[发明专利]一种基于特征选择算法的网络入侵检测方法

说明书

本发明公开了一种基于特征选择算法的网络入侵检测方法，包括如下步骤：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；2：使用步骤1得到的优化子集，联合决策出新的特征子集；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。本发明方法是基于QBSO‑FS和机器学习的入侵检测方法，原始数据经过特征选择后在普通机器学习算法中分类精度有效提升，在融合多种机器学习算法分类的最优特征子集后，数据集在高性能机器学习分类算法上表现优于一般特征选择算法；通过使用特征选择来提升机器学习算法的分类精度，适用于物联网环境下设备计算资源不多的情况，实际布控可行性是高于复杂的深度学习模型的。

技术领域

本发明涉及一种基于特征选择算法的网络入侵检测方法，属于网络安全技术领域。

背景技术

随着网络信息技术的发展，万物物联的概念兴起，世界工业体系步入工业物联网时代。在物联网架构中，工业环境与生活环境中的各种终端设备的数据信息通过网络被收集，用于大数据分析，数据成为了这个时代新的财富源泉。但是物联网海量终端下的大数据关乎工业生产安全，如果这些大数据被不法分子窃取、使用，会对工业生产造成巨大的破坏与影响。物联大数据下的安全问题变得十分重要。

异常检测方法的提出就是为了解决网络中数据信息安全问题，不管是终端设备的设备安全，还是互联平台的数据安全，又或者是网络平台的非法入侵问题，都通过异常检测模型进行防御。异常检测模型本质是分类算法在数据集上应用，根据数据集的不同分为基于主机和基于网络流两种类型，数据形式和类型的选择根据应用场景与方式的不同而区别。针对数据的使用需要对网络环境的数据进行有效的特征提取，传统的数据特征选择算法对模型的针对性不高，且不能有效剔除特征冗余，特征属性模糊。因此，需要一种有效的特征选择方法，针对数据的不同特征属性进行有效筛选，剔除冗余，从而提升分类算法准确率。

发明内容

本发明提供一种基于特征选择算法的网络入侵检测方法，解决了实际入侵检测问题中在面临不同环境、设备条件下的数据选择、分类算法选择问题。

为解决上述技术问题，本发明所采用的技术方案如下：

一种基于特征选择算法的网络入侵检测方法，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。

本发明公开一种基于QBSO-FS(基于强化学习的蜂群智能优化特征选择算法)和机器学习的入侵检测方法，实验表明，原始数据经过特征选择后在普通机器学习算法中分类精度有效提升，在融合多种机器学习算法分类的最优特征子集后，数据集在高性能机器学习分类算法上表现优于一般特征选择算法；通过使用特征选择来提升机器学习算法的分类精度，适用于物联网环境下设备计算资源不多的情况，实际布控可行性是高于复杂的深度学习模型的。

为了进一步提高准确性：上述步骤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；