一种基于维纳过程的异常入侵检测集成学方法及装置

摘要

本发明涉及一种基于维纳过程的异常入侵检测集成学方法，包括以下步骤：选择网络流量数据集；将每个网络流量样本及其样本概率分布输入到未初始化的神经网络分类器或者经过上次训练得到的神经网络弱分类器中，判断神经网络弱分类器对每个网络流量样本是否分类错误，调整每个网络流量样本的数量及样本概率分布；反复执行步骤2，得到多个神经网络弱分类器；分别确定每个神经网络弱分类器的权重；根据每个弱分类器及每个弱分类器对应的权重，得到强分类器；将待检测网络数据流输入到强分类器中，得到入侵检测结果；重复执行步骤6，直至所有待检测网络数据流检测完毕。本发明能够解决不平衡数据集的分类问题、得到分类正确率较高的无偏分类器。

主权项

一种基于维纳过程的异常入侵检测集成学习方法，其特征在于，包括以下步骤：步骤1：选择包含多个网络流量样本的网络流量数据集，所述网络流量样本分为入侵网络流量样本和正常网络流量样本；步骤2：将每个网络流量样本及其样本概率分布输入到未初始化的神经网络分类器或者经过上次训练得到的神经网络弱分类器中，得到新的神经网络弱分类器，判断神经网络弱分类器对每个网络流量样本是否分类错误，得到该神经网络弱分类器的分类错误率，根据分类错误率分别调整每个网络流量样本的数量及样本概率分布；步骤3：反复执行步骤2直至迭代次数达到预定次数，每次迭代得到一个新的神经网络弱分类器，最终得到多个神经网络弱分类器，所述神经网络弱分类器的数量与预定次数的数量相同；步骤4：根据每个神经网络弱分类器的分类错误率，分别确定每个神经网络弱分类器的权重；步骤5：根据每个弱分类器及每个弱分类器对应的权重，计算得到强分类器；步骤6：将待检测网络数据流输入到强分类器中，得到入侵检测结果；步骤7：重复执行步骤6，直至所有待检测网络数据流检测完毕；所述步骤2中根据神经网络弱分类器对每个网络流量样本是否分类错误，分别调整每个网络流量样本的数量及样本概率分布具体为：当神经网络弱分类器将入侵网络流量样本错误的分类为正常网络流量样本时，将入侵网络流量样本利用维纳过程进行处理，来增加分类错误的网络流量样本的数量，并增大入侵网络流量样本的样本概率分布；当神经网络弱分类器将正常网络流量样本正确的分类为正常网络流量样本时，减小该正常网络流量样本的样本概率分布。