針對(duì)時(shí)變粒子群算法對(duì)支持向量機(jī)懲罰參數(shù)和核函數(shù)參數(shù)尋優(yōu)能力不足導(dǎo)致檢測(cè)效率相對(duì)較低的問題,提出一種余弦時(shí)變粒子群優(yōu)化支持向量機(jī)的方法。該方法通過運(yùn)用余弦時(shí)變加速系數(shù)平衡算法在全局和局部的搜索能力,根據(jù)粒子適應(yīng)度值與自定義的平均適應(yīng)度值之間的距離,修改慣性權(quán)重的取值策略。結(jié)合2種方法來優(yōu)化粒子群算法,控制粒子全局搜索和快速收斂到全局最優(yōu)解;分別從NSL-KDD數(shù)據(jù)集和ADFA-LD數(shù)據(jù)集選取樣本進(jìn)行測(cè)試,仿真實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的粒子群算法能夠在搜索過程中有效地避免陷入局部最優(yōu)的情況,可以更加快速地搜尋確定支持向量機(jī)模型參數(shù)的最優(yōu)值,提高支持向量機(jī)的分類準(zhǔn)確率。 

【文章來源】：控制工程. 2020,27(09)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

TVAC和CTVAC函數(shù)Fig.1TVACandCTVACfunctions

200粒子群數(shù)目N8交叉驗(yàn)證K10γ取值范圍[2-4,24]C取值范圍[2-5,25]b,A取值1.5，1w1,w2取值0.4，0.9預(yù)處理方面首先將字符型數(shù)據(jù)轉(zhuǎn)為數(shù)值型，同時(shí)為了減少不同屬性值之間的相互影響，對(duì)所選取的訓(xùn)練集和測(cè)試數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理，將其映射到[0,1]區(qū)間。通過使用10倍交叉驗(yàn)證，將原始數(shù)據(jù)隨機(jī)采樣為10個(gè)子集，并且每個(gè)數(shù)據(jù)子集的數(shù)據(jù)量相同，使得每個(gè)數(shù)據(jù)子集在測(cè)試部分中具有相等機(jī)會(huì)，然后通過模型在測(cè)試子集上的平均精度來計(jì)算檢測(cè)率。通過圖3可以看出經(jīng)過余弦時(shí)變PSO算法優(yōu)化的SVM模型的檢測(cè)率起始值為91%左右，迭代次數(shù)在20次左右時(shí)很趨近于最優(yōu)值，在50次左右時(shí)達(dá)到最優(yōu)值97.72%，同時(shí)得到本次實(shí)驗(yàn)的最優(yōu)懲罰參數(shù)C=31.43、最優(yōu)核函數(shù)參數(shù)γ=2.70。TVCPSO-SVM模型檢測(cè)率起始值為65%左右，當(dāng)?shù)螖?shù)到達(dá)150次左右時(shí)，趨近于最優(yōu)值97.03%，PSO-SVM模型和CPSO-SVM模型在迭代次數(shù)為190次左右時(shí)得到最優(yōu)值95.48%。通過最優(yōu)檢測(cè)率值以及到達(dá)穩(wěn)定值的迭代次數(shù)比較可知，余弦時(shí)變PSO算法在提高檢測(cè)率的同時(shí)也能夠加快時(shí)變PSO算法的收斂速度。4種方法在NSL-KDD數(shù)據(jù)集上的檢測(cè)率對(duì)比，如圖3所示。圖3NSL-KDD數(shù)據(jù)集檢測(cè)率Fig.3DetectionrateofNSL-KDDdatasets評(píng)估入侵檢測(cè)模型的主要性能指標(biāo)包括檢測(cè)率(DR)和誤報(bào)率(FAR)指標(biāo)。DR=檢測(cè)出的異常樣本數(shù)/異常樣本總數(shù),FAR=誤報(bào)為異常的正常樣本/正常樣本總數(shù)。文中的檢測(cè)模型將在DR與FAR兩個(gè)方面與文獻(xiàn)[16]、文獻(xiàn)[13]和文獻(xiàn)[6]中多種改進(jìn)PSO算法優(yōu)化SVM模型進(jìn)?

Validation)和Attack。其中，Attack中包含工控網(wǎng)絡(luò)攻擊中出現(xiàn)的Hydra-FTP攻擊、Hydra-SSH攻擊、Adduser攻擊、Java-meterpreter攻擊、meterpreter攻擊和Webshell攻擊。文中實(shí)驗(yàn)選用Training_Data_Master中的833條正常樣本和從Attack_Data_Master中隨機(jī)選取的91條攻擊數(shù)據(jù)預(yù)處理后作為訓(xùn)練樣本，使用Validation_Data_Master中4372條正常樣本和Attack_Data_Master中剩余的655條攻擊數(shù)據(jù)預(yù)處理后作為檢測(cè)樣本，實(shí)驗(yàn)結(jié)果，如圖4所示。圖4ADFA-LD數(shù)據(jù)集文中方法測(cè)試結(jié)果Fig.4ADFA-LDdatasetstestresultsoftheproposedmethod由圖4顯示的文中方法檢測(cè)結(jié)果可以看出實(shí)際測(cè)試和預(yù)測(cè)測(cè)試集的分類結(jié)果只有兩個(gè)地方出現(xiàn)了誤報(bào)的情況,同時(shí)使用另外3種方法對(duì)該數(shù)據(jù)集進(jìn)行測(cè)試，測(cè)試結(jié)果，如圖5所示。圖5ADFA-LD數(shù)據(jù)集檢測(cè)率Fig.5DetectionrateofADFA-LDdatasets從圖5中的檢測(cè)率結(jié)果對(duì)比可知余弦時(shí)變PSO算法優(yōu)化SVM模型檢測(cè)率和收斂速度方面都得到良好的提高。余弦時(shí)變PSO算法經(jīng)過90次左右的迭代次數(shù)快速收斂達(dá)到穩(wěn)定值99.96%，TVCPSO-SVM模型迭代次數(shù)需要經(jīng)過130次左右可以達(dá)到穩(wěn)定值99.96%，CPSO-SVM需要迭代150次左右收斂達(dá)到穩(wěn)定值，PSO-SVM則需要更多的迭代次數(shù)170次左右，同時(shí)可以看出PSO-SVM尋優(yōu)過程中波動(dòng)最大，有些地方出現(xiàn)重復(fù)過程，并沒有實(shí)現(xiàn)針對(duì)性的尋優(yōu)，相比而言其他3種方法尋優(yōu)過程效率較好，針對(duì)性較好，其中，余弦時(shí)變PSO算法可以很快的收斂得到最佳檢測(cè)率，說明在ADFA-LD數(shù)據(jù)集上文中所提余弦時(shí)變PSO算法優(yōu)化SVM

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)D-S證據(jù)理論的網(wǎng)絡(luò)入侵檢測(cè)[J]. 李佳,范巍.  控制工程. 2017(11)
[2]基于Makov鏈狀態(tài)轉(zhuǎn)移概率矩陣的網(wǎng)絡(luò)入侵檢測(cè)[J]. 韓紅光,周改云.  控制工程. 2017(03)
[3]基于優(yōu)化單類支持向量機(jī)的工業(yè)控制系統(tǒng)入侵檢測(cè)算法[J]. 尚文利,李琳,萬明,曾鵬.  信息與控制. 2015(06)



本文編號(hào)：3623622