[发明专利]一种基于可视化胶囊网络入侵检测方法

说明书

本发明公开了一种基于可视化胶囊网络入侵检测方法，涉及一种网络的入侵检测方法，该方法包括数据处理，模型训练和模型分类三个步骤。首先搜集历史网络安全数据并进行预处理，再对全体数据进行归一化，按比例缩放。然后将样本数据进行可视化处理，使其从一维数据变为具有空间信息的二维矩阵，以此更加适配深度学习模型，对可视化过程中的碰撞特征采用信息熵加权平均算法进行选取，以此构建新的特征值，提高网络效果。使用社交网络搜索算法对胶囊网络结构进行寻优，确定最佳参数。最后对实时采集的网络数据进行网络入侵分类检测。本发明提高了对网络攻击的检测率，降低了误报率。

技术领域

本发明涉及一种网络入侵检测方法，特别是涉及一种基于可视化胶囊网络入侵检测方法。

背景技术

对于网络中企图或者正在进行的网络入侵行为的发现的过程称为入侵检测。重点在于对于网络流量的分析，检测到异常并且正确判别。近几年来，各个国家遭受的网络入侵行为的重大安全事故越来越多，造成影响也越来越大，不断威胁每个人的信息安全。通过对系统流量和协议信息实时采集和分析，入侵检测系统对网络中的各类行为进行判断并分类。

随着深度学习的发展，越来越多的深度学习技术应用到入侵监测领域。使用遗传算法获得卷积网络中的最优初始权值、阈值以及网络结构参数，构建入侵检测模型并取得了不错的效果。将循环神经网络应用到入侵检测中，对网络数据集进行二分类和多分类，也取得了不错的效果。深度学习虽然有着强大的分类和信息提取能力，但是在卷积核池化的过程中，不可避免的丢失部分信息，但是对于入侵检测而言，每一维数据都是关键的。2017年提出了胶囊网络(Capsule Network，CapsNet)的概念。该网络改善了传统卷积神经网络对目标位置不敏感的问题，并应用到了入侵检测领域。提出了一种可变融合的随机注意力胶囊网络的入侵检测模型，使用随机注意力机制，使模型能够更好地捕捉数据特征；在胶囊网络中基于残差块构建特征提取模块，引入全局平均池化层得到高质量的数据特征，可以在隐性提取特征的同时改善检测准确率。对不平衡数据有更强的鲁棒性，更接近工业互联网入侵检测技术需求。

胶囊网络能够从工业互联网数据中提取优质特征，从而创建更好的入侵检测模型。而可视化处理能够增加数据样本中，特征之间的相关性。传统一维数据简单堆砌，从而对数据空间信息的忽视，增加对网络攻击的检测率，误报率。

发明内容

本发明的目的在于提供一种基于可视化胶囊网络入侵检测方法，本方法受胶囊网络与数据可视化的启发，构建基于数据可视化的胶囊网络入侵检测模型，对工业互联网数据关联特征进行学习，提高对工业入侵行为的检测率。

本发明的目的是通过以下技术方案实现的：

一种基于可视化胶囊网络入侵检测方法，所述方法包括以下步骤：

步骤S1.搜集历史网络安全数据并进行预处理：数值化，对于入侵检测数据中的字符型特征，通过One-hot操作将其扩展为单位向量来完成数值化；假设该特征有i个特征值，则将其设置为{0,1,...,i-1}中对应的一种；归一化，数据按比例缩放，将其统一映射到[-1,1]区间上；

步骤S2.对处理好的数据进行改进后的可视化操作，使其从一维数据变为具有空间信息的二维矩阵，以此更加适配深度学习模型；

步骤S3.使用CBAM模块对胶囊网络进行改进；CBAM(Convolutional BlockAttention Module)是一种改进卷积神经网络的模块，可以用来改进胶囊网络；CBAM模块通过注意力机制对特征进行加权，可以更好地利用输入特征，从而提高胶囊网络的效果；

步骤S4.将可视化处理后的入侵检测数据应用于改进后的胶囊网络入侵检测模型；

步骤S5.采用经步骤S4训练后的胶囊网络模型对实时采集的网络数据进行网络入侵分类检测。