1.一种基于机器学习的物联网入侵检测方法，其特征在于：包括以下步骤：S1：数据预处理：对NSL-KDD网络入侵数据集进行数值化处理和标准化处理；

S2：划分数据集及数据降维：将预处理后的数据集进行主成分分析降维，使得原数据集具有相关性的特征值转化为相互独立的或不相关的变量；用交叉验证法将降维后的数据集分为互斥的训练子集，生成多组训练集和测试集；

S3：构建最小二乘支持向量机LS-SVM：采用高斯核将原空间映射到高维特征空间中，对于最小二乘支持向量机中的惩罚因子C和核参数σ采用改进型进化策略的方法进行优化选取；

S4：对最小二乘支持向量机进行稀疏化处理：采用暴力剪枝法，根据求得到的支持向量参数大小对样本进行剪枝；

S5：利用剪枝好的LS-SVM模型建立入侵检测的分类模型，形成基分类器；

S6：构建人工神经网络ANN，提取训练样本高层次的抽象特征，运用进化策略对神经网络的连接权值进行优化选择，构建出基于神经网络的基分类器；

S7：训练形成多个基分类器,利用集成学习算法中的AdaBoost算法将多个基分类器组合成一个强分类器，进行入侵行为检测；

S8：将建立好的强分类模型加载到物联网的网络节点或路由节点，收集接受信号的各个特征信息，将其带入模型进行预测，根据预测结果采取相应的措施决定是否安全通信。

2.根据权利要求1所述的基于机器学习的物联网入侵检测方法，其特征在于：在步骤S1中，所述的数据数值化处理包括：将原始数据集中的字符型特征数据采用相对应的数值进行替换；

所述的数据标准化处理包括：采用Min-max标准化方法进行处理，将原始数据限制在[0,1]之间，公式为：Y＝(x-xmin)/(xmax-xmin)

x为原始数据，xmin为该特征下的最小值，xmax为该特征下的最大值，Y即为标准化后的数据值。

3.根据权利要求2所述的基于机器学习的物联网入侵检测方法，其特征在于：在步骤S2中，将数据集划分为N个大小相似的互斥子集，每个互斥子集均作为数据子集，将数据子集的10％作为测试集，其余数据子集作为训练集，得到N对训练集和测试集；采用主成分分析PCA降维技术对数据进行降维处理。

4.根据权利要求3所述的基于机器学习的物联网入侵检测方法，其特征在于：在步骤S3中，SVM的目标函数为：T

s.t.yi((ω，xi)+b)≥1，i＝1，....m其中(ωT，xi)+b为分类的预测值，y为样本的标签，ω＝(ω1；ω2；....ωd)为法向量，b为位移项，m为训练样本的数量；

由拉格朗日乘子法：

分别令L(ω，b，α)对ω,b求偏导为零；

得到

将其带入L(ω，b，α)中消去ω，b得到对偶空间中的优化问题，最终约束问题为：α＝(α1；α2；...；αm)为拉格朗日乘子，用SMO算法循环求解增大运算时间；

LS-SVM的目标函数为：

s.t.yi(ωT*xi+b)＝1-∈i，∈i≥0，i＝1，....m其中ω＝(ω1；ω2；....ωd)为法向量，ωT*xi+b表示模型的预测值，b为位移项，∈i∈R表示拟合误差，m为训练样本的数量，基于最小二乘的支持向量机将不等式约束条件改为等式约束；

对惩罚因子C和核参数σ的优化选取策略为：

a.均匀分布初始种群：在确定初始种群时在参数可能的取值区间内进行均匀抽样，提高算法的全局搜索能力；

b.采用梯度下降法优化进化策略的变异强度：即若产生的子代比父代强，则沿着这个子代的梯度方向上增大变异强度，反之亦然；

c.采用(μ，λ)-ES进化策略方法：使用μ个亲本产生λ个子代，从子代中选出μ个个体做为下一代的亲本。

5.根据权利要求4所述的基于机器学习的物联网入侵检测方法，其特征在于：在步骤S4中，采用最小二乘支持向量机把所有的样本都作为支持向量，再采取暴力剪枝法对LS-SVM进行稀疏性改进，去除掉对LS-SVM回归贡献程度低的样本，用新的样本值重新进行步骤S3。

6.根据权利要求5所述的基于机器学习的物联网入侵检测方法，其特征在于：在步骤S5中，将由步骤S2得到的训练集和测试集分别进行步骤S3,S4建立多个LS-SVM训练模型，建立基分类器。