欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023101018020
申请人: 河南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度自编码器的偏好性训练抵抗生成对抗样本方法,其特征在于,包括以下步骤:对数据集进行预处理,得到备选集;

基于备选集训练深度自编码器,得到训练后的深度自编码器;

基于训练后的深度自编码器计算数据集中的流量分别得到最小损失和最大损失;基于所述最小损失以及所述最大损失得到所述数据集中每个流量数据的异常分数;

根据所述异常分数构建目标函数,基于所述目标函数训练基本分类器得到备选分类器,以得到训练完成的网络模型,用于网络入侵检测;

预处理过程为:去除数据集中的无效数据,数据去除时是去除数据所在行;将所有非数值化的数据转换为数值化数据,其方法是利用离散值代替;对数据集中保留下的所有数据进行标准化处理,并对这些数据极其不平衡的列进行归一化操作;标签列通过不同的分类要求,进行二分类和多分类的处理方法;在NSL-KDD数据集中通过标签列将其分为正常流量和异常流量两种,将正常流量标注为0,异常流量进行细分为39类,利用数字1-39进行标注;通过验证是否正确来判断流量是正常流量还是异常流量,此种为二分类;通过验证是否正确来判断流量是否为40类的其中一种,此种方法为多分类;

所述根据所述异常分数构建目标函数的步骤,包括:

获取每个流量数据对应的异常分数在所述数据集中所有训练样本对应的异常分数中的频率,基于每个流量数据对应的所述频率获取所述目标函数的公式表示为:其中,表示取最小值;表示所有训练样本的数量;表示训练样本对应的异常分数在整个数据集中所有训练样本的异常分数中的占比;表示正则项;表示正则项系数;表示自然常数;表示损失函数。

2.根据权利要求1所述的一种基于深度自编码器的偏好性训练抵抗生成对抗样本方法,其特征在于,所述对数据集进行预处理的步骤,包括:基于所述数据集从非结构化的网络流量中提取流量数据,对所述流量数据中的不可用数据进行剔除,并将所述流量数据中的非数值化数据转换为数值;

对所有的流量数据进行标准化和归一化处理,选取出流量数据中的正常样本构成备选集。

3.根据权利要求2所述的一种基于深度自编码器的偏好性训练抵抗生成对抗样本方法,其特征在于,所述基于训练后的深度自编码器计算数据集中的流量分别得到最小损失和最大损失的步骤,包括:基于所述备选集中的流量数据对所述深度自编码器进行训练,基于训练完成的深度自编码器获取所述数据集中每个流量数据的损失值,以得到其中的最小损失和最大损失。

4.根据权利要求1所述的一种基于深度自编码器的偏好性训练抵抗生成对抗样本方法,其特征在于,所述基于所述最小损失以及所述最大损失得到所述数据集中每个流量数据的异常分数的步骤,包括:对于任意一个流量数据,计算所述流量数据对应损失值与所述最小损失的差值作为分子;计算所述最大损失与最小损失的差值作为分母,所述分子与所述分母得到的比值为所述流量数据的异常分数。

5.根据权利要求1所述的一种基于深度自编码器的偏好性训练抵抗生成对抗样本方法,其特征在于,所述以得到训练完成的网络模型的步骤之后,还包括:在每个设定的batch中选择最正确的流量并放入所述深度自编码器的训练集中,在预设时间段之后,剔除时间最久的流量数据并对所述深度自编码器重新训练。

6.根据权利要求5所述的一种基于深度自编码器的偏好性训练抵抗生成对抗样本方法,其特征在于,所述最正确的流量的筛选表示为:;表示标注为0的正常流量,表示最小异常分数;所述剔除时间最久的流量数据表示为:,利用方法表示将日期为的流量从数据集中删除,用于返回训练集中最久时间的日期。