[发明专利]一种基于集成学习的半监督分类的入侵检测方法

权利要求书

1.一种基于集成学习的半监督分类的入侵检测方法，其特征在于，包括以下步骤：

S1、使用生成对抗网络(GAN)生成更多的U2R数据集以提高该类攻击类型的检测率

S2、使用生成的数据集与10％的KDD-NSL数据集组合产生数据集合D_l

S3、使用数据集D_l训练TSVM神经网络作为初始预测模型

S4、使用训练好的TSVM对无标签数据进行预测得到伪标签数据集D′_u

S5、使用半监督学习算法得到一组有标签和无标签集合数据集

S6、使用集成学习的方法训练有标签和无标签集合数据集，得到最后的模型。

2.根据权利要求1所述的集成学习的半监督分类的入侵检测方法，其特征在于，所述步骤S1中使用生成对抗网络模拟真实的U2R数据的具体方法为：

S1-1、从NSL-KDD数据集中获取训练数据，从训练数据中选取所有的U2R数据作为生成对抗网络的真实数据X。

S1-2、生成模型G通过捕捉真实样本x的概率分布，使用一组随机变量z生成样本G(z)

S1-3、判定模型D判断D(G(z))的大小，D(X)和G(z)交替地最小化和最大化V(D，G)

S1-4、最终求得近似最优解的生成模型minG，minG生成足够的U2R数据。

3.根据权利要求1所述的集成学习的半监督分类的入侵检测方法，其特征在于，所述步骤S3训练TSVM神经网络作为初始预测模型，其具体做法为：

根据公式1作为计算(w，b)，ξ：

s.t.y_i(w^Tx_i+b)≥1-ξ_i，i＝1，2，…，l，

ξ_i＞＞0，i＝1，2，…，m，

首先使用有标记样本集训练出一个初始SVM，0接着使用该学习器对未标记样本进行打标，这样所有的样本都有了标记，并基于这些有标记的样本重新训练SVM，之后在寻找易出错样本不断调整。算法伪代码如下：

输入：有标记的样本集D_l＝{(x₁，y₁)，(x₂，y₂)，……，(x_l，y_l)}；

未标记的样本集D_u＝{x_l+1，x_l+2，……x_l+u}；

折中参数C_l，C_u

过程：

S3-1：用D_l训练一个SVM_l作为初始SVM；

S3-2：用SVM_l对D_u中样本进行预测，得到伪标记

S3-3：初始化C_l，＞＞C_u；

S3-4：while C_u＜C_l do

S3-5：基于D_lD_u求解式1，得到(w，b)，ξ；

S3-6：

S3-7：

S3-8：

S3-9：基于D_lD_u，C_lC_u重新求解，得到(w，b)，ξ；

S3-10：end while

S3-11：C_u＝min{2C_u，C_l}

S3-12：end while

输出：未标记样本的预测结果：。

4.根据权利要求1所述的集成学习的半监督分类的入侵检测方法，其特征在于，所述步骤S4使用训练好的TSVM对无标签数据进行预测得到伪标签数据集D′_u其具体做法为：

将S3生成伪标签赋值给对应的样本集形成