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；

步骤2：特征选择：使用CNN模型选择特征；

步骤3：入侵检测分类：使用LightGBM算法做分类。

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：在所述步骤1中包括对入侵检测数据集D＝{X1×n,Y}做数据预处理，X代表数据特征，Y代表攻击类型；数据预处理包括数据类型的转换、过采样平衡数据集以及一维数据向二维图像数据的转换；如果数据特征数量n是奇数，则令n＝n+1；将预处理完的数据特征集记作X′p×q＝{x′p×q}，其中，p×q＝n，类别标签记作Y，即D′＝{X′,Y}。

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″1×r,Y}，其中，r是全连接层的超参数。

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″1×r,Y}进行训练集和测试集的划分，训练过程先利用LightGBM算法中的EFB算法实现对数据集做特征降维，并降低稀疏性，再利用GOSS算法对数据集进行按梯度大小做单边抽样，最后利用带有深度限制的叶子生长策略和直方图算法拟合新的弱分类器，实现LightGBM模型的训练，利用测试集对LightGBM模型进行性能测试，输出分类结果。

5.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xi，使用欧氏距离计算其k个近邻，记为xij,j∈(1,...,k)；

b.随机选择其中一个近邻样本xij，利用随机数 合成新样本xnew，即：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。

6.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。

7.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4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。