【摘要】：針對LSSVM的網(wǎng)絡入侵檢測技術存在檢測率低和誤判率高的缺點,針對果蠅優(yōu)化算法易陷入"早熟"和局部最優(yōu)的問題,將修正因子引入果蠅優(yōu)化算法,提出一種修正的果蠅優(yōu)化算法(Modified Fruit Fly Optimization Algorithm,MFOA),避免果蠅優(yōu)化算法陷入局部最優(yōu).在MFOA算法的基礎上,提出一種MFOA優(yōu)化LSSVM的IPV6網(wǎng)絡入侵檢測方法.以KDD CUP99數(shù)據(jù)集為研究對象,研究結果表明,MFOA__LSSVM算法在檢測率和誤判率指標上均優(yōu)于FOA__LSSVM和LSSVM,MFOA__LSSVM算法的網(wǎng)絡入侵檢測率平均高達96.33%.
【圖文】：

數(shù)Ｃ和核函數(shù)σ，實現(xiàn)ＬＳＳＶＭ模型參數(shù)的最優(yōu)化選擇，其適應度函數(shù)為：ＭｉｎｉｍｉｚｅＦｉｔｎｅｓｓ（Ｃ，σ）＝∑ｍｉ＝１（ｆ＾（ｘｉ）－ｆ（ｘｉ））２，（１）其中ｆ＾（ｘｉ）表示ＩＰＶ６網(wǎng)絡入侵的預測類型，ｆ（ｘｉ）表示ＩＰＶ６網(wǎng)絡入侵的實際類型．ＭＦＯＡ優(yōu)化ＬＳＳＶＭ模型的算法流程如下：圖1MFOA_LSSVM的IPV6網(wǎng)絡入侵檢測流程Fig.1FlowchartforIPV6networkintrusiondetectionbasedonMFOA_LSSVMLSSVM學習數(shù)據(jù)預處理網(wǎng)絡入侵數(shù)據(jù)MFOA算法否性能最優(yōu)嗎？是最優(yōu)特征子集特征約簡網(wǎng)絡入侵檢測模型輸出檢測結果Ｓｔｅｐ１：歸一化網(wǎng)絡入侵樣本數(shù)據(jù)，建立測試樣本數(shù)據(jù)和訓練樣本數(shù)據(jù)．Ｓｔｅｐ２：設定ＭＦＯＡ算法參數(shù)：果蠅種群大小為ｐｏｐｓｉｚｅ，最大迭代次數(shù)為ｍａｘｇｅｎ．Ｓｔｅｐ３：結合適應度函數(shù)（１），計算果蠅個體的適應度值．Ｓｔｅｐ４：更新果蠅群體的位置和飛行速度．Ｓｔｅｐ５：計算果蠅個體的適應度函數(shù)值，并進行判斷，執(zhí)行Ｓｔｅｐ５．Ｓｔｅｐ６：若ｇｅｎ＞ｍａｘｇｅｎ，保存最優(yōu)解；反之ｇｅｎ＝ｇｅｎ＋１，轉到Ｓｔｅｐ４．Ｓｔｅｐ７：運用ＭＦＯＡ優(yōu)化ＬＳＳＶＭ獲取的最優(yōu)參數(shù)懲罰函數(shù)Ｃ和核函數(shù)σ，將最優(yōu)參數(shù)代入ＬＳＳＶＭ模型，實現(xiàn)網(wǎng)絡入侵類型的最優(yōu)化檢測，其入侵檢測流程如圖１所示．４實驗仿真４．１數(shù)據(jù)來源表１不同算法網(wǎng)絡入侵檢測率對比Ｔａｂ．１Ｃｏｍｐａｒｉｓｏｎｏｆｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓｆｏｒｎｅｔｗｏｒｋｉｎｔｒｕｓｉｏｎｄｅｔ?

圖2MFOA_LSSVM檢測結果Fig.2DetectingresultforMFOA_LSSVM圖3FOA_LSSVM檢測結果Fig.3DetectingresultforFOA_LSSVM圖4LSSVM檢測結果Fig.4DetectingresultforLSSVM圖5MFOA尋優(yōu)收斂曲線Fig.5ConvergenceCurveforMFOA測試集的實際分類和預測分類圖測試集的實際分類和預測分類圖測試集的實際分類和預測分類圖類別標簽測試集樣本測試集樣本測試集樣本進化代數(shù)7654321類別標簽7654321類別標簽765432101020304050607001020304050607001020304050607050505050020406080100120140160180200參考文獻［１］李新磊．改進布谷鳥算法優(yōu)化極限學習機的網(wǎng)絡入侵檢測［Ｊ］．激光雜志，２０１５（１）：１０５－１０８．［２］李艷紅，李德玉，崔夢天，，等．基于數(shù)據(jù)流的網(wǎng)絡入侵實時檢測框架［Ｊ］．計算機應用，２０１５，３５（２）：４１６－４１９．［３］汪波，聶曉偉．基于多目標數(shù)學規(guī)劃的網(wǎng)絡入侵檢測方法［Ｊ］．計算機研究與發(fā)展，２０１５（１０）：２２３９－２２４６．［４］黃亮，吳帥，譚國律，等．基于ＥＰＳＯ－ＲＶＭ的網(wǎng)絡入侵檢測模型［Ｊ］．計算機工程與應用，２０１５（３）：８５－８８．［５］ＰＡＮＷＴ．Ａｎｅｗｆｒｕｉｔｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ：Ｔａｋｉｎｇｔｈｅｆｉｎａｎｃｉａｌｄｉｓｔｒｅｓｓｍｏｄｅｌａｓａｎｅｘａｍｐｌｅ［Ｊ］．Ｋｎｏｗｌｅｄｇｅ－ＢａｓｅｄＳｙｓｔｅｍｓ，２０１２，２６：６９－７４．［６］李剛．基于自組織變異粒子濾波的網(wǎng)絡入

【相似文獻】

相關期刊論文 前10條

1 俞研;黃皓;;一種半聚類的異常入侵檢測算法[J];計算機應用;2006年07期

2 ;基于聚類的入侵檢測算法研究[J];廣東外語外貿大學學報;2008年06期

3 聶曉文;盧顯良;王征;;基于數(shù)字垂釣的盲目入侵檢測算法[J];計算機應用;2008年05期

4 李思廣;劉蘊;;分布式入侵檢測系統(tǒng)的學習機制與檢測算法[J];漯河職業(yè)技術學院學報;2008年02期

5 宋凌;李枚毅;李孝源;;一種新的半監(jiān)督入侵檢測算法[J];計算機應用;2008年07期

6 韓仲祥;段_";董淑福;張銳;陶曉燕;;基于反向傳播神經網(wǎng)絡的入侵檢測算法[J];空軍工程大學學報(自然科學版);2009年04期

7 胡翰;;基于主動學習的半監(jiān)督聚類入侵檢測算法[J];無線互聯(lián)科技;2011年10期

8 林逢春;張英;;一種新的半監(jiān)督聚類入侵檢測算法[J];無線互聯(lián)科技;2012年03期

9 何曉薇;;跑道入侵檢測算法研究[J];中國民航飛行學院學報;2012年03期

10 梁力;;一種網(wǎng)絡多次變異信息入侵檢測算法[J];科技通報;2012年10期

相關會議論文 前1條

1 王志佳;顧健;;一種改進的確定有限自動機入侵檢測算法研究[A];全國計算機安全學術交流會論文集·第二十五卷[C];2010年

相關博士學位論文 前3條

1 曾劍平;基于模糊集的自適應偽裝入侵檢測算法及其在ASP服務安全中的應用研究[D];廈門大學;2006年

2 段丹青;入侵檢測算法及關鍵技術研究[D];中南大學;2007年

3 王培崇;基于群智能計算技術的網(wǎng)絡入侵檢測算法研究[D];中國礦業(yè)大學（北京）;2010年

相關碩士學位論文 前10條

1 常暢;基于云架構的Web應用防火墻研究[D];天津理工大學;2015年

2 錢燕燕;基于多標記學習與半監(jiān)督聚類的入侵防御技術研究[D];江蘇科技大學;2015年

3 逯玉婧;基于深度信念網(wǎng)絡的入侵檢測算法研究[D];河北師范大學;2016年

4 董蒙;基于維數(shù)消減與SVM參數(shù)優(yōu)化的入侵檢測算法研究[D];燕山大學;2016年

5 程果;基于分簇的入侵檢測算法[D];西南大學;2016年

6 王聲柱;基于深度學習和半監(jiān)督聚類的入侵防御技術研究[D];江蘇科技大學;2016年

7 高鵬;云計算環(huán)境下的入侵檢測算法研究[D];河北大學;2016年

8 邵璐艷;多基站聯(lián)合的蜂窩網(wǎng)被動入侵檢測算法[D];重慶郵電大學;2016年

9 李坤鵬;基于模糊規(guī)則更新的室內WLAN未知目標入侵檢測算法[D];重慶郵電大學;2016年

10 方琪;基于自然鄰居的半監(jiān)督入侵檢測算法[D];重慶大學;2016年

本文編號：2692614