[发明专利]基于双重子空间采样和置信偏移的网络入侵检测方法

摘要

本发明提供一种基于双重子空间采样和置信偏移的网络入侵检测方法，首先对每层的基分类器进行样本以及特征双重层面的下采样预处理；其次，每层的置信度通过插值的方法，与原特征混合作为新的特征输入到模型的下一层；接着，通过级联模型来逐层对插值的置信度进行扰动。在测试步骤中，置信度的扰动将不会参与。相较于传统的不平衡分类集成方法，本发明通过将深度森林对不平衡问题的拓展，进一步通过级联结构解决了不平衡分类中的阈值问题；通过该系统生成可选择扰动幅度的模型对样本进行训练，能够有效提升模型针对不平衡网络入侵的检测性能；同时逐层堆叠的集成模型能够在检测过程中获得更优异的泛化性能。

主权项

1.基于双重子空间采样和置信偏移的网络入侵检测方法，其特征在于：具体步骤是：1)预处理第一步：通过网络数据采集工具构建网络攻击特征，将采集的样本集特征转为适于后续处理的数据矩阵；2)预处理第二步：区分开原数据中的连续特征和离散特征，对所有离散特征进行one‑hot的转换；3)训练第一步：使用基于样本和特征双重层面的随机下采样训练每层的多个随机森林或朴素贝叶斯基分类器；4)训练第二步：根据上一层基分类器的输出置信度，对其进行特征扰动，再与原特征混合作为下一层模型的输入；5)训练第三步：在级联模型中加入验证机制，使得层数能够自适应停止增长；6)测试：将测试数据集输入所得的级联模型中，在逐层插值的过程中无需对其特征进行扰动。最终得到对网络入侵的检测分类结果。