[发明专利]基于观察学习的入侵检测方法

摘要

本发明公开了一种基于观察学习的入侵检测方法，采用观察学习与半监督集成学习相结合，网络数据检测中，个体分类器通过观察其它分类器对未标记数据集输出结果，用其集成结果对未标记数据标记形成新的有标记数据集，加入原有标记数据集重新对该分类器训练。本发明充分利用未标记数据，将其转化为有标记数据进一步提高分类器性能，在仅有少量有标记数据时本发明也有好的检测效果。本发明在没有任何外力帮助下在学习过程中让每个分类器生成自己的虚拟数据，虚拟数据和原始数据集一起训练，重复观察和训练，有效提高检测系统的识别性能。本发明可扩展用于拥有大量未标记训练数据的处理，诸如医学图像、网页分类、遥感图象处理、人脸识别等应用领域。

主权项

1.一种基于观察学习的入侵检测方法，其特征在于：采用观察学习算法并结合半监督集成学习方法提高网络入侵检测性能，操作步骤包括：(1)给定K个学习算法的集合{L₁，...，L_K}，训练集定义为X＝X_l+X_u，其中X_l＝(x₁，x₂，...，x_l)是有标记数据集，对应的标记向量为Y_l＝(y₁，y₂，...，y_l)，而X_u＝(x_l+1，x_l+2，...，x_l+u)则是未标记数据集；(2)自学习：根据有标记数据集，用K个学习算法训练产生K个分类器{R₁，...，R_K}，R_i(i＝1，...，K)指在训练集X_l上由学习算法L_i生成的分类器；(3)初始化：对每个分类器的有标记数据集和未标记数据集进行初始化，Xl(i):=Xl,]]>Xu(i):=Xu,]]>i＝1，...，K；(4)观察学习：对每一分类器R_i(i＝1，...，K)，首先在它自己的未标记样本集中任意选取n个未标记样本组合成一个未标记样本集，然后该分类器观察其它K-1个分类器在所选取的未标记样本集上的输出结果，对观察到的输出结果进行合适的集成处理，得到所选取的未标记样本集的标记信息，并通过一个新增的有标记样本集表示出来，其中i＝1，...，K；(5)数据更新：对每个分类器用新增的有标记样本集进行数据更新，得到新的有标记和未标记的数据集，分别为i＝1，...，K；(6)再训练：重新在新得到的有标记数据集上训练分类器R_i(i＝1，...，K)；(7)判断每个分类器R_i的未标记数据集是否为空，若为空则转步骤(8)，不为空则转步骤(4)；(8)最终对K个分类器的判决结果进行组合，得到最终的入侵检测结果。