技術(shù)特征：

1.一種網(wǎng)絡(luò)安全數(shù)據(jù)的特征選擇方法，其特征在于，包括下述步驟：

步驟S110：構(gòu)建KDDCUP99數(shù)據(jù)集，并對(duì)所述數(shù)據(jù)集進(jìn)行處理，得到高維向量組；

步驟S120：基于Re-ReliefF算法剔除所述高維向量組中無關(guān)特征，構(gòu)成候選特征集；

步驟S130：基于改進(jìn)的Re-ReliefF算法獲得一個(gè)與所述候選特征集具有最小相關(guān)性的特征。

2.如權(quán)利要求1所述的網(wǎng)絡(luò)安全數(shù)據(jù)的特征選擇方法，其特征在于，步驟S110中，構(gòu)建KDDCUP99數(shù)據(jù)集，并對(duì)所述數(shù)據(jù)集進(jìn)行處理，得到高維向量組，包括下述步驟：

將所述KDDCUP99數(shù)據(jù)集分為連續(xù)型數(shù)據(jù)及非數(shù)值型數(shù)據(jù)；

對(duì)所述連續(xù)型數(shù)據(jù)對(duì)連續(xù)型變量進(jìn)行預(yù)處理，將其數(shù)據(jù)取值從[min，max]映射到[0，1]區(qū)間；

對(duì)于所述非數(shù)值型數(shù)據(jù)離散化處理，利用編碼映射成數(shù)值；

用連續(xù)型變量的方法將所述數(shù)值從[min，max]映射到[0，1]區(qū)間。

3.如權(quán)利要求2所述的網(wǎng)絡(luò)安全數(shù)據(jù)的特征選擇方法，其特征在于，步驟S120中，基于Re-ReliefF算法剔除所述高維向量組中無關(guān)特征，構(gòu)成候選特征集，包括下述步驟：

將所述高維向量組的原始特征個(gè)數(shù)記為N，Re-ReliefF階段設(shè)定迭代次數(shù)m，最近鄰樣本個(gè)數(shù)k，初始化權(quán)重W[A]＝0；

循環(huán)遍歷所述高維向量組中的樣本集，通過以下的權(quán)重公式計(jì)算并更新W[A]，權(quán)重公式如下：

$w\[A\]=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{C\≠class\left(R_i\right)}{\mathrm{\Σ}}\frac{P\left(C\right)}{1-P\left(class\right(R_i))}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}diff(A,R_i,M_j(C))}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}diff(A,R_i,H_j)}$

其中，m代表樣本抽樣次數(shù)，Mj(C)代表不同類別C中的第j個(gè)最近鄰樣本，P(C)代表C類目標(biāo)樣本數(shù)占樣本總數(shù)的比例，class(Ri)表示Ri所屬的類別，函數(shù)diff(A，R_i，R_j)是用來計(jì)算樣本實(shí)例R_i和R_j關(guān)于某個(gè)特征A之間的距離大?。?/p>

將所有的特征按照W[A]從大到小排序，按照特征權(quán)值最低大于0.001，選出候選特征集。

4.如權(quán)利要求1所述的網(wǎng)絡(luò)安全數(shù)據(jù)的特征選擇方法，其特征在于，步驟S130中，基于改進(jìn)的Re-ReliefF算法獲得一個(gè)與所述候選特征集具有最小相關(guān)性的特征，包括下述步驟：

通過改進(jìn)的Re-ReliefF計(jì)算出所述選特征集中每個(gè)特征的權(quán)重，選擇其中最大的特征，構(gòu)成候選特征子集；

進(jìn)行遍歷，計(jì)算所述候選特征子集與類之間的皮爾遜相關(guān)系數(shù)c(f_j,s_i)；

根據(jù)以下的選擇準(zhǔn)則，選擇出特征子集，其中，m-1個(gè)特征，要從F-S_m-1的特征集中選出第m個(gè)特征，c(f_j,f_i)是特征間的皮爾遜相關(guān)系數(shù)，代表兩個(gè)特征間相關(guān)性大小的度量，其絕對(duì)值在[0,1]區(qū)間內(nèi)，

$\underset{f_j\∈F-S_{m-1}}{MAX}\[F_j\÷\frac{1}{m-1}\underset{f_i\∈S_{m-1}}{\Σ}\left|c(f_i,f_j)\right|\];$

使用SVM確定與所述候選特征集具有最小相關(guān)性的特征，形成特征子集。

5.一種網(wǎng)絡(luò)安全數(shù)據(jù)的特征選擇系統(tǒng)，其特征在于，包括：

數(shù)據(jù)采集模塊，用于構(gòu)建KDDCUP99數(shù)據(jù)集，并對(duì)所述數(shù)據(jù)集進(jìn)行處理，得到高維向量組；

第一數(shù)據(jù)處理模塊，用于基于Re-ReliefF算法剔除所述高維向量組中無關(guān)特征，構(gòu)成候選特征集；

第二數(shù)據(jù)處理模塊，基于改進(jìn)的Re-ReliefF算法獲得一個(gè)與所述候選特征集具有最小相關(guān)性的特征。

6.如權(quán)利要求5所述的網(wǎng)絡(luò)安全數(shù)據(jù)的特征選擇系統(tǒng)，其特征在于，數(shù)據(jù)采集模塊包括：

數(shù)據(jù)分類單元，將所述KDDCUP99數(shù)據(jù)集分為連續(xù)型數(shù)據(jù)及非數(shù)值型數(shù)據(jù)；

數(shù)據(jù)處理單元，對(duì)所述連續(xù)型數(shù)據(jù)對(duì)連續(xù)型變量進(jìn)行預(yù)處理，將其數(shù)據(jù)取值從[min，max]映射到[0，1]區(qū)間；

數(shù)據(jù)離散單元，對(duì)于所述非數(shù)值型數(shù)據(jù)離散化處理，利用編碼映射成數(shù)值；及

數(shù)據(jù)映射單元，用連續(xù)型變量的方法將所述數(shù)值從[min，max]映射到[0，1]區(qū)間。

7.如權(quán)利要求5所述的網(wǎng)絡(luò)安全數(shù)據(jù)的特征選擇系統(tǒng)，其特征在于，所述第一數(shù)據(jù)處理模塊包括：

初始化單元，用于將所述高維向量組的原始特征個(gè)數(shù)記為N，Re-ReliefF階段設(shè)定迭代次數(shù)m，最近鄰樣本個(gè)數(shù)k，初始化權(quán)重W[A]＝0；

第一計(jì)算單元，循環(huán)遍歷所述高維向量組中的樣本集，通過以下的權(quán)重公式計(jì)算并更新W[A]，權(quán)重公式如下：

$w\[A\]=\frac{\underset{i=1}{\overset{m}{\Σ}}\underset{C\≠class\left(R_i\right)}{\Σ}\frac{P\left(C\right)}{1-P\left(class\right(R_i))}\underset{j=1}{\overset{k}{\Σ}}diff(A,R_i,M_j(C))}{\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{k}{\Σ}}diff(A,R_i,H_j)}$

其中，m代表樣本抽樣次數(shù)，Mj(C)代表不同類別C中的第j個(gè)最近鄰樣本，P(C)代表C類目標(biāo)樣本數(shù)占樣本總數(shù)的比例，class(Ri)表示Ri所屬的類別，函數(shù)diff(A，R_i，R_j)是用來計(jì)算樣本實(shí)例R_i和R_j關(guān)于某個(gè)特征A之間的距離大小；

排序單元，用于將所有的特征按照W[A]從大到小排序，按照特征權(quán)值最低大于0.001，選出候選特征集。

8.如權(quán)利要求5所述的網(wǎng)絡(luò)安全數(shù)據(jù)的特征選擇系統(tǒng)，其特征在于，所述第二數(shù)據(jù)處理模塊包括：

特征子集候選單元，通過Re-ReliefF計(jì)算出所述選特征集中每個(gè)特征的權(quán)重，選擇其中最大的特征，構(gòu)成候選特征子集；

第二計(jì)算單元，用于進(jìn)行遍歷，計(jì)算所述候選特征子集與類之間的皮爾遜相關(guān)系數(shù)c(f_j,s_i)；

特征選擇單元，根據(jù)以下的選擇準(zhǔn)則，選擇出特征子集，其中，c(f_j,f_i)是特征間的皮爾遜相關(guān)系數(shù)，代表兩個(gè)特征間相關(guān)性大小的度量，其絕對(duì)值在[0,1]區(qū)間內(nèi)，

$\underset{f_j\∈F-S_{m-1}}{MAX}\[F_j\÷\frac{1}{m-1}\underset{f_i\∈S_{m-1}}{\Σ}\left|c(f_i,f_j)\right|\];$

SVM單元，使用SVM確定與所述候選特征集具有最小相關(guān)性的特征，形成特征子集。