基于多层感知卷积神经网络的网络入侵检测方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115865486A(43)申请公布日2023.03.28(21)申请号202211519273.8(22)申请日2022.11.30(71)申请人山东大学地址266237山东省青岛市即墨滨海路72号(72)发明人刘治王聪聪孔旋侯建刚(74)专利代理机构济南圣达知识产权代理有限公司37221专利代理师王雪(51)Int.Cl.H04L9/40(2022.01)H04L43/04(2022.01)G06N3/0464(2023.01)G06N3/08(2023.01)权利要求书1页说明书6页附图2页(54)发明名称基于多层感知卷积神经网络的网络入侵检测方法及系统(57)摘要本发明公开一种基于多层感知卷积神经网络的网络入侵检测方法及系统，包括：获取待测网络环境中的网络流量数据；采用训练后的网络入侵检测模型对网络流量数据进行分类，得到有无网络入侵的识别结果；所述网络入侵检测模型基于多层感知卷积神经网络构建，训练过程包括：对训练样本集，提取由每层感知卷积层输出的不同尺度的特征图，对不同尺度的特征图经上采样和双线性插值后得到统一尺度的特征图，将统一尺度的特征图串联融合后得到多尺度融合特征，根据多尺度融合特征和训练样本集的分类标签对网络入侵检测模型进行训练。提高特征提取能力和感知能力，提高网络流量分类问题的准确率。CN115865486ACN115865486A权利要求书1/1页1.基于多层感知卷积神经网络的网络入侵检测方法，其特征在于，包括：获取待测网络环境中的网络流量数据；采用训练后的网络入侵检测模型对网络流量数据进行分类，得到有无网络入侵的识别结果；所述网络入侵检测模型基于多层感知卷积神经网络构建，训练过程包括：对训练样本集，提取由每层感知卷积层输出的不同尺度的特征图，对不同尺度的特征图经上采样和双线性插值后得到统一尺度的特征图，将统一尺度的特征图串联融合后得到多尺度融合特征，根据多尺度融合特征和训练样本集的分类标签对网络入侵检测模型进行训练。2.如权利要求1所述的基于多层感知卷积神经网络的网络入侵检测方法，其特征在于，所述多层感知卷积神经网络包括四个感知卷积层、四个池化层、多尺度特征融合层和一个softmax分类器。3.如权利要求2所述的基于多层感知卷积神经网络的网络入侵检测方法，其特征在于，每个感知卷积层包括四个二维卷积，卷积核大小分别为5*5、5*5、3*3、3*3；四个池化层中前三层为最大池化层，第四层为全局平均池化层。4.如权利要求2所述的基于多层感知卷积神经网络的网络入侵检测方法，其特征在于，所述多尺度特征融合层中将统一尺度的特征图通过Concat函数进行串联融合。5.如权利要求1所述的基于多层感知卷积神经网络的网络入侵检测方法，其特征在于，对获取的网络流量数据在进行分类识别之前进行预处理并转化为IDX格式。6.如权利要求5所述的基于多层感知卷积神经网络的网络入侵检测方法，其特征在于，所述预处理过程包括：将网络流量数据进行流量切分、重复流量清理、长度统一处理及可视化处理后，得到灰度图片，将灰度图片转化为IDX文件。7.如权利要求6所述的基于多层感知卷积神经网络的网络入侵检测方法，其特征在于，所述长度统一处理过程中，若网络流量数据长度大于设定字节则截取掉超出设定字节的部分，若小于设定字节则在后补零。8.基于多层感知卷积神经网络的网络入侵检测系统，其特征在于，包括：数据获取模块，被配置为获取待测网络环境中的网络流量数据；入侵检测模块，被配置为采用训练后的网络入侵检测模型对网络流量数据进行分类，得到有无网络入侵的识别结果；所述网络入侵检测模型基于多层感知卷积神经网络构建，训练过程包括：对训练样本集，提取由每层感知卷积层输出的不同尺度的特征图，对不同尺度的特征图经上采样和双线性插值后得到统一尺度的特征图，将统一尺度的特征图串联融合后得到多尺度融合特征，根据多尺度融合特征和训练样本集的分类标签对网络入侵检测模型进行训练。9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1‑7任一项所述的方法。10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1‑7任一项所述的方法。2CN115865486A说明书1/6页基于多层感知卷积神经网络的网络入侵检测方法及系统技术领域[0001]本发明涉及网络入侵检测技术领域，特别是涉及一种基于多层感知卷积神经网络的网络入侵检测方法及系统。背景技术[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。[0003]网络入侵是一种试图破坏计算机和网络系统资源完整性、机密性或可用