公开(公告)号：CN111740971A

公开(公告)日：2020-10-02

申请号：CN202010539812.9

申请日：2020-06-15

Applicant: 郑州大学

Inventor： 张宏坡 ,  黄璐璐 ,  董忠仁 ,  张洋

IPC: H04L29/06 ,  G06N3/08 ,  G06N3/04

Abstract: 针对数据类不平衡问题，本发明提供了一种有效的基于Synthetic Minority Over-Sampling Technique(SMOTE)和高斯混合模型(Gaussian Mixture Model,GMM)的基于数据流的网络入侵检测模型SGM-CNN。本发明技术方案首先获取待识别的网络数据流；对数据流进行预处理，然后输入到预先建立的基于一维卷积神经网络(1D CNN)的网络入侵检测模型中，输出网络数据流的检测结果。本发明提出了一种针对大规模数据的类不平衡处理技术：SGM。SGM首先使用SMOTE对少数类样本进行过采样，然后使用GMM对多数类样本进行基于聚类的降采样，最终平衡各个类别的数据。SGM方法不仅避免了过采样造成的昂贵的时间和空间成本，而且避免了随机降采样丢失重要样本的情况，显著提高了少数类的检测率。

公开(公告)号：CN114710306A

公开(公告)日：2022-07-05

申请号：CN202110422786.6

申请日：2021-04-15

Applicant: 郑州大学

Inventor： 张宏坡 ,  黄璐璐 ,  张洋 ,  张博

IPC: H04L9/40 ,  G06N3/08 ,  G06N3/04

Abstract: 针对数据类不平衡问题，从模型构建的层面，本发明提供了一种基于LightGBM算法和卷积神经网络的两阶段细粒度网络入侵检测模型。本发明技术方案主要分两个阶段执行，第一阶段首先获取待识别的网络流量数据，对数据流进行预处理，然后使用机器学习中的LightGBM算法对网络流量数据进行正异常识别。第二阶段使用二维卷积神经网络对第一阶段预测为异常类的样本进行细粒度攻击类型检测。本发明的第二阶段中还设置了可选的基于数据集不平衡比率的IR‑SMOTE过采样技术。本发明提供的基于LightGBM算法和卷积神经网络的两阶段细粒度网络入侵检测模型能很好地适应不平衡数据集，分类效率高，性能较优。