[发明专利]一种基于生长型分级自组织映射神经网络的入侵检测方法

摘要

本发明公开了一种基于生长型分级自组织映射(Growing Hierarchical Self-organizing Maps，GHSOM)神经网络的入侵检测方法，属于网络信息安全技术领域。本方法中GHSOM入侵检测模型的训练方法的关键点为：1)设计一种新的混合向量结构，使得改进的GHSOM神经网络能够处理含有数值类型成员和字符类型成员的混合输入模式向量；2)设计一种新的控制机制，该机制使用张力映射率(Tension and Mapping Ratio(TMR)来替代参数τ1，使得支持混合输入模式向量的GHSOM神经网络自动控制神经元的增长。把这种改进的神经网络用于入侵检测技术中，有利于检测率的提高。

主权项

1.一种基于生长型分级自组织映射神经网络的入侵检测方法，其步骤为：1)从网络中采集网络数据，并对其进行特征的提取，生成神经网络能够识别的输入模式；2)将步骤1)处理后的数据输入给已加载训练好的神经网络模型的入侵检测模块，进行入侵检测，其中神经网络模型的训练方法为：a)将训练样本数据集中的混合输入模式向量采用形式表示，其中表示第j个混合输入模式向量X_j的数值类型分向量、表示X_j的字符类型分向量；b)利用输入模式向量初始化神经网络第0层中唯一神经元的权值，并计算其量化误差qe₀；其中，神经元权值包括数值型权值分量、字符型权值分量；c)从第0层的神经元中拓展一n×m结构SOM，并将其层次标识Layer置为1；其中n、m为大于1的自然数；d)对于第Layer层中拓展出的每一n×m结构SOM，从映射到其父神经元的混合输入模式向量构成的集合中挑选一混合输入模式向量X，并计算该SOM中每个神经元与X的距离；e)选取该SOM中与X距离最小的神经元c，并对神经元c及其邻域内神经元的权值进行调整；如果未达到预定训练次数，则转入步骤d)；f)计算经e)调整后的该SOM中每个神经元的量化误差；g)根据SOM中神经元的量化误差和第0层神经元的量化误差qe₀，控制拓展出的SOM中神经元数目的增加和神经网络层次的拓展；h)对第Layer层中增加了新神经元的SOM和新拓展出的Layer+1层的所有n×m结构SOM，采用步骤d)～f)对其重新进行训练，直至神经网络不再产生新的神经元和新的分层，整个训练结束；3)检测结果处理模块根据入侵检测模块输出结果判断当前是否发生入侵，如果发生入侵，则入侵处理模块遍历攻击类型标识库，检验是否有匹配的攻击，如果有则确定攻击的类型并发出告警信息；如果没有匹配的攻击，则判断是否为新的攻击类型，如果是新的攻击类型，则把这种攻击类型加入到攻击类型标识库并发出告警信息。