技术特征：
1.物联网环境下基于多层极限学习机的分布式入侵检测方法，其特征在于，包括如下步骤：步骤1：对网络流量数据进行预处理；步骤2：搭建单隐藏层极限学习机分类模型；步骤2.1，单隐藏层极限学习机一共有三层，第一层是输入层，第二层是隐藏层，第三层是输出层；其中输入层和隐藏层的连接权值w和偏置b是随机设定的，特征列数量为隐藏层隐藏节点数；偏置b通过给输入特征矩阵加入一列全1的值实现；步骤2.2，对于任意的输入样本，首先经过任意的权重w和偏置b进行线性运算得到特征矩阵，再利用sigmoid激活函数对特征矩阵进行非线性运算，得到非线性特征矩阵h；其中，sigmoid激活函数将特征值映射到[0,1]，其公式如下：非线性特征矩阵h公式为h
ij
＝s(w
i
·
x
j
+b
i
)；其中x是输入样本数据，w
i
表示第i个隐藏节点的权重，b
i
表示第i个隐藏节点的偏置，和x
j
表示第j列输入数据的特征列；步骤2.3，在步骤2.2基础上，对于一个有l个隐藏节点的单隐藏层神经网络表示为：其中，s为sigmoid激活函数，n为输入特征数据矩阵的列数，b
i
为隐藏层第i个的偏置，β
o
为第i个隐藏节点的输出权重，o
j
为极限学习机的第j列特征值输出；步骤2.4，让单隐藏层神经网络的输出与目标值相差最小，因此表示为其中t
j
为目标值，因此存在β
i
，w
i
和b
i
，使得即hβ＝t，其中，h是隐藏节点的输出，β为输出权重，t为期望输出；步骤2.5，训练单隐藏层极限学习机模型，等价于得到使得即最小化损失函数为步骤2.6，一旦随机确定输入权值w和隐藏层偏置b，那么输出矩阵h也将会被唯一确定；因此求解单隐藏层神经网络即为hβ＝t；输出权重可以被确认为：其中是moore
‑
penrose广义逆，步骤3：搭建多隐藏层极限学习机分类模型；
步骤3.1，多隐藏层极限学习机含有多个隐藏层，具体层数由用户给定的隐藏节点数量列表l的长度n决定；步骤3.2，假设列表l＝[a1,a2,a3,
…
a
n
]，a
i
对应了第i个隐藏层的隐藏节点数量；步骤3.3，对于a1，其求解输出权重β1的步骤与步骤2中的单隐藏层模型求解步骤一致，将其输出β1存入输出权重列表m；步骤3.4，对于a2,
…
,a
n
‑1，每层隐藏层的输入特征矩阵是该层前面隐藏层的输出权重依次与原始输入特征矩阵做内积的结果，公式表示如下：步骤3.5，对于a
n
，即最后一层隐藏层，其输入矩阵为x
n
＝β
n
‑1·
x
n
‑1之后代入单隐藏层极限学习机，得到最终的β
n
；步骤4：分别将训练集输入单隐藏层极限学习机和多隐藏层极限学习机，得到输出权重β；步骤5：利用训练好的模型对测试集进行分类。2.如权利要求1所述的物联网环境下基于多层极限学习机的分布式入侵检测方法，其特征在于：所述步骤1包括以下步骤：步骤1.1，将网络流量数据作为数据集，将数据集的字符特征数据转换成数值，再将该特征值进行one
‑
hot编码；步骤1.2，分别对每个特征值进行归一化，公式如下：其中x
min
为该特征的最小值，x
max
为该特征的最大值；步骤1.3，分割数据集，对整个数据集以8:2的比例分成训练集和测试集；步骤1.4，分别分割训练集和数据集中的label字段，并进行判断，若值为0，则标注为
‑
1，否则标注为1，即正常样本流量标注为
‑
1，攻击样本标注为1；步骤1.5，得到训练数据train_x,训练数据标签train_y；测试数据test_x,测试数据标签test_y。3.如权利要求1所述的物联网环境下基于多层极限学习机的分布式入侵检测方法，其特征在于：所述的步骤2.2中的连接权值w为[
‑
1,1]的均匀分布，其分布密度函数如下：其中m是w随机取值范围的最大值,n是w随机取值范围的最小值。4.如权利要求1所述的物联网环境下基于多层极限学习机的分布式入侵检测方法，其特征在于：所述步骤5包括以下步骤：步骤5.1，在已知输出权重β，输入权重w和隐藏层偏置b的情况下，通过以下公式对输入的测试集进行分类，输出判别数组predicts；
其中，β
i
为输出权重，x为测试数据，sign()是符号函数，其表达式如下：5.如权利要求1所述的物联网环境下基于多层极限学习机的分布式入侵检测方法，其特征在于：还包括模型评价；具体包括以下步骤：步骤6.1，计算步骤5中得到的判别数组predicts与测试数据真实标签test_y的差异；步骤6.2，根据predicts和test_y画出两个模型的roc曲线；步骤6.3，根据predicts和test_y计算各项评价指标并记录训练和分类消耗时间。