[发明专利]一种基于机器学习的网络入侵检测系统

权利要求书

1.一种基于机器学习的网络入侵检测系统，其特征在于，包括：

网络入侵数据获取模块：网络实时监测软件，监控网络的实时工作状态、网络流量传输速度、流量总数据和网络数据识别；

入侵数据分类处理模块：通过模糊聚类算法把入侵数据分为n类，并得到每类的聚类中心和个体模糊隶属度矩阵u；

网络训练初始化数据选择模块：根据模糊聚类的结果选择最靠近每类中心的样本作为广义神经网络聚类训练样本；

广义神经网络模块：包括广义神经网络训练模块和广义神经网络预测模块；广义神经网络训练模块通过训练样本数据对广义神经网络进行训练，广义神经网络预测模块用训练好的网络预测所有输入样本数据X的输出序列Y；

网络训练数据选择模块：根据输入样本数据X的输出序列Y把入侵数据重新分为n类，并从中找出最靠近每类中心值的样本作为训练样本；

结果输出模块：通过输入数据的网络入侵特征，确定输出数据的入侵行为所属的入侵类别，输出入侵类别和入侵警报。

2.根据权利要求1所述的一种基于机器学习的网络入侵检测系统，其特征在于：所述模糊聚类算法是通过MATLAB模糊聚类函数聚类网络入侵数据，将其分类为入侵数据和入侵类别存储在mat格式文件中；使用的模糊聚类函数的函数参数包括聚类类别数目、聚类中心、样本隶属度矩阵、聚类目标函数。

3.根据权利要求1所述的一种基于机器学习的网络入侵检测系统，其特征在于：所述广义神经网络模块包括广义神经网络训练模块的函数参数内容：输入数据、训练输出数据、网络节点密度和广义神经网络预测模块的函数参数内容：训练好的网络、网络输入、预测输出。

4.根据权利要求1所述的一种基于机器学习的网络入侵检测系统，其特征在于：所述广义网络训练模块的训练步骤：

步骤一：求每类均值mean_i(i＝1,2,…,n)；

步骤二：求解每类中所有样本X到中心值mean_i(i＝1,2,…,n)的距离矩阵ecent_i(i＝1,2,…,n),从距离矩阵ecent_i(i＝1,2,…,n)中选择距离最小的m个样本作为一组，设定其对应网络输出为i；

步骤三：得到n×m组训练数据，其输入数据为网络入侵特征数据，输出数据为该入侵行为的所属入侵类别。