1.一种入侵检测方法，其特征在于，所述方法包括：

步骤1：根据任务性质确定问题簇的数目，构建基于问题簇的全方位变步长搜索算法，并初始化天牛的寻优方向、寻优次数、迭代步长、以及每次迭代后步长的衰退因子λ；

步骤2：执行EBAS算法并输出超参数，将EBAS算法输出的超参数传入SAE模块以及DRN模块，确定所述SAE模块以及DRN模块中网络的层数以及各层神经元的个数；

步骤3：针对不同入侵检测数据集进行归一化处理，得到混合、归一化后的数据集X；

步骤4：将所述数据集X输入至所述SAE模块，并对所述SAE模块进行预训练；

步骤5：将步骤4中获得的数据集X的特征数据输入至所述DRN模块，并训练所述DRN模块；

步骤6：逐层调整参数，计算并返回训练集与交叉验证集的损失值，并将损失值作为EBAS模块的目标函数值，更新所述EBAS模块的相关参数；

步骤7：反复执行步骤3到步骤6，直至触发所述EBAS模块的迭代终止条件，获得SAE‑DRN神经网络的最优参数；

步骤8：传递所述最优参数至所述SAE模块以及DRN模块并对其训练，训练完成后在实际入侵检测数据集上进行验证；

所述EBAS算法的具体实现步骤如下：

步骤a：初始化所述EBAS算法的参数，所述参数包括问题簇的个数M与每个问题簇的寻优维度n，并根据M与n值初始化M个天牛的感知方向dir，天牛两触角之间的距离d0，寻优次数N，迭代步长L以及每次迭代后步长的衰退因子λ；

步骤b：在每个天牛感知方向上，分别计算左右触角位置Xl与Xr，并且分别代入目标函数计算左右触角位置的目标函数值costl、costr；

步骤c：根据所述左右触角目标函数值，计算天牛下一步更新的位置X，并计算新的目标函数值cost_nest；

步骤d：对比所述costl、costr、cost_nest、best_cost，选择最优值作为当前最优目标函数值，并记录此时天牛位置，并按照最优位置更新策略进行位置更新；

步骤e：如果best_cost值出现改变，迭代步长恢复至初始状态；否则，按照回溯式步长更新法则进行更新；

步骤f：重复执行步骤b、c、d、e，直至满足迭代停止条件；

在步骤1中，所述根据任务性质确定问题簇的数目，构建基于问题簇的全方位变步长搜索算法，包括：初始化全方位变步长天牛搜索方位按照如下公式计算：

di＝rands(1，ni)

diri＝di/norm(di)

i表示第i个问题簇，ni表示第i个问题簇上待优化问题的维度，di表示方向上与第i个问题簇的寻优方向相同，维度上与第i个问题簇中待优化问题维度相同的随机向量；diri＝di/norm(di)将di转化为单位向量；

残差块中将放置于跳层连接之前的ReLU层置于跳层连接之后；DRN的最后层为全连接层，将全连接层所输出的数据信息导入Sigmoid二分类或Softmax多分类函数，获取数据所属类型的概率值；

回溯式天牛步长更新法则：1.迭代后天牛的最优位置未更新，则下一次迭代的步长为移动步长L乘以衰退因子α以缩小搜索范围；2.迭代后天牛的最优位置出现变化，则下一次迭代的步长回溯至初始步长，增加算法的搜索范围，降低算法陷入局部最优的概率。

2.如权利要求1所述的方法，其特征在于，在所述步骤6中，在处理二分类问题时使用的损失函数为：在处理多分类问题使用的损失函数为：

其中， 表示样本的标签值，yi表示预测值， 表示m类样本的标签值，yim表示分类器将样本预测为第m类的概率值，n表示样本数量，m表示分类数。

3.一种入侵检测系统，其特征在于，所述系统包括：

数据处理模块，用于根据任务性质确定问题簇的数目，构建基于问题簇的全方位变步长搜索算法，并初始化天牛的寻优方向、寻优次数、迭代步长、以及每次迭代后步长的衰退因子λ；

EBAS寻优模块，用于执行EBAS算法并输出超参数，将EBAS算法输出的超参数传入SAE模块以及DRN模块，确定所述SAE模块以及DRN模块中网络的层数以及各层神经元的个数；针对不同入侵检测数据集进行归一化处理，得到混合、归一化后的数据集X；

SAE‑DRN训练模块，用于将所述数据集X输入至所述SAE模块，并对所述SAE模块进行预训练；将获得的数据集X的特征数据输入至所述DRN模块，并训练所述DRN模块；逐层调整参数，计算并返回训练集与交叉验证集的损失值，并将损失值作为EBAS模块的目标函数值，更新所述EBAS模块的相关参数；反复执行直至触发所述EBAS模块的迭代终止条件，获得SAE‑DRN神经网络的最优参数；传递所述最优参数至所述SAE模块以及DRN模块并对其训练，训练完成后在实际入侵检测数据集上进行验证；

所述EBAS寻优模块具体用于：所述EBAS算法的具体实现步骤如下：步骤a：初始化所述EBAS算法的参数，所述参数包括问题簇的个数M与每个问题簇的寻优维度n，并根据M与n值初始化M个天牛的感知方向dir，天牛两触角之间的距离d0，寻优次数N，迭代步长L以及每次迭代后步长的衰退因子λ；

步骤b：在每个天牛感知方向上，分别计算左右触角位置Xl与Xr，并且分别代入目标函数计算左右触角位置的目标函数值costl、costr；

步骤c：根据所述左右触角目标函数值，计算天牛下一步更新的位置X，并计算新的目标函数值cost_nest；

步骤d：对比所述costl、costr、cost_nest、best_cost，选择最优值作为当前最优目标函数值，并记录此时天牛位置，并按照最优位置更新策略进行位置更新；

步骤e：如果best_cost值出现改变，迭代步长恢复至初始状态；否则，按照回溯式步长更新法则进行更新；

步骤f：重复执行步骤b、c、d、e，直至满足迭代停止条件；

所述数据处理模块，具体用于：

初始化全方位变步长天牛搜索方位按照如下公式计算：

di＝rands(1，ni)

diri＝di/norm(di)

i表示第i个问题簇，ni表示第i个问题簇上待优化问题的维度，di表示方向上与第i个问题簇的寻优方向相同，维度上与第i个问题簇中待优化问题维度相同的随机向量；diri＝di/norm(di)将di转化为单位向量；

残差块中将放置于跳层连接之前的ReLU层置于跳层连接之后；DRN的最后层为全连接层，将全连接层所输出的数据信息导入Sigmoid二分类或Softmax多分类函数，获取数据所属类型的概率值；

回溯式天牛步长更新法则：1.迭代后天牛的最优位置未更新，则下一次迭代的步长为移动步长L乘以衰退因子α以缩小搜索范围；2.迭代后天牛的最优位置出现变化，则下一次迭代的步长回溯至初始步长，增加算法的搜索范围，降低算法陷入局部最优的概率。

4.如权利要求3所述的系统，其特征在于，所述SAE‑DRN训练模块具体用于：在处理二分类问题时使用的损失函数为：

在处理多分类问题使用的损失函数为：

其中， 表示样本的标签值，yi表示预测值， 表示m类样本的标签值，yim表示分类器将样本预测为第m类的概率值，n表示样本数量，m表示分类数。

5.一种计算机设备，其特征在于，所述设备包括：数据采集装置、处理器和存储器；

所述数据采集装置用于采集数据；所述存储器用于存储一个或多个程序指令；所述处理器，用于执行一个或多个程序指令，用以执行如权利要求1‑2任一项所述的方法。

6.一种计算机可读存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如权利要求1‑2任一项所述的方法。