1.基于卷积神经网络和轻量级梯度提升机的入侵检测方法，其特征在于：包括以下步骤：步骤1：数据预处理：在数据预处理的过程包括数据类型转换、过采样技术和图像数据转换；

在所述步骤1中包括对入侵检测数据集D＝{X

步骤2：特征选择：使用CNN模型选择特征；

在所述步骤2中利用CNN模型的卷积层、池化层、全连接层配合激活函数来学习D′＝{X′,Y}的关键信息，调整模型中的参数使其达到最优；提取全连接层中数据集，记作D″＝{X″步骤3：入侵检测分类：使用LightGBM算法做分类；

在所述步骤3中利用主要特征数据来训练和测试LightGBM模型，从而得出最终分类结果：经过CNN处理过后，对D″＝{X″LightGBM在GDBT的基础上做了进一步优化；GDBT算法是一种基于迭代的集成算法，基分类器是决策树；其思想是根据已经训练好的模型的损失函数值，在其梯度下降方向建立新的基分类器，最终结果由每一个基分类器的得分相加决定；在GDBT的执行过程中，假设当前的模型是fL(y,f

其中，f

Leaf-wise的叶子生长策略是从当前层中找到分裂增益最大的叶子进行分裂，分裂增益较低的叶子不予分裂，达到降低内存消耗的目的；leaf-wise策略是基于深度优先的结构，从当前节点中找出有效信息最多的节点进行分裂，而不是分裂每一个叶子节点；同时，对树的深度进行限制，当达到最大深度后便不再进行分裂，这种策略可以缩短寻找最优决策树的时间，且能够防止过拟合。

2.根据权利要求1所述的基于卷积神经网络和轻量级梯度提升机的入侵检测方法，其特征在于：在步骤1中的过采样技术中包括数据集不平衡性处理，其过程如下：a.从少数类样本中找到样本x

b.随机选择其中一个近邻样本x

c.重复步骤b，获得足够数量的少数类样本，使得数据集达到平衡。

3.根据权利要求1所述的基于卷积神经网络和轻量级梯度提升机的入侵检测方法，其特征在于：在步骤1中的图像数据转换包括数据转换算法流程：a.从数据集X中选择一个样本x，样本特征列数为n；

b.若n是奇数，使用随机正态分布函数扩充x，使x从n列扩展成k列，其中k＝n+1；

c.重构x结构，将x重构为p×q的矩阵，其中，p×q＝k；

d.重复步骤a、b和c，直至遍历X中所有样本。

4.根据权利要求1所述的基于卷积神经网络和轻量级梯度提升机的入侵检测方法，其特征在于：在步骤3中，在GBDT的基础上，LightGBM使用以下四种策略进行了优化：互斥特征捆绑算法、单边梯度抽样算法、直方图思想、带深度限制的Leaf-wise的叶子生长策略。