[发明专利]一种基于改进深度置信网络的入侵检测方法

说明书

本发明公开了一种基于改进深度置信网络的入侵检测方法，包含以下过程：在连续受限玻尔兹曼机的似然函数中引入稀疏正则项，用对比散度算法进行训练；在受限波尔兹曼机的似然函数中引入稀疏正则项，用对比散度算法进行训练；判断引入稀疏正则项之后的连续受限波尔兹曼机和受限波尔兹曼机是否达到最大训练周期，若达到最大训练周期，则结束训练；否则，继续训练。将训练好的两种模型进行堆叠，最后加一层反向传播神经网络，形成稀疏化的深度置信网络，然后将其应用到入侵检测系统，进行分类检测。本发明将改进的深度置信网络用于入侵检测系统具有较高的分类准确率、较低的误报率以及具有良好的稀疏性能。

技术领域

本发明涉及入侵检测网络安全领域，特别涉及一种基于改进深度置信网络的入侵检测方法。

背景技术

随着网络环境越来越复杂，网络中不断加入各式各样的设备，安全隐患问题越来越多，网络管理员的任务不断加重。因此，入侵检测系统(Intrusion Detection System，IDS)的不断完善变得非常重要。

入侵检测技术是一种积极主动的网络安全防护技术，它可以提供对内部攻击、外部攻击和误操作的实时保护，在网络系统受到攻击之前对其进行有效的拦截和阻止。IDS的分类有多种方法，如按照审计对象的不同，可以分为基于主机的IDS、基于网络的IDS以及基于网络/主机的混合型IDS；按照检测技术可以分为误用检测和异常检测。其中检测技术实际上是指所用的入侵检测算法。目前最常用的入侵检测算法可以归为三种，分别是误用检测算法、异常检测算法和人工智能检测算法。

近年来，深度学习飞速发展，它是机器学习发展历程中一个崭新的领域。深度学习在语音识别、图像识别、机器翻译、自然语言处理等方面得到了广泛的应用，使得人工智能越来越贴近人类的生活。相对于支持向量机、逻辑回归等浅层学习方法，深度学习由于模型的深度网络结构，可以对原始数据集进行多次非线性变换提取高维特征，使获取的特征具有层次结构。深度学习是对神经网络的进一步发展，对输入的数据进行多层特征提取，得到更适合分类的数据集。入侵检测作为典型的分类问题，将其和深度学习技术结合，为解决入侵检测问题提供了一个新的研究方向。作为最经典深度学习方法的深度置信网络(DeepBelief Network，DBN)，是由多层的受限波尔兹曼机(Restricted Boltzmann Machine，RBM)堆叠组成。而RBM随着隐藏层节点数的增加，在一定条件下可以拟合任意的数据分布。因此，通过加大隐单元个数，理论上可以拟合任意的数据分布。然而随着隐单元个数的增加，RBM的训练存在两个问题：1)隐单元的大量引入会使得编码得到的隐藏层特征高度自相关，训练可能会面临过拟合的问题；2)大量节点的引入会造成训练效率低下，同时，RBM在训练中可能因为过拟合问题长时间处于局部最优值，使得测试数据的分类性能下降。因此，设计一种较优的分类方法，改善网络使其更好地拟合训练数据，提高分类准确率以及具有较优的稀疏性能都有重要的研究意义。

发明内容

本发明的目的在于提供一种基于改进深度置信网络的入侵检测方法，该方法在连续受限玻尔兹曼机(CRBM)和受限玻尔兹曼机(RBM)的似然函数中分别引入稀疏正则项，然后将它们进行堆叠，构成改进的深度置信网络；将改进的深度置信网络应用到入侵检测系统相比以往的入侵检测技术具有更高的分类准确率，较低的误报率以及良好的稀疏性能。

为了达到上述目的，本发明通过以下技术方案实现：

一种基于改进深度置信网络的入侵检测方法，该方法包含以下步骤：

S1、在连续受限玻尔兹曼机CRBM的似然函数中引入基于拉普拉斯函数的稀疏正则项，构成改进的CRBM，即LS-CRBM；

S2、使用对比散度算法训练LS-CRBM，通过稀疏约束获得数据集的稀疏分布；

S3、在受限波尔兹曼机RBM的似然函数中引入基于拉普拉斯函数的稀疏正则项，构成改进的RBM，即LS-RBM；