[发明专利]基于LMDR算法的卷积神经网络入侵数据检测方法及系统

说明书

本发明提供了基于LMDR算法的卷积神经网络入侵数据检测方法及系统，其通过数据预处理、LMDR特征增强、特征约减与数据图像化、卷积神经网络处理这四个方面进行入侵数据的处理，其主要利用LMDR算法对原始数据集合进行数据变换，以实现对原始数据的特征增强，相比于现有的采用机器学习算法和神经网络模型发的处理方式，其能够更加充分地挖掘不同数据特征之间的联系，从而有效地提高对入侵数据/非入侵数据的分类准确率以及降低数据分类的误报率。

技术领域

本发明涉及数据信息安全处理的技术领域，特别涉及基于LMDR算法的卷积神经网络入侵数据检测方法及系统。

背景技术

目前，对入侵检测数据进行数据处理时，通常是通过特征约减去除掉部分和主要特征目标关系不大的特征数据，但是在删除特征关联性不高的数据的同时，忽略了删除的数据与所选择主要特征数据之间的相关性问题。上述数据处理操作会牺牲一部分数据的准确率，此外，现有技术的入侵检测数据分类模型已经难以满足当今大数据环境下对入侵检测数据的检测精度要求。

发明内容

针对现有技术存在的缺陷，本发明提供基于LMDR算法的卷积神经网络入侵数据检测方法及系统，其通过对目标数据对象进行数据预处理，从而获得归一化和标准化的预处理数据，再通过对数边际密度比LMDR算法，对该预处理数据进行数据特征增强处理，从而获得特征增强化数据集合，对该特征增强化数据集合进行特征约减处理和数据图像化处理，从而获得图像特征数据集合，最后通过卷积神经网络CNN，对该图像特征数据集合进行分类处理，从而确定该目标数据对象中存在的入侵数据；可见，该基于LMDR算法的卷积神经网络入侵数据检测方法及系统通过数据预处理、LMDR特征增强、特征约减与数据图像化、卷积神经网络处理这四个方面进行入侵数据的处理，其主要利用LMDR算法对原始数据集合进行数据变换，以实现对原始数据的特征增强，相比于现有的采用机器学习算法和神经网络模型发的处理方式，其能够更加充分地挖掘不同数据特征之间的联系，从而有效地提高对入侵数据/非入侵数据的分类准确率以及降低数据分类的误报率。

本发明提供基于LMDR算法的卷积神经网络入侵数据检测方法，其特征在于，包括如下步骤：

步骤S1，对目标数据对象进行数据预处理，从而获得归一化和标准化的预处理数据；

步骤S2，通过对数边际密度比LMDR算法，对所述预处理数据进行数据特征增强处理，从而获得特征增强化数据集合；

步骤S3，对所述特征增强化数据集合进行特征约减处理和数据图像化处理，从而获得图像特征数据集合；

步骤S4，通过卷积神经网络CNN，对所述图像特征数据集合进行分类处理，从而确定所述目标数据对象中存在的入侵数据；

进一步，在所述步骤S1中，对目标数据对象进行数据预处理，从而获得归一化和标准化的预处理数据具体包括，

步骤S101，对所述目标数据对象对应的数据集合进行数据离散特征哑编码化处理，从而获得离散哑编码化的数据集合；

步骤S102，对所述离散哑编码化的数据集合进行数据归一化处理和数据标准化处理，从而获得所述预处理数据；

进一步，在所述步骤S2中，通过对数边际密度比LMDR算法，对所述预处理数据进行数据特征增强处理，从而获得特征增强化数据集合具体包括，

步骤S201，将所述预处理数据对应的预处理数据集合S分割为两个在数据内容上互斥的子集合S1和S2；

步骤S2，获取所述子集合S1对应的类条件密度值g*和f*，以及所述子集合S1对应的对数边际密度比矩阵Y；

步骤S3，根据所述类条件密度值g*和f*，获得所述子集合S2的对数边际密度比矩阵X(2)*，以此构建形成新数据集合Z*＝(X(2)*，Y)，并将所述新数据集合Z*作为所述特征增强化数据集合；