【摘要】：針對LSSVM的網(wǎng)絡(luò)入侵檢測技術(shù)存在檢測率低和誤判率高的缺點(diǎn),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(chǔ)上,提出一種MFOA優(yōu)化LSSVM的IPV6網(wǎng)絡(luò)入侵檢測方法.以KDD CUP99數(shù)據(jù)集為研究對象,研究結(jié)果表明,MFOA__LSSVM算法在檢測率和誤判率指標(biāo)上均優(yōu)于FOA__LSSVM和LSSVM,MFOA__LSSVM算法的網(wǎng)絡(luò)入侵檢測率平均高達(dá)96.33%.
【圖文】：

數(shù)Ｃ和核函數(shù)σ，實(shí)現(xiàn)ＬＳＳＶＭ模型參數(shù)的最優(yōu)化選擇，其適應(yīng)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(luò)入侵的預(yù)測類型，ｆ（ｘｉ）表示ＩＰＶ６網(wǎng)絡(luò)入侵的實(shí)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(luò)入侵檢測流程Fig.1FlowchartforIPV6networkintrusiondetectionbasedonMFOA_LSSVMLSSVM學(xué)習(xí)數(shù)據(jù)預(yù)處理網(wǎng)絡(luò)入侵?jǐn)?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(luò)入侵檢測模型輸出檢測結(jié)果Ｓｔｅｐ１：歸一化網(wǎng)絡(luò)入侵樣本數(shù)據(jù)，建立測試樣本數(shù)據(jù)和訓(xùn)練樣本數(shù)據(jù)．Ｓｔｅｐ２：設(shè)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(jié)合適應(yīng)度函數(shù)（１），計算果蠅個體的適應(yīng)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(yīng)度函數(shù)值，并進(jìn)行判斷，執(zhí)行Ｓｔｅｐ５．Ｓｔｅｐ６：若ｇｅｎ＞ｍａｘｇｅｎ，保存最優(yōu)解；反之ｇｅｎ＝ｇｅｎ＋１，轉(zhuǎn)到Ｓｔｅｐ４．Ｓｔｅｐ７：運(yùn)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(shí)現(xiàn)網(wǎng)絡(luò)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(shí)驗(yàn)仿真４．１數(shù)據(jù)來源表１不同算法網(wǎng)絡(luò)入侵檢測率對比Ｔａｂ．１Ｃｏｍｐａｒｉｓｏｎｏｆｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓｆｏｒｎｅｔｗｏｒｋｉｎｔｒｕｓｉｏｎｄｅｔ?

圖2MFOA_LSSVM檢測結(jié)果Fig.2DetectingresultforMFOA_LSSVM圖3FOA_LSSVM檢測結(jié)果Fig.3DetectingresultforFOA_LSSVM圖4LSSVM檢測結(jié)果Fig.4DetectingresultforLSSVM圖5MFOA尋優(yōu)收斂曲線Fig.5ConvergenceCurveforMFOA測試集的實(shí)際分類和預(yù)測分類圖測試集的實(shí)際分類和預(yù)測分類圖測試集的實(shí)際分類和預(yù)測分類圖類別標(biāo)簽測試集樣本測試集樣本測試集樣本進(jìn)化代數(shù)7654321類別標(biāo)簽7654321類別標(biāo)簽765432101020304050607001020304050607001020304050607050505050020406080100120140160180200參考文獻(xiàn)［１］李新磊．改進(jìn)布谷鳥算法優(yōu)化極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)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(luò)入侵實(shí)時檢測框架［Ｊ］．計算機(jī)應(yīng)用，２０１５，３５（２）：４１６－４１９．［３］汪波，聶曉偉．基于多目標(biāo)數(shù)學(xué)規(guī)劃的網(wǎng)絡(luò)入侵檢測方法［Ｊ］．計算機(jī)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(luò)入侵檢測模型［Ｊ］．計算機(jī)工程與應(yīng)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(luò)入

【相似文獻(xiàn)】

相關(guān)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(jī)應(yīng)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(mào)大學(xué)學(xué)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(jī)應(yīng)用;2008年05期

4 李思廣;劉蘊(yùn);;分布式入侵檢測系統(tǒng)的學(xué)習(xí)機(jī)制與檢測算法[J];漯河職業(yè)技術(shù)學(xué)院學(xué)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(jī)應(yīng)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(jīng)網(wǎng)絡(luò)的入侵檢測算法[J];空軍工程大學(xué)學(xué)報(自然科學(xué)版);2009年04期

7 胡翰;;基于主動學(xué)習(xí)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(xué)院學(xué)報;2012年03期

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

相關(guān)會議論文 前1條

1 王志佳;顧健;;一種改進(jìn)的確定有限自動機(jī)入侵檢測算法研究[A];全國計算機(jī)安全學(xué)術(shù)交流會論文集·第二十五卷[C];2010年

相關(guān)博士學(xué)位論文 前3條

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

2 段丹青;入侵檢測算法及關(guān)鍵技術(shù)研究[D];中南大學(xué);2007年

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

相關(guān)碩士學(xué)位論文 前10條

1 常暢;基于云架構(gòu)的Web應(yīng)用防火墻研究[D];天津理工大學(xué);2015年

2 錢燕燕;基于多標(biāo)記學(xué)習(xí)與半監(jiān)督聚類的入侵防御技術(shù)研究[D];江蘇科技大學(xué);2015年

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

5 程果;基于分簇的入侵檢測算法[D];西南大學(xué);2016年

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

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

本文編號：2692614