1.一种基于网络流量特征权重图谱的入侵检测方法,其特征在于,所述基于网络流量特征权重图谱的入侵检测方法,包括:对公开数据集进行预处理,利用预处理得到的数据集获得特征基准图谱,并利用每个样本和特征基准图谱得到样本特征权重图谱,将特征权重图谱导入神经网络进行训练,获得训练好的神经网络;
将待检测网络流量的特征值与特征基准图谱结合获得待检测网络流量对应的特征权重图谱;
将待检测网络流量对应的特征权重图谱输入训练好的神经网络识别,进行检测识别;
其中,所述利用预处理得到的数据集获得特征基准图谱,包括:将权重矩阵C引入到共聚距离函数中,加上权重矩阵C的正则化函数可得如下目标函数:
上述公式的约束条件如下:
通过最小化目标函数所得的权重矩阵C即为所要求的特征基准图谱;
上述公式中,η是正则化参数,cg,j是第g行簇中第j列的权重值;U=[ui,g]N×K是数据集的行聚类矩阵,ui,g=1代表第i个数据分类在第g个行簇内;V=[vj,h]M×L是数据集的列聚类矩阵,vj,h=1代表数据第j特征分类在第h个列簇内;
Z=[zg,h]K×L是K×L共聚的中心距,距离d(xi,j,zg,h)的定义为:2
d(xi,j,zg,h)=(xi,j‑zg,h) ,其中xi,j为数据集中第i条数据,第j个特征的数值,N为数据集的条数,M为数据的特征数量,K为行聚类矩阵的行簇数量,L为列聚类矩阵的列簇数量;
或者,所述利用预处理得到的数据集获得特征基准图谱,包括:构建目标函数:
及其约束条件:
其中,U=[ui,g]N×K是数据集的行聚类矩阵,ui,g=1代表第i个数据分类在第g个行簇内,通过最小化目标函数所得的权重矩阵C即为所要求的特征基准图谱;
其中,Eg,j是g行簇中关于第j个特征属性的均值;
Dg,j是g行簇中关于第j个特征属性的方差;
是各个行簇关于第j个特征属性均值Eg,j的均值;
是各个行簇中关于第j个特征属性方差Dg,j的均值;
η是正则化参数,cg,j是第g行簇中第j列的权重值,xi,j为数据集中第i条数据,第j个特征的数值,N为数据集的条数,M为数据的特征数量,K为行聚类矩阵的行簇数量。