(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210929517.3 (22)申请日 2022.08.03 (71)申请人 沈阳化工大 学 地址 110142 辽宁省沈阳市经济技 术开发 区11号街 (72)发明人 杨忠君　王琪　 (74)专利代理 机构 沈阳技联专利代理有限公司 21205 专利代理师 张志刚 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) H04L 9/40(2022.01) (54)发明名称 一种改进社交网络和神经网络的入侵检测 方法 (57)摘要 本发明公开了一种改进社交网络和神经网 络的入侵检测方法， 涉及一种改进网络的入侵检 测方法， 该方法首先在社交网络算法中加入混沌 初始化以及精英机制， 形成改进社交网络算法， 提高社交网络算法的寻优能力。 将所述BP神经网 络的运行参数编码作为改进社交网络的个体， 使 用混沌初始化进行种群初始化， 将误差函数作为 改进社交网络算法的适应值函数， 多次迭代后选 择适应度最优的参数作为所述BP神经网络的初 始权值和阈值进行训练， 最后将训练好的所述BP 神经网络应用于入侵检测的分类器中。 本发明方 法通过改善BP神经网络因初始参数随机化导致 的易陷入局部最小值和收敛速度慢的缺点， 从而 提高了BP神经网络在网络入侵检测中检测准确 率。 权利要求书4页 说明书17页 附图7页 CN 115422995 A 2022.12.02 CN 115422995 A 1.一种改进社交网络和神经网络的入侵检测方法， 其特征在于， 所述方法包括以下步 骤： 步骤S1.搜集网络安全数据并进行预处理， 作为入侵检测模型训练数据； 所述预处理具 体包括如下步骤： 步骤S1‑1.数值化， 对于入侵检测数据中的字符型特征， 通过One ‑hot操作将其扩展为 单位向量来完成数值化； 假设该特征有i个特征值， 则将其设置为{0,1,...,i ‑1}中对应的 一种； 步骤S1‑2.归一化， 数据按比例缩放， 将其统一 映射到[‑1,1]区间上； 计算表达式如式 (1)所示： 其中 ,x表示原始数据， xmax表示原始数据的上界， xmin表示原始数据的下界， y表示归一 化之后的数据， ymax表示归一 化后数据的上界， ymin表示归一 化后数据的下界； 步骤S2.设计BP神经网络模型， 为隐藏层和输出层神经元设置相应的激活函数； 所述BP 神经网络是一种机器学习算法， 是一种模仿生物神经网络的结构和功 能的计算模型； 神经 网络由大量的人工神经 元联结进行计算， 是一种自适应系统； 具体包括如下步骤： 步骤S2‑1.设置网络层的节点数， 设置输入层， 隐藏层和输出层神经元的数目； 输入层 和输出层节点数量由输入数据维度和数据类型决定； 隐藏层节点数量由输入层和输出层节点数量共同决定； 步骤S2‑2.在神经网络输入层、 隐藏层和输出层 之间建立连接， 设置相应的权值和阈值 参数； 步骤S2‑3.为隐藏层和输出层神经元设置相应的激活函数， 使神经网络模型具有分类 特性； 步骤S3.使用改进的社交网络算法对神经网络模型进行预训练， 输出最优的初试权值 与阈值向量； 所述改进的社交网络算法是在经典社交网络算法基础上， 结合Logistic混沌 映射和精英 机制形成； 所述改进社交网络算法同样模拟在社交网络 中用户表达意见时的行为， 并作为优化操 作步骤； 假设D维空间中， 社交用户规模为N， 精英数量为N*rate， 每一个社交个体的位置利用 Logistic混沌映射进行初始化， 记为X={X1， X2， X3...， XN}； 每一轮首先基于每个的适应度 进 行排序， 选择 出前N*rate个 个体作为精英， 随后分别进行优化操作； 所述改进社交网络算法分为两部分： 第一部分是精英个体优化， 第二部分是普通个体 优化； 步骤S3‑1.精英个体优化操作： 精英个体 进行迭代循环， ， 只进行Mood2， 也就是对话行 为， 同时对话个 体 来自精英群 体并随机 选出， ；权　利　要　求　书 1/4 页 2 CN 115422995 A 2步骤S3‑2.普通个 体优化操作， 每次在Mo od1到Mood4之间随机 选择进行： Mood1： 当个体进行Mood1 （模仿行为） 时， 其中80%的个体对随机精英个体进行模仿， 其 余20%个体进行随机模仿， Mood2： 用户通过其他观点可以看到事件， 最后， 由于意见的不同， 他们可以根据公式对 这个问题形成一个新的视角： 这里 为随机选择的一个交谈对象， 是聊天效果， 基于不同的观点能产生不同的反 馈效果； 需要注意的是 是随机选择的， 且 ； 即 函数， 、 分别对应 个体 、 个体 所对应的适应度值； 通过对比 来确定 的移动方向； Mood3： 当个体 进行Mood3 （争论行为） 时， 与精英个体间进行Mood3行为； 当精英群组间 在某一维度达到最优时， 精英群组位置变量平均值M就会更好的为迭代的个体 该维度进行 收敛； Mood4： 通过改变对主体中一个主题的概念， 主体的一般概念将会改变， 并将实现一个 新的观点； 利用这个概念， 通过创新情绪形成新的观点， 如下：权　利　要　求　书 2/4 页 3 CN 115422995 A 3