鲶鱼粒子群算法选择特征的支持向量机网络入侵检测
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
网络入侵检测在线收集网络和主机中的关键信息，通过 一定技术检测是否有入侵事件发生，并对检测入侵进行警报 和处理，主要包括特征选择和分类器构建两个重要步骤 [2]。 原始网络数据含有大量相关与冗余信息，易出“维数灾难” 问题，不仅对检测效率产生不利影响，而且削弱了分类器的
分类性能，因此需要剔除无用信息，选择对检测结果有利的 信息 [3]。特征选择需要解决两个问题：特征搜索策略和特征 评估准则 [4]。当前网络特征搜索策略主要采用穷举算法和启 发式的群智能算法，穷举算法计算量大，执行效率低，影响 入侵检测的实时性；启发式的群智能算法具有搜索并行性、 速度快等优点，是当前网络入侵检测中的特征选择主要搜索 算法，出现了模拟退火算法、遗传算法、蚁群算法以及粒子 群优化算法等特征选择策略 。 [5-9] 尤其是粒子群优化算法参 数简单易实现，在网络特征选择中应用最为广泛。在特征子 集评估准则方面，主要有神经网络、支持向量机（Support
基金项目：湖南省教育厅科学研究项目“云环境下基于社交网络推荐机制的个性化搜索系统的研究与实现”（项目编号： 14C0504）。 作者简介：戴臻 (1979—)，女，湖南永州人，本科，副教授。研究方向：社交网络、机会网络。
— 56 —
2019 年第 6 期
信息与电脑 China Computer & Communication
算法语言
信息与电脑 China Computer & Communication
2019 年第 6 期
鲶鱼粒子群算法选择特征的支持向量机网络入侵检测
戴 臻 （湖南科技职业学院软件学院，湖南 长沙 410118）
摘 要：笔者针对网络特征选择问题，提出一种鲶鱼粒子群算法选择特征的支持向量机网络入侵检测（EPSO-SVM）。 首先将“鲶鱼效应”因子引入粒子群优化算法，将网络特征子集编码成粒子位置串，其次将入侵检测率作为特征子集选 择目标函数，通过鲶鱼粒子群找到最优特征子集，最后支持向量机根据最优特征子集构建网络入侵分类器，在 KDD Cup 99 数据集上进行仿真测试。结果表明，EPSO-SVM 不仅能提高网络入侵检测率和检测速度，而且适用于现实高速网络应用 环境。
Dai Zhen
(School of Software, Hunan Vocational College of Science and Teຫໍສະໝຸດ Baiduhnology, Changsha Hunan 410018, China)
Abstract: Aiming at the problem of network feature selection, a Catfish Particle Swarm Optimization (PSO) feature selection support vector machine network intrusion detection (EPSO-SVM) is proposed. Firstly, the "catfish effect" factor is introduced into particle swarm optimization (PSO) algorithm, and the network feature subset is coded into a particle position string. Secondly, the intrusion detection rate is used as the feature subset to select the objective function. The optimal feature subset is found by catfish particle swarm optimization. Finally, the network intrusion classifier is constructed by support vector machine according to the optimal feature subset. The simulation test is carried out on KDD Cup 99 data set. The results show that EPSO-SVM can not only improve the rate of network intrusion detection and detection speed, but also be applicable to the real high-speed network application environment.
关键词：网络入侵；支持向量机；鲶鱼效应；粒子群优化算法 中图分类号：TP18；TP393.08 文献标识码：A 文章编号：1003-9767（2019）06-056-04
Catfish Particle Swarm Optimization for Feature Selection in Support Vector Machine Network Intrusion Detection
Key words: network intrusion; support vector machine; catfish effect; particle swarm optimization algorithm
0 引言
随着 Internet 应用日益广泛，数据流种类不断增多，网 络入侵频率和危害性呈上升趋势。当前网络安全面临很多挑 战，提高网络入侵检测率和速度，成为现代网络安全研究领 域中的重点课题 [1]。
算法语言
Vector Machine，SVM）等 [9-10]。神经网络存在结构复杂、泛 法采用鲶鱼算子对 pg 进行扰动，粒子速度更新方式为：
化推广性差等不足；SVM 是基于统计学理论的基础，其学习 性能优异，可很好地克服神经网络的不足，因此，笔者选择 SVM 构建入侵检测分类器。
分类性能，因此需要剔除无用信息，选择对检测结果有利的 信息 [3]。特征选择需要解决两个问题：特征搜索策略和特征 评估准则 [4]。当前网络特征搜索策略主要采用穷举算法和启 发式的群智能算法，穷举算法计算量大，执行效率低，影响 入侵检测的实时性；启发式的群智能算法具有搜索并行性、 速度快等优点，是当前网络入侵检测中的特征选择主要搜索 算法，出现了模拟退火算法、遗传算法、蚁群算法以及粒子 群优化算法等特征选择策略 。 [5-9] 尤其是粒子群优化算法参 数简单易实现，在网络特征选择中应用最为广泛。在特征子 集评估准则方面，主要有神经网络、支持向量机（Support
基金项目：湖南省教育厅科学研究项目“云环境下基于社交网络推荐机制的个性化搜索系统的研究与实现”（项目编号： 14C0504）。 作者简介：戴臻 (1979—)，女，湖南永州人，本科，副教授。研究方向：社交网络、机会网络。
— 56 —
2019 年第 6 期
信息与电脑 China Computer & Communication
算法语言
信息与电脑 China Computer & Communication
2019 年第 6 期
鲶鱼粒子群算法选择特征的支持向量机网络入侵检测
戴 臻 （湖南科技职业学院软件学院，湖南 长沙 410118）
摘 要：笔者针对网络特征选择问题，提出一种鲶鱼粒子群算法选择特征的支持向量机网络入侵检测（EPSO-SVM）。 首先将“鲶鱼效应”因子引入粒子群优化算法，将网络特征子集编码成粒子位置串，其次将入侵检测率作为特征子集选 择目标函数，通过鲶鱼粒子群找到最优特征子集，最后支持向量机根据最优特征子集构建网络入侵分类器，在 KDD Cup 99 数据集上进行仿真测试。结果表明，EPSO-SVM 不仅能提高网络入侵检测率和检测速度，而且适用于现实高速网络应用 环境。
Dai Zhen
(School of Software, Hunan Vocational College of Science and Teຫໍສະໝຸດ Baiduhnology, Changsha Hunan 410018, China)
Abstract: Aiming at the problem of network feature selection, a Catfish Particle Swarm Optimization (PSO) feature selection support vector machine network intrusion detection (EPSO-SVM) is proposed. Firstly, the "catfish effect" factor is introduced into particle swarm optimization (PSO) algorithm, and the network feature subset is coded into a particle position string. Secondly, the intrusion detection rate is used as the feature subset to select the objective function. The optimal feature subset is found by catfish particle swarm optimization. Finally, the network intrusion classifier is constructed by support vector machine according to the optimal feature subset. The simulation test is carried out on KDD Cup 99 data set. The results show that EPSO-SVM can not only improve the rate of network intrusion detection and detection speed, but also be applicable to the real high-speed network application environment.
关键词：网络入侵；支持向量机；鲶鱼效应；粒子群优化算法 中图分类号：TP18；TP393.08 文献标识码：A 文章编号：1003-9767（2019）06-056-04
Catfish Particle Swarm Optimization for Feature Selection in Support Vector Machine Network Intrusion Detection
Key words: network intrusion; support vector machine; catfish effect; particle swarm optimization algorithm
0 引言
随着 Internet 应用日益广泛，数据流种类不断增多，网 络入侵频率和危害性呈上升趋势。当前网络安全面临很多挑 战，提高网络入侵检测率和速度，成为现代网络安全研究领 域中的重点课题 [1]。
算法语言
Vector Machine，SVM）等 [9-10]。神经网络存在结构复杂、泛 法采用鲶鱼算子对 pg 进行扰动，粒子速度更新方式为：
化推广性差等不足；SVM 是基于统计学理论的基础，其学习 性能优异，可很好地克服神经网络的不足，因此，笔者选择 SVM 构建入侵检测分类器。