1.一种基于信息熵理论结合卷积神经网络的入侵检测方法,其特征在于,包括如下步骤:S1、对入侵检测数据集进行数据预处理,将字符型特征转换为数值型特征,并对数据依次进行标准化处理和归一化处理,使处理后的特征数据映射至[0,1]区间;
S2、将经预处理后的训练数据输入卷积神经网络模型进行训练,对卷积神经网络进行训练调优有如下三阶段:
1)对预处理后的数据进行卷积,每历经一个位置,就会得到相应位置的映射,当遍历完整个特征矩阵,通过网络参数设置,激活函数就形成了新的特征矩阵,所有特征样本完成特征映射时,堆叠组合就形成该卷积的特征图;卷积计算公式如下:;
M是输入样本集合,是上一层输出的特征矩阵,“*”为卷积操作,n为当前层数,是卷积核,为偏置量,为激活函数,选取Relu函数作为激活函数,相比于其他激活函数,Relu激活函自身的非饱和特性能够有效避免梯度消失现象;
2)卷积层输出的特征由池化层进行采样,用概率统计的数据特征来概括全部特征,不仅能够在降维的同时,还将保留最有效信息,本方法选取最大值池化方法,为经过池化后的特征矩阵,池化方法计算公式如下:;
3)更新网络参数卷积神经网络可以通过前向传播可以获得原始特征输出值,网络参数需要通过反向传播更新,卷积神经网络的损失函数为:;
其中y为实际值,为预测值,每训练一次,就更新一次参数值;当网络对数据样本进行训练时,在网络损失降低的过程中更新权重和偏置b的迭代更新公式为:;
是学习率,是通过损失函数对权重w和偏置b的偏导;
S3、将待分类样本输入训练完成的卷积神经网络模型,经softmax函数输出对应各类别的概率分布(P1,P2),并基于信息熵公式H =−P1log2P1−P2log2P2计算样本预测结果的信息熵值H,以表征该样本分类结果的不确定度;
S4、将所述信息熵值H与预设阈值θ进行比较:
当H ≤ θ时,直接采用卷积神经网络模型输出的分类结果作为最终分类结果;
当H > θ时,将对应样本输入随机森林模型进行二次分类,并采用随机森林模型的输出结果作为该样本的最终分类结果;
S5、对卷积神经网络模型的分类结果与随机森林模型的二次分类结果进行融合输出,获得最终入侵检测结果。
2.根据权利要求1所述一种基于信息熵理论结合卷积神经网络的入侵检测方法,其特征在于,所述步骤S1中的标准化处理包括:对第k个特征的样本值xik进行均值xk与标准差Sk计算,并通过如下公式进行标准化处理:Zik = (xik − xk) / Sk其中,Zik为标准化后的特征值。
3.根据权利要求1所述的一种基于信息熵理论结合卷积神经网络的入侵检测方法,其特征在于,所述步骤S4中的阈值θ通过如下方式确定:基于训练集对不同阈值下的分类结果进行评估,选取使二次分类不确定样本率最低的阈值作为最优阈值θ。
4.根据权利要求1所述的一种基于信息熵理论结合卷积神经网络的入侵检测方法,其特征在于,所述随机森林模型仅针对信息熵值H大于阈值θ的样本进行训练与分类,以减少整体计算量并提升对高不确定性样本的识别准确率。
5.根据权利要求1所述的一种基于信息熵理论结合卷积神经网络的入侵检测方法,其特征在于,所述最终入侵检测结果由卷积神经网络模型输出结果与随机森林模型输出结果合并构成,其中低不确定性样本采用卷积神经网络模型结果,高不确定性样本采用随机森林模型结果。