發(fā)布時間：2021-10-16 12:37

　　網(wǎng)絡(luò)入侵檢測技術(shù)能夠?qū)ο到y(tǒng)進行實時檢測或事后檢測,及時發(fā)現(xiàn)、防范各種復(fù)雜多變的網(wǎng)絡(luò)攻擊企圖、攻擊行為與攻擊結(jié)果。同時網(wǎng)絡(luò)入侵檢測技術(shù)也是網(wǎng)絡(luò)空間安全中一個具有挑戰(zhàn)性的網(wǎng)絡(luò)安全問題,機器學(xué)習(xí)對入侵檢測技術(shù)性能的提高成為熱門研究內(nèi)容。文章綜述了近些年來幾種典型的群體智能優(yōu)化算法,及其與支持向量機相結(jié)合的網(wǎng)絡(luò)入侵檢測技術(shù),最后對機器學(xué)習(xí)在網(wǎng)絡(luò)安全入侵檢測中的未來發(fā)展前景進行展望。 

【文章來源】：科技創(chuàng)新與應(yīng)用. 2020,(25)

【文章頁數(shù)】：4 頁

【部分圖文】：

入侵檢測系統(tǒng)分類

余森[19]，劉明珍[20]等研究了PSO算法和SVM融合的網(wǎng)絡(luò)入侵檢測技術(shù)。前者研究基于網(wǎng)絡(luò)系統(tǒng)中的通信數(shù)據(jù)作為訓(xùn)練集和驗證集，KDD 1999作為測試集，通過采用PSO算法確定懲罰參數(shù)C和核寬度參數(shù)σ的值，確定網(wǎng)絡(luò)入侵檢測分類器。作者通過試驗、對比發(fā)現(xiàn)，PSO算法確定SVM參數(shù)設(shè)計的網(wǎng)絡(luò)入侵檢測分類模型，準(zhǔn)確率更高、檢測時間更短，降低了誤檢率、漏檢率，檢測效果更好。后者研究基于KDD 1999數(shù)據(jù)集，通過BPSOA（用二值粒子群優(yōu)化算法），對數(shù)據(jù)集的41個特征進行特征提取，直至獲得最佳特征集，設(shè)計網(wǎng)絡(luò)入侵檢測分類器。作者通過試驗、對比發(fā)現(xiàn)，BPSO科學(xué)的排除了特征集中的噪聲特征，同樣可以降低檢測時間、提高準(zhǔn)確率。兩者研究均表明，PSO算法不僅可用于參數(shù)尋優(yōu)，還可用于最優(yōu)特征集篩選，從而優(yōu)化網(wǎng)絡(luò)入侵檢測的系統(tǒng)性能。但基本的PSO算法優(yōu)化SVM參數(shù)的迭代過程中，種群在搜索空間的聚集度會逐漸提高、多樣性會大幅減少，容易導(dǎo)致PSO算法陷入局部極值、后期迭代效率低等現(xiàn)象，針對以上不足，諸多學(xué)者從改進粒子群優(yōu)化（Improved Particle Swarm Optimization,IPSO）算法或多種算法融合的角度進行研究，以此優(yōu)化SVM尋優(yōu)參數(shù)的準(zhǔn)確率，提高網(wǎng)絡(luò)入侵檢測系統(tǒng)的性能。馬占飛[21]等通過在傳統(tǒng)的PSO算法中設(shè)計高斯擾動和適應(yīng)度方差值，在傳統(tǒng)的差分（Differential Evolution,DE）算法中設(shè)計縮放因子F的自適應(yīng)動態(tài)調(diào)整策略，提出了IQPSO-IDE入侵檢測方法，即改進的粒子群優(yōu)化和改進的差分（Improved Differential Evolution,IDE）算法融合。該入侵檢測模型的設(shè)計首先通過在種群粒子的平均位置引入高斯擾動來增加粒子多樣性；其次選擇能夠反映粒子群聚集度的適應(yīng)度方差s2，原理是通過設(shè)置閾值來判斷算法的搜索能力。s2大于閾值，說明粒子群聚集度小，搜索能力較好，未達(dá)到局部最優(yōu)，s2小于閾值，說明粒子群聚集度大，搜索能力差，算法陷入局部極值問題；最后利用自適應(yīng)調(diào)整縮放因子F的差異策略，原理是動態(tài)調(diào)整F值的大小，在算法的迭代后期，豐富種群粒子的多樣性，使其更好的進行SVM參數(shù)尋優(yōu)。結(jié)果表明，IQPSO-IDE算法提高了網(wǎng)絡(luò)入侵檢測的正確率、降低了漏報率和誤報率。

3.3 人工蜂群（Artificial Bee Colony,ABC）算法ABC算法是一種全局搜索能力強、收斂速度較快的群體智能算法，源于Karaboga對蜜蜂種群在任何復(fù)雜的環(huán)境下，能夠高效率采蜜行為的研究，根據(jù)模擬引領(lǐng)蜂、觀察蜂和偵察蜂分配不同的任務(wù)進行蜜蜂種群信息交換與共享，最終獲得函數(shù)全局最優(yōu)解。ABC算法的基本原理步驟如圖4所示。

【參考文獻】：
期刊論文
[1]基于IQPSO的SVM參數(shù)優(yōu)化入侵檢測研究[J]. 潘曉君.  寧夏師范學(xué)院學(xué)報. 2019(10)
[2]粒子群算法和支持向量機的網(wǎng)絡(luò)入侵檢測[J]. 余森,趙冉.  微型電腦應(yīng)用. 2019(09)
[3]基于IQPSO-IDE算法的網(wǎng)絡(luò)入侵檢測方法[J]. 馬占飛,楊晉,金溢,邊琦.  計算機工程與應(yīng)用. 2019(10)
[4]機器學(xué)習(xí)在網(wǎng)絡(luò)空間安全研究中的應(yīng)用[J]. 張蕾,崔勇,劉靜,江勇,吳建平.  計算機學(xué)報. 2018(09)
[5]基于改進蟻群算法與遺傳算法組合的網(wǎng)絡(luò)入侵檢測[J]. 袁琴琴,呂林濤.  重慶郵電大學(xué)學(xué)報(自然科學(xué)版). 2017(01)
[6]人工蜂群算法優(yōu)化支持向量機的網(wǎng)絡(luò)入侵檢測[J]. 謝偉增.  微型電腦應(yīng)用. 2017(01)
[7]改進的人工蜂群優(yōu)化支持向量機算法在入侵檢測中的應(yīng)用[J]. 劉銘,黃凡玲,傅彥銘,楊曉玲.  計算機應(yīng)用與軟件. 2017(01)
[8]改進蟻群算法優(yōu)化支持向量機的網(wǎng)絡(luò)入侵檢測[J]. 王雪松,梁昔明.  計算技術(shù)與自動化. 2015(02)
[9]人工螢火蟲群優(yōu)化算法求解約束優(yōu)化問題[J]. 楊艷,周永權(quán),羅林,袁冠遠(yuǎn).  小型微型計算機系統(tǒng). 2014(01)
[10]粒子群優(yōu)化支持向量機的入侵檢測算法[J]. 劉明珍.  計算機工程與應(yīng)用. 2012(35)



本文編號：3439820