[发明专利]一种基于网络异常流量识别的入侵检测方法

说明书

本发明针对近年来智能设备用户数量迅速增加导致网络流量大幅上升，巨大的数据对入侵检测系统的性能产生了不利影响，并且流量中的冗余和不相关信息导致入侵检测系统性能差的问题，提出一种基于网络异常流量识别的入侵检测方法。首先，采用改进布谷鸟搜索算法进行特征选择，从原始数据集中筛选出最为准确和有效的特征，作为一组最佳特征。然后，将所选特征作为进化神经网络的输入，为了克服人工神经网络的参数限制，避免陷入局部极小值，采用多元宇宙优化算法来训练人工神经网络，得到最佳分类效果。最后，将测试数据集输入到训练好的人工神经网络中，对异常流量检测进行了预测和评估，构建了基于特征选择和进化神经网络的异常流量入侵检测模型。

技术领域

本发明涉及如何提高入侵检测系统性能领域，是一种流量异常入侵检测方法。

背景技术

近年来，智能设备用户数量迅速增加，导致网络流量大幅上升，同时也带来了一些安全问题，如各种已知和未知的网络攻击。入侵检测系统(IDS)是检测攻击的最佳方法之一，因为它涉及一个软件或硬件系统，可以跟踪、评估和检测内部和外部的活动。巨大的数据对入侵检测系统的性能产生了不利影响，并且在其流量中发现的冗余和不相关的信息也是入侵检测系统性能差的原因。因此，如何提高入侵检测系统的性能成为亟待解决的问题。

流量异常入侵检测方法早已受到研究者们的关注，已经提出了几种方法来提高入侵检测系统的性能，其中包括特征选择方法和优化技术。采用特征选择技术，通过选择最相关的特征来修剪大数据集中的高维数据，以避免在构建入侵检测系统模型时遇到维数灾难。所选特征是原始数据集的子集，用于简化模型构建，以便通过减少训练时间来提高执行时间。采用优化算法可以实现用一种简单的方法来解决复杂的问题，主要包括基于群体的算法、进化算法和基于轨迹的算法，通过优化模型参数或改进模型函数使模型在性能上达到更好的效果。上述方法在处理大量流量数据时有时会存在计算资源不足的情况，因此出现了处理效率低下的问题。

发明内容

本发明针对近年来智能设备用户数量迅速增加导致网络流量大幅上升，巨大的数据对入侵检测系统的性能产生了不利影响，并且流量中的冗余和不相关信息导致入侵检测系统性能差的问题，提出一种基于网络异常流量识别的入侵检测方法。首先，采用改进布谷鸟搜索算法进行特征选择，从原始数据集中筛选出最为准确和有效的特征，作为一组最佳特征。然后，将所选特征作为进化神经网络的输入，为了克服人工神经网络的参数限制，避免陷入局部极小值，采用多元宇宙优化算法来训练人工神经网络，得到最佳分类效果。最后，将测试数据集输入到训练好的人工神经网络中，对异常流量检测进行了预测和评估，构建了基于特征选择和进化神经网络的高效异常入侵检测模型。

本发明的目的是由以下技术方案来实现的：一种基于网络异常流量识别的入侵检测方法，它包括以下步骤：

S1，采用改进布谷鸟搜索算法(CSA)进行特征选择，从原始数据集中筛选出最为准确和有效的特征，得到一组最佳特征。

S2，将所选特征作为进化神经网络的输入，为了克服人工神经网络的参数限制，避免陷入局部极小值，采用多元宇宙优化算法(MVO)来训练人工神经网络(ANN)，得到最佳分类效果。

S3，将测试数据集输入到训练好的人工神经网络中，对异常流量检测进行了预测和评估，得到网络流量中异常数据信息。

进一步地，所述S1具体包括：

S11，利用改进布谷鸟搜索算法对解决方案进行排序，并在后期处理结果和可视化时找到当前的最佳结果。

S12，根据数据集中模糊的数据的特征将数据集x划分为C个簇后筑巢，并在它们之间选择最好的一个，把蛋放在造好的巢里。

进一步地，所述S12具体包括：