1.一种基于网络异常流量识别的入侵检测方法，其特征在于，包括：
s1，采用改进布谷鸟搜索算法进行特征选择，从原始数据集中筛选出最为准确和有效的特征，得到一组最佳特征。
s2，将所选特征作为进化神经网络的输入，为了克服人工神经网络的参数限制，避免陷入局部极小值，采用多元宇宙优化算法来训练人工神经网络，得到最佳分类效果。
s3，将测试数据集输入到训练好的人工神经网络中，对异常流量检测进行了预测和评估，得到网络流量中异常数据信息。
2.根据权利要求1所述的一种基于网络异常流量识别的入侵检测方法，其特征在于，所述s1具体包括：
s11，利用布谷鸟搜索算法对解决方案进行排序，并在后期处理结果和可视化时找到当前的最佳结果。
s12，根据数据集中模糊的数据的特征将数据集x划分为c个簇后筑巢，并在它们之间选择最好的一个，把蛋放在造好的巢里。
3.根据权利要求2所述的一种基于网络异常流量识别的入侵检测方法，其特征在于，所述s12具体包括：
利用突变随机改变巢，保持最佳的解决方案，并根据错误值和分类的准确性显示最佳的巢。利用遗传算法变异算子来创造更多的空间和更多样化的解。为此，将突变与布谷鸟搜索算法相结合，考虑两个步骤:巢的随机选择、蛋的随机选择。
4.根据权利要求1-3任一项所述的一种基于网络异常流量识别的入侵检测方法，其特征在于，所述s2具体包括：
s21，将选定的特征作为输入信息维度的训练特征发送到ann模块，
s22，通过将权重转移到multi-verseoptimizer(mvo)模块来执行此训练。
s23，针对每个单独的表现返回最终适应度值，该最终适应度值基于训练数据集进行测量。
5.根据权利要求4所述的一种基于网络异常流量识别的入侵检测方法，其特征在于，所述s21具体包括：
该模块计划为具有单个输入层，一个隐藏层和一个输出层体系结构的多层感知器(mlp)。人工神经网络包括高度互连的并行处理组件，并将多个输入分配到一组预期的输出。ann-mlp分类是具有已知类别标签的监督学习。求和函数的结果通过传递或激活函数传递。
6.根据权利要求5所述的一种基于网络异常流量识别的入侵检测方法，其特征在于，所述s22具体包括：
mvo算法由三种宇宙观组成：白洞，黑洞和虫洞，它们是形成宇宙的一部分。这三个概念构成了mvo算法背后的思想，该算法通过黑洞，白洞和虫洞提供了动力学和宇宙相互作用的模拟。在优化过程中，每个宇宙值与其通货膨胀率保持一致，并通过使用轮盘赌轮作为白洞来标识选定的宇宙值。
7.根据权利要求6所述的一种基于网络异常流量识别的入侵检测方法，其特征在于，所述s23具体包括：
优化过程始于因子的创建和初始化，例如总体大小以及上下限。之后，根据上下限将宇宙值随机初始化为一组。计算各个宇宙的相应适应度值，以描述最佳潜在通货膨胀率。然后，在单个迭代中，宇宙中的高膨胀率对象倾向于通过白洞或黑洞迁移到包含低膨胀率的宇宙。因此，单个宇宙中的物体会通过虫洞随机进入最佳宇宙。最终，最佳宇宙在操作完成时形成。
8.根据权利要求1-7任一项所述的一种基于网络异常流量识别的入侵检测方法，其特征在于，建立特征选择和进化神经网络的异常入侵检测模型，所述s3具体包括：
s31，将输入从测试数据集中输入到经过训练的ann中；
s32，根据预期的输出，可以将ann测试过程视为与任何目标类最接近的匹配，以作为估计输出，识别出网络流量中异常数据信息。
9.根据权利要求8所述的一种基于网络异常流量识别的入侵检测方法，其特征在于，所述s31具体包括：
用训练方法优化神经网络的目标是找到神经网络突触权重并减少代表神经网络功能成本的mse。通过生成解决方案总体，mvo算法在假定每个宇宙都被视为随机生成的解决方案总体中的一个个体的前提下初始化优化过程。训练方法旨在找到正确的值，减少错误并获得最大的分类精度。
10.根据权利要求9所述的一种基于网络异常流量识别的入侵检测方法，其特征在于，所述s32具体包括：
根据预期的输出，可以将ann测试过程视为与任何目标类最接近的匹配，以作为估计输出，mvo中的所有个体都是包含ann层之间的连接权重的向量，计算每个人的对象数，在建议的mvo训练算法中，mse主要用作成本函数，根据计算结果，得到网络流量中异常数据信息。