本专利公开了一种基于对抗性机器学习的网络入侵检测方法。该方法包括以下步骤：(1)对网络流量数据进行特征提取、异常值过滤、向量化、以及归一化，得到计算机可处理的流量特征向量；(2)使用网络入侵检测领域常用的多种机器学习算法与基于剪枝投票的极限学习机集成模型(Bat AlgorithmVoting Ensemble Extreme Learning Machines，BAVE?ELM)共同构建网络入侵集成检测模型；(3)生成网络流量对抗样本，并对步骤(2)所述集成检测模型进行鲁棒性训练；(4)对集成检测模型中各基本分类器的预测值进行加权投票，得到最终的预测结果。本方法综合了对抗训练、集成训练、以及自适应投票等算法，在保证异常检测精度的同时，可以有效地抵抗对抗攻击，具有泛化能力强、鲁棒性强等特点。
NSTL
万方数据
