[发明专利]一种基于特征选择算法的网络入侵检测方法

权利要求书

1.一种基于特征选择算法的网络入侵检测方法，其特征在于：包括如下步骤：

步骤1：使用QBSO-FS算法，对NSL-KDD数据在多种机器学习模型上的分类效果进行优化，获得优化子集；

步骤2：使用步骤1得到的优化子集，联合决策出新的特征子集；

步骤3：使用步骤2得到新的特征子集作为输入，用于复杂机器学习模型分类使用。

2.如权利要求1所述的基于特征选择算法的网络入侵检测方法，其特征在于：步骤1包括：

1.1：定义策略向量X＝{x₁，x₂，…，x_n}，其中n为数据集维度，即数据的特征数，其中x_i的取值为{0，1}，1代表选择此特征，0则代表舍弃，不同的向量代表不同的特征子集策略，所有的策略X向量构成了n维状态空间S；

1.2：在初始状态，随机初始化策略RefSol(RefSol∈S)，将此策略插入名为Tabu的表格，存该表格的策略将不会在确定搜索区域时再次选择；

1.3：通过RefSol选择蜜蜂的搜索区域SearchRegion，即K只蜜蜂的搜索路径，一个策略代表一个搜索路径，在搜索区域中策略的选择是使用Flip变量，Flip是搜索区域的大小，而对搜索区域中1/Flip变量的0，1翻转：向量元素变化0→1，或者从1→0，就是策略选择的动作，翻转后的结果就是策略的状态转移，每只蜜蜂的搜索过程，在分配的策略中使用高斯贝叶斯、决策树、随机森林和线性感知器进行分类训练，获得分类准确率accuracy是蜜蜂搜索的结果，公式如下：

在每轮迭代过程中，在SearchRegion这一状态空间中，策略的选择使用Q-Learning算法，即每只蜜蜂在执行搜索动作(在子集上执行机器学习算法)，从状态转换至状态其中回馈计算公式如下：

其中：Acc(s_t)是状态S在t时刻在通过分类器分类的准确率；nbFeatures(s_t)是状态s_t所选择的特征个数；r_t是Q-Learning算法在t时刻所获得的收益；r_t由不同的状态变化结果而有不同的计算方式，得到r_t则可计算Q函数：

待学习的动作价值函数Q采用了对最优动作价值函数q_*的直接近似作为学习目标，其中Q(s_t，a_t)是状态s_t下，选择动作a_t的价值函数值，α是常量步长参数，γ是折扣率，r_t是t时刻所获得的收益，是指在状态s_t+1中选择能获得最大价值的动作a的价值；

1.4：将获得Q值分享给其他蜜蜂，就是将状态s′，Q(s，a)存入Dance表格，当此轮迭代中k只蜜蜂在状态空间SearchRegion中搜索完毕后，选择从策略RefSol可变换的最佳搜索策略，即获得最优反馈Q的策略，从而得到新的RefSol(t+1)，多轮迭代完成后，获得能够使机器学习模型达到最优解的策略，即优化子集X_optimization，机器学习算法精度也得到提升。