基于攻击共享损失和深度神经网络的网络入侵检测方法与流程

技术特征：
1.一种基于攻击共享损失和深度神经网络的网络入侵检测方法，其特征在于，包括以下步骤：s1：采集若干网络攻击类型数据，并将其输入至搭建的深度神经网络中，输出每个网络攻击类型的预测值；s2：根据每个网络攻击类型的预测值构建攻击共享损失函数，并利用攻击共享损失函数对网络攻击类型分类，并将其作入侵检测结果；s3：根据网络攻击类型数据，利用梯度优化更新深度神经网络，进入下一次网络入侵检测。2.根据权利要求1所述的基于攻击共享损失和深度神经网络的网络入侵检测方法，其特征在于，所述步骤s1中，深度神经网络包括依次连接的输入层、若干隐藏层和输出层；所述步骤s1中，输出每个网络攻击类型的预测值的具体方法为：将若干网络攻击类型数据依次输入至输入层和隐藏层，并在隐藏层中加入权重和偏置向量作为隐藏层神经元，得到若干网络攻击类型数据的特征值；通过输出层的激活函数进入激活状态，在输出层计算每类网络攻击类型的预测值。3.根据权利要求2所述的基于攻击共享损失和深度神经网络的网络入侵检测方法，其特征在于，所述深度神经网络的隐藏层中，第l层隐藏层的第i个隐藏层神经元的输出的计算公式为：其中，g(
·
)表示校正的线性单位激活函数，表示连接层第l
‑
1层隐藏层和第l层隐藏层的权重矩阵中的第i行，表示第l层隐藏层的偏置向量；第l
‑
1层隐藏层的稀疏输出h
(l
‑
1)
的计算公式为：h
(l
‑
1)
＝h
(l
‑
1)
*r其中，r表示由于伯努利随机变量组成的掩码向量，h
(l
‑
1)
表示第l
‑
1层隐藏层。4.根据权利要求2所述的基于攻击共享损失和深度神经网络的网络入侵检测方法，其特征在于，所述深度神经网络的输出层包括c个激活单元，其中，c表示类的数量；每类网络攻击类型数据属于第j类网络攻击类型的预测值的计算公式为：其中，softmax(
·
)表示激活函数，exp(
·
)表示指数函数，z
j
表示第j层线性激活向量，z
k
表示第k层线性激活向量。5.根据权利要求1所述的基于攻击共享损失和深度神经网络的网络入侵检测方法，其特征在于，所述步骤s2中，攻击共享损失函数j
as
的表达式为：其中，j
ce
表示交叉熵损失，n表示训练样本数，λ(
·
)表示控制参数函数，i(
·
)表示指标函数，表示第l类网络攻击类型的预测值，c表示类的数量，log(
·
)表示对数函数。
6.根据权利要求1所述的基于攻击共享损失和深度神经网络的网络入侵检测方法，其特征在于，所述步骤s3包括以下子步骤：s31：计算深度神经网络中的随机梯度g
t
，其计算公式为：其中，θ
t
‑1表示第t
‑
1个参数向量，j(θ
t
‑1)表示关于参数向量θ
t
‑1的损失值；s32：根据随机梯度g
t
，更新用于存储随机梯度的一阶矩s
t
和用于存储平方梯度的指数衰减平均值的二阶矩r
t
，其更新公式为：s
t
＝ρ1s
t
‑1 (1
‑
ρ1)g
t
其中，ρ1表示一阶矩中的超参数，s
t
‑1表示第t
‑
1个随机梯度的一阶矩阵，ρ2表示二阶矩中的超参数，r
t
‑1表示第t
‑
1个掩码向量；s33：根据一阶矩s
t
和二阶矩r
t
，更新参数向量θ
t
，完成梯度更新，其更新公式为：其中，ξ表示步长，δ表示稳定因子，θ
t
‑1表示第t
‑
1个参数向量。

技术总结
本发明公开了一种基于攻击共享损失和深度神经网络的网络入侵检测方法，包括以下步骤：S1：采集若干网络攻击类型数据，并将其输入至搭建的深度神经网络中，输出每个网络攻击类型的预测值；S2：根据每个网络攻击类型的预测值构建攻击共享损失函数，并利用攻击共享损失函数对网络攻击类型分类，并将其作入侵检测结果；S3：根据网络攻击类型数据，利用梯度优化更新深度神经网络，进入下一次网络入侵检测。本发明针对多类网络入侵检测，实现高检测精度。且定义了攻击共享损失函数解决不平衡分类问题，利用自适应更新学习速率的Adam优化器加速模型学习过程。模型学习过程。模型学习过程。


技术研发人员：赵仕伟 罗影 刘红 肖伟 陈柏希
受保护的技术使用者：成都航空职业技术学院
技术研发日：2021.07.30
技术公布日：2021/10/29