置信度通过信息熵理论来计算信息熵值进行评估具体过程如下：

(1)将卷积神经网络输出的概率分布通过信息熵理论进行熵值计算；

(2)通过熵值与阈值比较进而划分出需要二次学习分类的数据。

5.根据权利要求1所述的一种基于信息熵理论结合卷积神经网络的入侵检测方法，其特征在于：所述第四步将熵值小于阈值的数据直接由卷积神经网络输出分类结果，将大于阈值的数据进行随机森林模型进行学习再分类具体过程如下；

(1)卷积神经网络输出小于阈值的数据类别，随机森林进一步学习划分高于阈值的数据；

(2)统计二次分类时不确定样本率；

(3)将一次分类结果和二次学习分类结果合并输出。

6.根据权利要求1所述的一种基于信息熵理论结合卷积神经网络的入侵检测方法，其特征在于：所述数据预处理后的测试集传入训练好的网络模型得到分类结果具体过程如下；

(1)由训练集对入侵检测模型进行参数调优，通过对阈值的调节当二次分类不确定样本率达到最低时并得到最优的入侵检测模型；

(2)输入测试集对入侵检测模型进行测试，得到最终分类结果。