1.一种基于杂交带的最近邻入侵检测算法,其特征在于:包括如下步骤:步骤1数据预处理,对收集到的原始数据去掉其中重复的,不完整的数据来降低训练检测模型的时间;
步骤2生成检测对象的感知哈希摘要,将预处理后的数据进行数值化和归一化成为标准数据,将每一条数据的不同属性值相加,生成一段感知哈希摘要;
步骤3生成检测子集合,将感知哈希摘要做向下取整,然后将所有具有相同感知哈希摘要的训练样本构建一个检测集合;
步骤4在相同感知哈希摘要的入侵检测对象组成的集合上构建杂交带,对生成的若干个检测集合,根据公式计算子集合内的样本间的相似度;
如果两个样本的感知哈希值相同并且它们的相似度大于阈值θ,但是这两个样本属于不同的攻击类型,则将它们加入到杂交带集合中;
步骤5对检测对象做投票分类,加快入侵检测速度;入侵检测阶段,计算检测对象感知哈希值,使用该感知哈希值对应的集合中的杂交带中的样本对检测对象做投票分类;如果杂交带中的对象无法完成投票分类,则使用该集合中的非杂交带中的样本做投票分类来加快入侵检测速度。
2.根据权利要求1所述的基于杂交带的最近邻入侵检测算法,其特征在于:步骤2中,所述感知哈希摘要根据公式hash(x)=(hi,j·W)/N (1)将入侵检测对象转换而成,其中:
hi,j代表在检测对象组成的集合x中的第i个样本的第j个分量;
W是该分量在转换成为感知哈希摘要的时候的每一维度上分量的权重;
N为确定感知哈希摘要生成子集的大小的尺度因子。
3.根据权利要求2所述的基于杂交带的最近邻入侵检测算法,其特征在于:所述W权重的确定采用逻辑回归算法,计算训练集合中每一个维度对最终分类的影响因子。
4.根据权利要求1或2所述的基于杂交带的最近邻入侵检测算法,其特征在于:步骤4中,阈值测评值是指在选取某一个阈值θ下的检测率与误报率的比值,以T_DS表示阈值测评值,则T_DSθ=DRθ/FRθ (3)
其中:
θ表示建立杂交带时选定的阈值;
DRθ表示选定阈值θ的检测率;
FRθ表示选定阈值θ下的误报率;若在某一个阈值下检测率越高,误报率越低,其阈值测评值越大,则分类能力越好。