1.一种基于ELM和深度森林的混合模型异常流量检测方法,其特征在于,包括:步骤1:对无线传感器的资源限制节点中的底层成员节点收集的实时流量数据进行数据清洗、特征提取和数据降维;
步骤2:在无线传感器网络中的不同节点部署极限学习机ELM模型和深度森林模型,进行混合异常流量检测,并输出异常流量检测结果;
步骤3:无线传感器中的管理节点根据准确率、AUC作为评估指标对更新的数据集进行深度森林模型重训练,其中,AUC为ROC曲线下的面积。
2.根据权利要求1所述的基于ELM和深度森林的混合模型异常流量检测方法,其特征在于,步骤1具体包括:S1‑1:剔除实时流量数据中存在的非数值和无穷大数值等脏数据;
S1‑2:对捕捉到的完整网络信息,参照BOT‑IOT数据集选择其中对异常流量检测影响较大的30维数据,以30维特征为基础新增14维新特征,主要为每个源/目标IP总包数量等统计数据;
S1‑3:对处理后的数据进行归一化、标准化操作,形成共计54维特征的预处理后流量数据。
3.根据权利要求1所述的基于ELM和深度森林的混合模型异常流量检测方法,其特征在于,步骤2具体包括:步骤2‑1:通过无线传感器中的管理节点向成员节点部署ELM模型;
步骤2‑2:通过无线传感器中的管理节点向汇聚节点部署深度森林模型;
步骤2‑3:在成员节点中对降维后的实时流量数据进行ELM快速检测,并根据检测结果对该流量数据添加数据特征,若检测结果是正常流量,则其数据特征标记为正常值并通过,若检测结果是异常流量,则其数据特征标记为异常值;
步骤2‑4:在汇聚节点中删除异常流量的数据特征标记,再采用深度森林模型对前述异常流量进行二次检测,并根据二次检测结果对该流量数据添加数据特征作为其最终的特征值,并将数据汇总融合到管理节点中。
4.根据权利要求3所述的基于ELM和深度森林的混合模型异常流量检测方法,其特征在于,步骤2‑1中部署的ELM模型的预训练过程包括:步骤2‑1‑1:输入训练样本Xtrain,样本大小为[row0,col0],将步骤1中预处理后的BOT‑IOT数据集根据8:2比例分为训练集和测试集,Xtrain为训练集,row0为训练样本的数量,col0为训练样本的特征维数;隐藏层单元个数为n,n为正整数;
步骤2‑1‑2:初始化ELM模型的权重w和偏差b,w取值范围为[col0,n],b取值范围为[row0,n];
步骤2‑1‑3:根据公式h=g(w·Xtrain+b)计算ELM模型的非线性映射,其中,g(x)为激活函数,h为ELM模型的非线性映射,Xtrain为训练样本,通过求h的逆矩阵H得到隐藏层的输出,H大小为[n,row0];
步骤2‑1‑4:对数据集中的数据标签进行独热编码,并计算得到β=H·T,其中数据标签表示该条数据是否为异常流量,T为标签数据独热编码后的值,β表示输出权重,大小为[n,
2];
步骤2‑1‑5:对输入的实时流量数据Xtest计算h1=g(w·Xtest+b),h1为测试的实时流量数据在ELM模型的非线性映射,并与β计算得出流量检测结果,计算公式为:result=h1·β;
步骤2‑1‑6:对所得流量检测结果进行分类,得到异常流量和正常流量;
步骤2‑1‑7:保存训练后的权重w、偏差b和逆矩阵H,作为部署ELM模型所需的参数。
5.根据权利要求1所述的基于ELM和深度森林的混合模型异常流量检测方法,其特征在于,步骤2‑2中部署的深度森林模型的预训练过程包括:步骤2‑2–1:选择深度森林分类器,分别为XGBoost分类器、随机森林分类器和极端随机树分类器,设置XGBoost分类器最大深度为5,目标为多分类,学习速率为0.1,随机森林分类器和极端随机树分类器使用默认参数设置;
步骤2‑2‑2:使用处理后的BOT‑IOT模型进行深度森林训练,保存深度森林训练结果。
6.根据权利要求1所述的基于ELM和深度森林的混合模型异常流量检测方法,其特征在于,步骤3具体包括:步骤3‑1:在面向用户的管理节点中部署优化深度森林模型,并配置深度森林参数;
步骤3‑2:将来自各个汇聚节点中做过标记的流量数据预存入临时数据库,并设置数据存储上限;
步骤3‑3:当预存数量达到存储上限后,提取数据特征作为标签,与原数据集混合后分为训练集和测试集,并根据准确率、AUC作为评估指标进行深度森林模型调优;
步骤3‑4:管理节点将调优后模型加载到sink节点中。
7.根据权利要求6所述的基于ELM和深度森林的混合模型异常流量检测方法,其特征在于,步骤3‑3中的深度森林模型调优采用K折交叉验证法,具体包括:步骤3‑3‑1:将原数据集备份;
步骤3‑3‑2:原数据集分为训练集和测试集,临时数据库中数据将数据特征取出作为标签集,将标签集与原数据集中的训练集融合为新数据集;
步骤3‑3‑3:将新数据集均分为k组,选择其中一组作为验证集,剩余k‑1组作为训练集;
步骤3‑3‑4:采用由随机森林分类器、XGBoost分类器、极端随机树分类器和逻辑回归分类器组成的深度森林构造深度森林算法模型;
步骤3‑3‑5:寻找k‑1折中每一折在验证集中误差最小的模型,若训练次数小于k次,则返回步骤3‑3‑3;
步骤3‑3‑6:将每一折在验证集中误差最小的模型取出放到测试集中测试误差,计算得出每次在测试集上性能的平均值;
步骤3‑3‑7:评估值选取准确率以及AUC值,新模型的平均值与原模型的性能比较,若性能提升则更新深度森林模型并更新数据集,否则,继续使用原深度森林模型,删除本次存储的数据。
8.一种基于权利要求1‑7任一所述的ELM和深度森林的混合模型异常流量检测系统,其特征在于,包括:实时流量数据特征提取与降维模块,用于对无线传感器的资源限制节点中的底层成员节点收集的实时流量数据进行数据清洗、特征提取和数据降维;
异常流量检测模块,用于在无线传感器网络中的不同节点部署ELM模型和深度森林模型,进行混合异常流量检测,并输出异常流量检测结果;
深度森林模型训练模块,用于无线传感器中的管理节点根据准确率、AUC作为评估指标对更新的数据集进行深度森林模型重训练,其中,AUC为ROC曲线下的面积。