[发明专利]一种基于维纳过程的异常入侵检测集成学习方法及装置

权利要求书

1.一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。

2.根据权利要求1所述的异常入侵检测集成学习方法，其特征在于：所述步骤2中，分类器具体为Adaboost集成分类器。

3.根据权利要求1所述的异常入侵检测集成学习方法，其特征在于：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。

4.根据权利要求1所述的异常入侵检测集成学习方法，其特征在于：步骤4中所述每个神经网络弱分类器的分类错误率与每个神经网络弱分类器的权重成反比。

5.根据权利要求1所述的异常入侵检测集成学习方法，其特征在于：所述步骤5具体为将每个弱分类器按照其对应的权重进行叠加运算，得到强分类器。

6.一种基于维纳过程的异常入侵检测集成学习装置，其特征在于：包括选择模块（1），输入调整模块（2），迭代模块（3），确定权重模块（4），计算强分类器模块（5），输入检测模块（6）和重复输入模块（7）；

所述选择模块（1），用于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；

所述输入调整模块（2），用于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；

所述迭代模块（3），反复执行输入调整模块（2）直至迭代次数达到预定次数，每次迭代得到新的一个神经网络弱分类器，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；

所述确定权重模块（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；

所述计算强分类器模块（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；

所述输入检测模块（6），用于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；

所述重复输入模块（7），用于重复执行输入检测模块（6），直至所有待检测网络数据流检测完毕。

7.根据权利要求6所述的异常入侵检测集成学习装置，其特征在于：所述输入调整模块（2）中，分类器具体为Adaboost集成分类器。