基于PSO―BP神经网络入侵检测技术优化算法研究.docVIP

基于PSO―BP神经网络入侵检测技术优化算法研究 　　摘 要：?对基于BP神经网络的IDS技术收敛速度较慢，易陷入局部最优值、网络瘫痪，系统稳定性差等问题，本文提出了基于PSO-BP神经网络的入侵检测技术优化算法。利用粒子群优化算法优化BP网络的权重，首先利用PSO算法优化得到一个最优初始值，然后通过BP网络算法修正误差值，从而获得最优值。 　　关键词：粒子群优化算法；神经网络；入侵检测 　　中图分类号：TP301 文献标识码：A 　　Abstract：Many problems are found in the IDS technology based on the traditional BP neural network，including low convergence speed，easily falling into the local optimal value，network paralysis，poor system stability，etc.This paper presents an intrusion detection technology optimization algorithm based on the PSO-BP neural network which optimizes the BP network weight with the Particle Swarm Optimization（PSO）algorithm.Firstly，an optimal initial value is obtained by using the PSO algorithm，and then the error value is corrected with the BP network algorithm to obtain the optimal value. 　　Keywords：Particle Swarm Optimization（PSO）algorithm；neural network；intrusion detection 　　1 引言（Introduction） 　　网络安全是网络通信技术中的关键技术之一，也是近年来的研究热点。传统的入侵检测技术主要有误用检测（Misuse Detection）和异常检测（Anomaly Detection）技术[1]，本文针对现有入侵检测技术算法的收敛速度较慢的问题，提出基于PSO-BP神经网络入侵检测技术优化算法，利用粒子群优化算法优化BP网络的权重，首先利用PSO算法优化得到一个最优初始值，然后通过BP网络算法修正误差值，从而获得最优值。 　　2 基于PSO-BP神经网络入侵检测技术优化算法 　　2.1 BP神经网络算法 　　BP神经网络算法[2]本质上采用梯度下降搜索方法，由于该算法的不足，如收敛速度慢，容易陷入误差函数的局部最优值的问题，且对于较大搜索空间多峰值和不可微函数等搜索全局最优值也无能为力，而粒子群算法[3]能有效地解决这些问题，因为它是一种基于群体协作的随机搜索算法，它可以被纳入多主体优化系统，是群集智能的一种，能避开局部极小值，且在进化过程中无须提供所要解决问题的梯度信息。粒子群算法和遗传算法一样，都随机初始化种群，并使用适用值来评价系统，依据适应值进行一定的随机搜索。粒子群算法依据自身速度来决定搜索。大部分的情况下，所有的粒子可能更快的收敛于最优解，且没有遗传算法遇到的问题。因此，本文提出一种基于PSO-BP神经网络入侵检测算法。 　　2.2 改进PSO算法描述 　　本文要解决的是当全局最优粒子陷入局部最优解后，变动粒子的移动方向，跳出局部最优解，对gbest参数重新更新。所以，应当粒子群中先选择参考粒子群，比如一部分最优粒子子群，每次迭代时，若全局最优粒子gbest有一定次数没有更新，则随机生成新的位置及速度的值，并更新最优粒子子群，将更新后的最优粒子子群的适应度值与当前全局最优粒子的适应度值进行比较，来决定当前全局最优粒子是否被新的粒子所取代，在后续的迭代中，粒子群将向新的全局最优粒子靠近。 　　其中，m为子群粒子个数， fave为子群粒子的平均适应度值，改进后算法步骤如下： 　　（1）根据神经网络的输入输出数量和结构确定粒子的维度。 　　（2）对粒子的速度和位置进行随机初始化。 　　（3）根据适应度函数计算得到每个粒子的适应值。 　　（4）将每个粒子的适应值与pbest值（当前最优粒子）作比较，如果优于pbest值，则更新pbest值及其位置，同时记录粒子群中10%的最优粒子子群。 　　（5）将pbest值和gbest值作比较，如果优于gbest值，则更新gbest值及其位置，同时记录