基于LMDR算法的卷积神经网络入侵数据检测方法及系统与流程

基于lmdr算法的卷积神经网络入侵数据检测方法及系统
技术领域
1.本发明涉及数据信息安全处理的技术领域，特别涉及基于lmdr算法的卷积神经网络入侵数据检测方法及系统。


背景技术：

2.目前，对入侵检测数据进行数据处理时，通常是通过特征约减去除掉部分和主要特征目标关系不大的特征数据，但是在删除特征关联性不高的数据的同时，忽略了删除的数据与所选择主要特征数据之间的相关性问题。上述数据处理操作会牺牲一部分数据的准确率，此外，现有技术的入侵检测数据分类模型已经难以满足当今大数据环境下对入侵检测数据的检测精度要求。


技术实现要素：

3.针对现有技术存在的缺陷，本发明提供基于lmdr算法的卷积神经网络入侵数据检测方法及系统，其通过对目标数据对象进行数据预处理，从而获得归一化和标准化的预处理数据，再通过对数边际密度比lmdr算法，对该预处理数据进行数据特征增强处理，从而获得特征增强化数据集合，对该特征增强化数据集合进行特征约减处理和数据图像化处理，从而获得图像特征数据集合，最后通过卷积神经网络cnn，对该图像特征数据集合进行分类处理，从而确定该目标数据对象中存在的入侵数据；可见，该基于lmdr算法的卷积神经网络入侵数据检测方法及系统通过数据预处理、lmdr特征增强、特征约减与数据图像化、卷积神经网络处理这四个方面进行入侵数据的处理，其主要利用lmdr算法对原始数据集合进行数据变换，以实现对原始数据的特征增强，相比于现有的采用机器学习算法和神经网络模型发的处理方式，其能够更加充分地挖掘不同数据特征之间的联系，从而有效地提高对入侵数据/非入侵数据的分类准确率以及降低数据分类的误报率。
4.本发明提供基于lmdr算法的卷积神经网络入侵数据检测方法，其特征在于，包括如下步骤：
5.步骤s1，对目标数据对象进行数据预处理，从而获得归一化和标准化的预处理数据；
6.步骤s2，通过对数边际密度比lmdr算法，对所述预处理数据进行数据特征增强处理，从而获得特征增强化数据集合；
7.步骤s3，对所述特征增强化数据集合进行特征约减处理和数据图像化处理，从而获得图像特征数据集合；
8.步骤s4，通过卷积神经网络cnn，对所述图像特征数据集合进行分类处理，从而确定所述目标数据对象中存在的入侵数据；
9.进一步，在所述步骤s1中，对目标数据对象进行数据预处理，从而获得归一化和标准化的预处理数据具体包括，
10.步骤s101，对所述目标数据对象对应的数据集合进行数据离散特征哑编码化处
理，从而获得离散哑编码化的数据集合；
11.步骤s102，对所述离散哑编码化的数据集合进行数据归一化处理和数据标准化处理，从而获得所述预处理数据；
12.进一步，在所述步骤s2中，通过对数边际密度比lmdr算法，对所述预处理数据进行数据特征增强处理，从而获得特征增强化数据集合具体包括，
13.步骤s201，将所述预处理数据对应的预处理数据集合s分割为两个在数据内容上互斥的子集合s1和s2；
14.步骤s2，获取所述子集合s1对应的类条件密度值g*和f*，以及所述子集合s1对应的对数边际密度比矩阵y；
15.步骤s3，根据所述类条件密度值g*和f*，获得所述子集合s2的对数边际密度比矩阵x(2)*，以此构建形成新数据集合z*＝(x(2)*，y)，并将所述新数据集合z*作为所述特征增强化数据集合；
16.进一步，在所述步骤s3中，对所述特征增强化数据集合进行特征约减处理和数据图像化处理，从而获得图像特征数据集合具体包括，
17.步骤s301，通过随机森林算法对所述特征增强化数据集合进行特征约减处理，从而将所述特征增强化数据集合的原数据维度值n降低为维度值m，并且所述维度值m满足m＝a*a，a为大于1的正整数，其中所述特征约减处理是剔除所述特征增强化数据集合中与主要特征数据之间的实际关联度低于预设关联度阈值的数据；
18.步骤s302，将维度值降低为m后重构得到的特征增强化数据集合进行数据图像化处理，从而获得a*a维的图像特征数据集合，其中，所述数据图像化处理是将重构得到的特征增强化数据集合中的所有数据进行二分差值，从而得到所述图像特征数据集合；
19.进一步，在所述步骤s4中，通过卷积神经网络cnn，对所述图像特征数据集合进行分类处理，从而确定所述目标数据对象中存在的入侵数据具体包括，
20.步骤s401，构建卷积神经网络cnn，将具有不同具体数值维度a*a的所述图像特征数据集合输入至所述卷积神经网络cnn，并利用10折交叉验证的方式重复多次训练所述卷积神经网络cnn，并对应获取训练后的所述卷积神经网络cnn的若干模型收敛值；
21.步骤s402，根据若干所述模型收敛值，确定训练最优化的卷积神经网络cnn；
22.步骤s403，通过所述训练最优化的卷积神经网络cnn，对所述图像特征数据集合进行分类处理，从而区分其中存在的入侵数据和非入侵数据。
23.本发明还提供基于lmdr算法的卷积神经网络入侵数据检测系统，其特征在于，包括数据预处理模块、lmdr特征增强模块、特征约减与数据图像化模块和卷积神经网络处理模块；其中，
24.所述数据预处理模块用于对目标数据对象进行数据预处理，从而获得归一化和标准化的预处理数据；
25.所述lmdr特征增强模块用于通过对数边际密度比lmdr算法，对所述预处理数据进行数据特征增强处理，从而获得特征增强化数据集合；
26.所述特征约减与数据图像化模块用于对所述特征增强化数据集合进行特征约减处理和数据图像化处理，从而获得图像特征数据集合；
27.所述卷积神经网络处理模块用于通过卷积神经网络cnn，对所述图像特征数据集
合进行分类处理，从而确定所述目标数据对象中存在的入侵数据；
28.进一步，所述数据预处理模块包括离散特征哑编码处理子模块、归一化处理子模块和标准化处理子模块；其中，
29.所述离散特征哑编码处理子模块用于对所述目标数据对象对应的数据集合进行数据离散特征哑编码化处理，从而获得离散哑编码化的数据集合；
30.所述归一化处理子模块和所述标准化处理子模块分别用于对所述离散哑编码化的数据集合进行数据归一化处理和数据标准化处理，从而获得所述预处理数据；
31.进一步，所述lmdr特征增强模块包括数据集合分割子模块、数据子集合参数计算子模块和特征增强化数据构建子模块；其中，
32.所述数据集合分割子模块用于将所述预处理数据对应的预处理数据集合s分割为两个在数据内容上互斥的子集合s1和s2；
33.所述数据子集合参数计算子模块用于计算所述子集合s1对应的类条件密度值g*和f*，计算所述子集合s1对应的对数边际密度比矩阵y以及根据所述类条件密度值g*和f*、计算所述子集合s2的对数边际密度比矩阵x(2)*；
34.所述特征增强化数据构建子模块用于根据公式z*＝(x(2)*，y)构建形成新数据集合z*，从而将所述新数据集合z*作为所述特征增强化数据集合；
35.进一步，所述特征约减与数据图像化模块包括特征约减处理子模块和数据图像化处理子模块；其中，
36.所述特征约减处理子模块用于通过随机森林算法对所述特征增强化数据集合进行特征约减处理，从而将所述特征增强化数据集合的原数据维度值n降低为维度值m，并且所述维度值m满足m＝a*a，a为大于1的正整数，其中所述特征约减处理是剔除所述特征增强化数据集合中与主要特征数据之间的实际关联度低于预设关联度阈值的数据；
37.所述数据图像化处理子模块用于将维度值降低为m后重构得到的特征增强化数据集合进行数据图像化处理，从而获得a*a维的图像特征数据集合，其中，所述数据图像化处理是将重构得到的特征增强化数据集合中的所有数据进行二分差值，从而得到所述图像特征数据集合；
38.进一步，所述卷积神经网络处理模块包括卷积神经网络cnn构建与训练子模块、最优卷积神经网络cnn确定子模块和数据分类处理子模块；其中，
39.所述卷积神经网络cnn构建与训练子模块用于构建卷积神经网络cnn，将具有不同具体数值维度a*a的所述图像特征数据集合输入至所述卷积神经网络cnn，并利用10折交叉验证的方式重复多次训练所述卷积神经网络cnn，并对应获取训练后的所述卷积神经网络cnn的若干模型收敛值；
40.所述最优卷积神经网络cnn确定子模块用于根据若干所述模型收敛值，并将具有最小模型收敛值的卷积神经网络cnn确定为训练最优化的卷积神经网络cnn；
41.所述数据分类处理子模块用于通过所述训练最优化的卷积神经网络cnn，对所述图像特征数据集合进行分类处理，从而区分其中存在的入侵数据和非入侵数据。
42.相比于现有技术，该基于lmdr算法的卷积神经网络入侵数据检测方法及系统通过对目标数据对象进行数据预处理，从而获得归一化和标准化的预处理数据，再通过对数边际密度比lmdr算法，对该预处理数据进行数据特征增强处理，从而获得特征增强化数据集
合，对该特征增强化数据集合进行特征约减处理和数据图像化处理，从而获得图像特征数据集合，最后通过卷积神经网络cnn，对该图像特征数据集合进行分类处理，从而确定该目标数据对象中存在的入侵数据；可见，该基于lmdr算法的卷积神经网络入侵数据检测方法及系统通过数据预处理、lmdr特征增强、特征约减与数据图像化、卷积神经网络处理这四个方面进行入侵数据的处理，其主要利用lmdr算法对原始数据集合进行数据变换，以实现对原始数据的特征增强，相比于现有的采用机器学习算法和神经网络模型发的处理方式，其能够更加充分地挖掘不同数据特征之间的联系，从而有效地提高对入侵数据/非入侵数据的分类准确率以及降低数据分类的误报率。
43.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
44.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
45.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
46.图1为本发明提供的基于lmdr算法的卷积神经网络入侵数据检测方法的流程示意图。
47.图2为本发明提供的基于lmdr算法的卷积神经网络入侵数据检测方法中数据离散特征亚编码化处理后得到的编码数据集。
48.图3为本发明提供的基于lmdr算法的卷积神经网络入侵数据检测方法中数据图像化处理后得到的灰度图。
49.图4为本发明提供的基于lmdr算法的卷积神经网络入侵数据检测系统的结构示意图。
具体实施方式
50.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
51.参阅图1，为本发明实施例提供的基于lmdr算法的卷积神经网络入侵数据检测方法的流程示意图。该基于lmdr算法的卷积神经网络入侵数据检测方法，包括如下步骤：
52.步骤s1，对目标数据对象进行数据预处理，从而获得归一化和标准化的预处理数据；
53.步骤s2，通过对数边际密度比lmdr算法，对该预处理数据进行数据特征增强处理，从而获得特征增强化数据集合；
54.步骤s3，对该特征增强化数据集合进行特征约减处理和数据图像化处理，从而获
得图像特征数据集合；
55.步骤s4，通过卷积神经网络cnn，对该图像特征数据集合进行分类处理，从而确定该目标数据对象中存在的入侵数据。
56.该基于lmdr算法的卷积神经网络入侵数据检测方法有别于现有技术只采用卷积神经网络作为整体模型分类器，以将入侵检测数据进行图像化转换来适配卷积神经网络的输入，其考虑到入侵检测数据在经过传统的特征降维与图像化转换后会由于分类特征不够明显而导致整体模型整体分类表现不佳，其采用对数边际密度比lmdr算法作为数据特征增强的手段，这样能够有效地提高数据特征性，并且还能够在后续特征约减处理后依然能够维持数据自身的高特征性，从而充分地挖掘不同数据特征之间的联系，以及有效地提高对入侵数据/非入侵数据的分类准确率以及降低数据分类的误报率。
57.优选地，在该步骤s1中，对目标数据对象进行数据预处理，从而获得归一化和标准化的预处理数据具体包括，
58.步骤s101，对该目标数据对象对应的数据集合进行数据离散特征哑编码化处理，从而获得离散哑编码化的数据集合；
59.步骤s102，对该离散哑编码化的数据集合进行数据归一化处理和数据标准化处理，从而获得该预处理数据。
60.其中，该数据离散特征哑编码化处理的实现过程为，选择nsl_kdd数据集作为实验用数据集，由于卷积神经网络需要输入数值型数据，因此需要先将原数据集中的protocol_type，service，flag三种离散型特征值进行哑编码转换，通过数据分析可知整个数据集一共包含3种协议类型(protocol_type)、70种服务类型(service)以及11种标志类型(flag)，利用特定模型将这三种离散型特征值转化成由若干位0和一位1表示而成的序列，即实现数值哑编码化处理，共得到122维特征的新数据集，而得到的新数据集如图2所示。
61.其中，该数据归一化处理和该数据标准化处理的实现过程为，由于lmdr特征增强中的需求以及数据集本身可能会因数据差异过大所影响最终分类结果，本发明采用minmax标准化将整体数据归一化到[0，1]的区间范围内，其中minmax归一化公式如下表示：
[0062][0063]
在上述公式中，x*表示标准化化之后的数据，x表示原数据集数据，x
min
表示数据集某特征中最小数据值，x
max
表示数据集特征中最大数据值。
[0064]
通过对目标数据对象对应的数据集合进行数据离散特征哑编码化处理、数据归一化处理和数据标准化处理等一系列处理能够使得数据满足后续对数边际密度比lmdr算法的处理要求，并且还能够有效地降低数据自身的噪声，从而提高后续对数边际密度比lmdr算法的处理进度和效率。
[0065]
优选地，在该步骤s2中，通过对数边际密度比lmdr算法，对该预处理数据进行数据特征增强处理，从而获得特征增强化数据集合具体包括，
[0066]
步骤s201，将该预处理数据对应的预处理数据集合s分割为两个在数据内容上互斥的子集合s1和s2；
[0067]
步骤s2，获取该子集合s1对应的类条件密度值g*和f*，以及该子集合s1对应的对
数边际密度比矩阵y；
[0068]
步骤s3，根据该类条件密度值g*和f*，获得该子集合s2的对数边际密度比矩阵x(2)*，以此构建形成新数据集合z*＝(x(2)*，y)，并将该新数据集合z*作为该特征增强化数据集合。
[0069]
其中，计算该子集合s1对应的类条件密度值g*和f*的过程为，
[0070]
第一，数据集的分割，将数据集s互斥随机分成两个数据集s1和s2，这两个数据集将满足s1∪s2＝s，且定义s1＝(x1,y1),s2＝(x2,y2)，同时令n1和n2分别为s1和s2的样本数量，则有n1 n2＝n；
[0071]
第二，根据核密度估计类条件密度，将核密度估计应用s1数据集之中求出类条件密度，并分别用g*和f*定义这个估计，其中有：g
*
＝(g
1*
,g
2*
,
…
,g
p*
)
t
，f
*
＝(f
1*
,f
2*
,
…
,f
p*
)
t
，
[0072]
令x1 定义第一个数据集s1中的标签y
i(1)
＝1,i＝1,2,
…
,n1时与之相关的的数据集合即同理可令x
1-定义s1集合中当出现y
i(1)
＝0,i＝1,2,
…
,n1时，的数据集合，即且满足x
1
∪x
1-＝x
(1)
。因此定义g
j*
(
·
)和f
j*
(
·
)是分别基于如下的两个数据子集与的，且n
1
和n
1-分别表示x
1
和x
1-这两个数据集的样本数目，且有n
1
n
1-＝n
[0073]
故上述概念可进行如下的表示
[0074][0075][0076]
其中，j＝1,2,
…
p，p代表预定维数，k()代表核函数，h是带宽。
[0077]
其中，根据该类条件密度值g*和f*，获得该子集合s2的对数边际密度比矩阵x(2)*的过程为，
[0078]
通过数据转换，将lmdr特征增强应用于数据集s2从而将x
(2)
转变为x
(2)*
，即
[0079][0080]
则可构成新的数据集其中有
[0081][0082]
通过对数边际密度比lmdr算法实现数据增强处理，能够有效地增强数据特征，并且该lmdr算法的处理过程简单，其能够在较小运算量的情况下就能够快速地和高效地实现特征增强，从而降低数据特征增强的繁复性和工作量。
[0083]
优选地，在该步骤s3中，对该特征增强化数据集合进行特征约减处理和数据图像化处理，从而获得图像特征数据集合具体包括，
[0084]
步骤s301，通过随机森林算法对该特征增强化数据集合进行特征约减处理，从而将该特征增强化数据集合的原数据维度值n降低为维度值m，并且该维度值m满足m＝a*a，a为大于1的正整数，其中该特征约减处理是剔除该特征增强化数据集合中与主要特征数据之间的实际关联度低于预设关联度阈值的数据，其中，该随机森林算法属于现有技术的一种随机算法，这里就不再做进一步的累述；
[0085]
步骤s302，将维度值降低为m后重构得到的特征增强化数据集合进行数据图像化处理，从而获得a*a维的图像特征数据集合，其中，该数据图像化处理是将重构得到的特征增强化数据集合中的所有数据进行二分差值，从而得到该图像特征数据集合。
[0086]
其中，该数据图像化处理的过程为，通过将数据集的所有特征放缩到0～255(rgb色彩范围)的范围内，并将其数值利用灰度图显示出来，灰度图能够体现出来不同入侵类型的的灰度图是不同的，一个拥有良好区分度的图像数据集同样也能够作为卷积神经网络的输入数据而使模型分类得到良好的效果，其转换后的灰度图如图3所示。从该图3可见，第一列是将原数据集特征约减到40维(5x8)的数据灰度图，中间一栏是将哑编码后的122维特征约减到81维(9*9)的数据灰度图，而第三栏则是将数据集通过lmdr特征增强后再进行特征约减到81维(9x9)的数据灰度图像；通过比较每一列的灰度图可以发现同种类型的灰度图像存在着相同或相似的特征。而当通过lmdr特征增强后的数据在单位像素点包含的信息更丰富，入侵攻击流量和正常流量能够有更强的区分度。
[0087]
通过对该特征增强化数据集合进行特征约减处理和数据图像化处理，能够将该特征增强化数据集合转换为与后续卷积神经网络cnn相适配的数据，从而提高该卷积神经网络cnn的数据处理效率和准确性。
[0088]
优选地，在该步骤s4中，通过卷积神经网络cnn，对该图像特征数据集合进行分类处理，从而确定该目标数据对象中存在的入侵数据具体包括，
[0089]
步骤s401，构建卷积神经网络cnn，将具有不同具体数值维度a*a的该图像特征数据集合输入至该卷积神经网络cnn，并利用10折交叉验证的方式重复多次训练该卷积神经网络cnn，并对应获取训练后的该卷积神经网络cnn的若干模型收敛值；
[0090]
步骤s402，根据若干该模型收敛值，确定训练最优化的卷积神经网络cnn；
[0091]
步骤s403，通过该训练最优化的卷积神经网络cnn，对该图像特征数据集合进行分类处理，从而区分其中存在的入侵数据和非入侵数据。
[0092]
通过10折交叉验证的方式对卷积神经网络cnn进行训练优化，并在获得最优化的情况下对该图像特征数据集合进行分类处理，其能够保证对入侵数据和非入侵数据进行准确和高效的区分，从而最大限度地提高对入侵数据的检测可靠性。
[0093]
参阅图4，为本发明实施例提供的基于lmdr算法的卷积神经网络入侵数据检测系统的结构示意图。该基于lmdr算法的卷积神经网络入侵数据检测系统，包括数据预处理模块、lmdr特征增强模块、特征约减与数据图像化模块和卷积神经网络处理模块；其中，
[0094]
该数据预处理模块用于对目标数据对象进行数据预处理，从而获得归一化和标准化的预处理数据；
[0095]
该lmdr特征增强模块用于通过对数边际密度比lmdr算法，对该预处理数据进行数据特征增强处理，从而获得特征增强化数据集合；
[0096]
该特征约减与数据图像化模块用于对该特征增强化数据集合进行特征约减处理
和数据图像化处理，从而获得图像特征数据集合；
[0097]
该卷积神经网络处理模块用于通过卷积神经网络cnn，对该图像特征数据集合进行分类处理，从而确定该目标数据对象中存在的入侵数据。
[0098]
该基于lmdr算法的卷积神经网络入侵数据检测系统有别于现有技术只采用卷积神经网络作为整体模型分类器，以将入侵检测数据进行图像化转换来适配卷积神经网络的输入，其考虑到入侵检测数据在经过传统的特征降维与图像化转换后会由于分类特征不够明显而导致整体模型整体分类表现不佳，其采用对数边际密度比lmdr算法作为数据特征增强的手段，这样能够有效地提高数据特征性，并且还能够在后续特征约减处理后依然能够维持数据自身的高特征性，从而充分地挖掘不同数据特征之间的联系，以及有效地提高对入侵数据/非入侵数据的分类准确率以及降低数据分类的误报率。
[0099]
优选地，该数据预处理模块包括离散特征哑编码处理子模块、归一化处理子模块和标准化处理子模块；其中，
[0100]
该离散特征哑编码处理子模块用于对该目标数据对象对应的数据集合进行数据离散特征哑编码化处理，从而获得离散哑编码化的数据集合；
[0101]
该归一化处理子模块和该标准化处理子模块分别用于对该离散哑编码化的数据集合进行数据归一化处理和数据标准化处理，从而获得该预处理数据。
[0102]
通过对目标数据对象对应的数据集合进行数据离散特征哑编码化处理、数据归一化处理和数据标准化处理等一系列处理能够使得数据满足后续对数边际密度比lmdr算法的处理要求，并且还能够有效地降低数据自身的噪声，从而提高后续对数边际密度比lmdr算法的处理进度和效率。
[0103]
优选地，该lmdr特征增强模块包括数据集合分割子模块、数据子集合参数计算子模块和特征增强化数据构建子模块；其中，
[0104]
该数据集合分割子模块用于将该预处理数据对应的预处理数据集合s分割为两个在数据内容上互斥的子集合s1和s2；
[0105]
该数据子集合参数计算子模块用于计算该子集合s1对应的类条件密度值g*和f*，计算该子集合s1对应的对数边际密度比矩阵y以及根据该类条件密度值g*和f*、计算该子集合s2的对数边际密度比矩阵x(2)*；
[0106]
该特征增强化数据构建子模块用于根据公式z*＝(x(2)*，y)构建形成新数据集合z*，从而将该新数据集合z*作为该特征增强化数据集合。
[0107]
通过对数边际密度比lmdr算法实现数据增强处理，能够有效地增强数据特征，并且该lmdr算法的处理过程简单，其能够在较小运算量的情况下就能够快速地和高效地实现特征增强，从而降低数据特征增强的繁复性和工作量。
[0108]
优选地，该特征约减与数据图像化模块包括特征约减处理子模块和数据图像化处理子模块；其中，
[0109]
该特征约减处理子模块用于通过随机森林算法对该特征增强化数据集合进行特征约减处理，从而将该特征增强化数据集合的原数据维度值n降低为维度值m，并且该维度值m满足m＝a*a，a为大于1的正整数，其中该特征约减处理是剔除该特征增强化数据集合中与主要特征数据之间的实际关联度低于预设关联度阈值的数据；
[0110]
该数据图像化处理子模块用于将维度值降低为m后重构得到的特征增强化数据集
合进行数据图像化处理，从而获得a*a维的图像特征数据集合，其中，该数据图像化处理是将重构得到的特征增强化数据集合中的所有数据进行二分差值，从而得到该图像特征数据集合。
[0111]
通过对该特征增强化数据集合进行特征约减处理和数据图像化处理，能够将该特征增强化数据集合转换为与后续卷积神经网络cnn相适配的数据，从而提高该卷积神经网络cnn的数据处理效率和准确性。
[0112]
优选地，该卷积神经网络处理模块包括卷积神经网络cnn构建与训练子模块、最优卷积神经网络cnn确定子模块和数据分类处理子模块；其中，
[0113]
该卷积神经网络cnn构建与训练子模块用于构建卷积神经网络cnn，将具有不同具体数值维度a*a的该图像特征数据集合输入至该卷积神经网络cnn，并利用10折交叉验证的方式重复多次训练该卷积神经网络cnn，并对应获取训练后的该卷积神经网络cnn的若干模型收敛值；
[0114]
该最优卷积神经网络cnn确定子模块用于根据若干该模型收敛值，并将具有最小模型收敛值的卷积神经网络cnn确定为训练最优化的卷积神经网络cnn；
[0115]
该数据分类处理子模块用于通过该训练最优化的卷积神经网络cnn，对该图像特征数据集合进行分类处理，从而区分其中存在的入侵数据和非入侵数据。
[0116]
通过10折交叉验证的方式对卷积神经网络cnn进行训练优化，并在获得最优化的情况下对该图像特征数据集合进行分类处理，其能够保证对入侵数据和非入侵数据进行准确和高效的区分，从而最大限度地提高对入侵数据的检测可靠性。
[0117]
从上述实施例的内容可知，该基于lmdr算法的卷积神经网络入侵数据检测方法及系统通过数据预处理、lmdr特征增强、特征约减与数据图像化、卷积神经网络处理这四个方面进行入侵数据的处理，其主要利用lmdr算法对原始数据集合进行数据变换，以实现对原始数据的特征增强，相比于现有的采用机器学习算法和神经网络模型发的处理方式，其能够更加充分地挖掘不同数据特征之间的联系，从而有效地提高对入侵数据/非入侵数据的分类准确率以及降低数据分类的误报率。
[0118]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。