(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 202211083386.8 (22)申请日 2022.09.06 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区崇文路2号 (72)发明人 熊炫睿　张宇樊　徐稳　方海领　 陈怡　林为琴　 (51)Int.Cl. H04L 9/40(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (54)发明名称 基于门控卷积和特征金字塔的网络入侵检 测方法 (57)摘要 本发明属于入侵检测领域， 涉及基于门控 卷 积和特征金字塔的网络入侵检测方法。 该方法包 括以下步骤： S1)将所用的数据进行预处理； S2) 采用门控卷积神经网络按深度提取出网络数据 不同程度的语义特征； S3)采用特征金字塔网络 将模型深层的特征图进行融合； S4)对融合后的 各模型深层特征图应用全连接神经网络进行分 类判决； S5)采用FocalLo ss损失函数对整体模型 进行多监督训练。 本发明能实现高性能的入侵检 测， 相比与其他方法， 该发明在多分类入侵检测 中的查准率、 查全 率以及综合指标F 1‑score上取 得的效果更佳， 在提升入侵检测系统性能的同时 实现对少数类样本F1 ‑score的巨大提升 。 权利要求书2页 说明书5页 附图1页 CN 115459996 A 2022.12.09 CN 115459996 A 1.基于门控卷积和特征金字塔的网络入侵检测方法， 其特征在于： 该方法包括以下步 骤： S1)通过门控卷积提取输入数据的多维特 征； S2)添加特 征金字塔网络进行多个特 征图的融合以及相应地分类判决； S3)通过FocalLoss损失函数对 模型进行多监 督训练。 2.根据权利要求1所述的基于门控卷积和特征金字塔的网络入侵检测方法， 其特征在 于： 所述步骤S1中， 提取多维特 征包括以下步骤： 步骤S11)本发明调整了CNN的网络结构以构建门控卷积网络(Gated  CNN)。 在Gated   CNN中每一个卷积输出都是在标准卷积层后接一个由sigmoid函数激活的标准卷积输出来 作为软门控。 Gated  CNN卷积层将使用1*1、 3*3和5*5的卷积核， 卷积核的尺寸越大， 感受野 越大， 便于提取数据的整体特征， 卷积核的尺寸越小， 提取 的细节特征越充分。 因此本发明 在网络的浅层用5*5的卷积核， 在网络的中间层用3*3的卷积核， 在网络的深层用1*1的卷积 核。 因为模型的性能会随着网络宽度和深度的增加而下降， 往往会存在过拟合和梯度爆炸 等问题， 尤其在增加网络的深度过程中， 对输入层的非线性参数训练将 变得异常 困难， 不可 避免的对准确率造成影响。 针对 上述问题， 提出的了残差卷积神经网络， 通过网络内部的跳 跃连接块， 有效降低了深层卷积网络出现梯度 弥散的可能性。 为此本文借用残差网络设计 了带跳跃连接的卷积模块， 同时为了避免网络发生梯度 弥散， 本文借用残差网络的跳跃连 接模型以增强网络模型的泛化 性能。 同时添加池化层可以有 效的减少网络参数量并增强模型的鲁棒性。 池化层的主要思路 是将特征图映射为多个小尺寸相 邻区域并对响应特征图取其指 定大小， 这样可以有效的特 征图进行大小压缩， 达到降维和减少参数 的目的， 同时针对一些复杂包含噪声的数据也可 以进行去 噪处理， 所以添加池化层可以有效增加网络的鲁棒性， 在一定程度上减少 了网络 过拟合的发生。 池化计算过程如下 所示： 其中 分别表示 为权重和偏置， σ 为激活函数， do wn()为下采样函数。 3.根据权利要求1所述的基于门控卷积和特征金字塔的网络入侵检测方法， 其特征在 于： 所述步骤S2中， 添加特征金字塔网络进行多个特征图的融合以及相应地分类判决包括 以下步骤： 步骤S21)在提取到数据的特征之后， 对网络末端的三个门控卷积层的输出用特征金字 塔网络进 行特征融合。 对底层的特征图进 行上采样， 然后把该特征横向连接至前一层特征， 因此高层特征得到加强。 上采样采用内插值的方法， 即在原有图像像素 的基础上在像素点 之间采用合适的插值算法插入新的元素， 从而扩大原图像的大小。 通过对特征图进行上采 样， 使得上采样后的特征图具有和下一层的特征图相同的大小， 这样做主要是为了利用底 层的位置细节信息。 横向连接的作用是把前一层的特征图和后一层上采样的特征图 contact起来得到信息量 最丰富的特 征图， 来给最后的全连接神经网络进行分类判决。 步骤S22)经过特征金字塔网络得到特征语义更丰富的综合特征图之后， 分类判决是在 每个融合后的综合特征图上都进 行一次， 即根据模型提取到的不同程度的语义信息 分别做权　利　要　求　书 1/2 页 2 CN 115459996 A 2出预测， 然后比较这多个预测结果与数据真实的类别标签的差距， 因此本发明提出 的模型 是个多输出的模型， 采用的多监 督的训练方式。 。 4.根据权利要求1所述的基于门控卷积和特征金字塔的网络入侵检测方法， 其特征在 于： 所述步骤S3中， 通过 Focal Loss损失函数对 模型进行多监 督训练包括以下内容： 步骤S3)将模型softmax层预测的数据结果与真实的数据标签进行对照， 代入Focal   Loss损失函数中计算预测误差值， 将误差值实时记录并反馈给模型， 通过多轮次的数据迭 代训练， 不断优化更新网络节 点的权值与偏置， 使最 终分类结果更加接近 真实标签， 在完成 上述参数训练后， 对测试 数据进行决策响应。权　利　要　求　书 2/2 页 3 CN 115459996 A 3