[发明专利]一种基于二维度稀疏化的深度信念网络入侵检测方法

摘要

本发明涉及一种基于二维度稀疏化的深度信念网络入侵检测方法，包括：稀疏化数据集的第一维度稀疏化方法和稀疏化隐层单元的第二维度稀疏化方法。第一维度稀疏化是指对输入训练数据进行稀疏判断并将数据集转换为稀疏数据集；第二维度稀疏化是指通过对RBM隐层单元进行余弦相似度分组并且在训练RBM的目标函数中引入分组稀疏惩罚项来迫使隐层单元从数据中学习到不同的特征。将训练好的RBM堆叠成DBN形成一种新的二维稀疏化深度信念网路，并将其用于入侵检测系统。本方法同时考虑到数据集稀疏化程度和特征同质化对RBM训练的影响，使优化后的DBN用于入侵检测系统具有更高的准确率和更低的误检率，且能够提高检测的效率。

主权项

一种基于二维度稀疏化的深度信念网络入侵检测方法，其特征在于，主要包括以下几个步骤：步骤一，对训练数据集进行第一维度稀疏化，根据定义的稀疏系数对输入数据集进行判定，若为稠密数据集则将其数值反转为稀疏数据集，否则保留原训练数据集不变，将经过第一维度稀疏化后的数据集称为稀疏化数据集；步骤二，将稀疏化数据集里的第一个样本作为DBN第一层RBM可视层的输入特征变量，进行RBM训练后根据该层RBM连接权值的列对隐层单元进行相似度分组，完成第二维度稀疏化；步骤三，在该层RBM的隐层，利用带惩罚项的似然函数作为RBM的训练目标函数，先用CD快速学习方法计算极大似然假设梯度，再对分组稀疏惩罚项进行梯度下降直到参数收敛，并更新该层RBM模型参数θ；步骤四，再按顺序依次输入稀疏化数据集中的其他样本，按照第二步、第三步的步骤训练RBM，直到训练完所有的样本，并且达到最大训练周期，此时第一层RBM训练结束；步骤五，充分训练第一层RBM后，固定第一层RBM的权重和偏移量，然后将其隐层节点的状态作为第二层RBM可视层的节点向量，训练该层RBM，训练完成后根据该层RBM连接权值的列对隐层单元进行相似度分组，再根据步骤三的方法更新该层RBM模型参数，直到充分训练第二层RBM后将其堆叠在第一层RBM的上方；步骤六，固定第二层RBM的权重和偏移量，采用与第五步相同的方式训练第三层RBM，并堆叠在第二层的上方，采用同样的方式对其它层RBM进行处理，直至训练到第L‑1层RBM；初始化第L层RBM的模型参数，用数据的标签值作为输出层，利用softmax多分类器对学习到的特征多分类，使用BP算法对模型参数进行微调，最终形成一个训练好的二维度稀疏化DBN深度学习训练模型；步骤七，将测试数据输入到已建立好的二维度稀疏化DBN深度学习训练模型中，进行快速学习并得到每条测试数据的入侵类别。