基于人工鱼群算法优化神经网络在网络入侵检测中应用研究.docVIP

基于人工鱼群算法优化神经网络在网络入侵检测中应用研究 　　摘 要： 为解决传统入侵检测算法存在的检测正确率低、高误播率和检测效率低的问题，结合BP神经网络算法在网络入侵检测中的优点，提出一种采用人工鱼群算法优化BP神经网络算法的方法。通过仿真实验表明，采用优化的神经网络对入侵数据进行学习和检测，与传统网络入侵检测算法相比，具有较高的检测准确率和效率，可以很好地检测各种网络入侵类型，大大提高了网络的安全性能。 　　关键词： BP神经网络； 人工鱼群算法； 入侵检测； 优化模型 　　中图分类号： TN711?34 文献标识码： A 文章编号： 1004?373X（2017）01?0080?03 　　Abstract： In order to solve the problems of low detection accuracy， high false alarm rate and low detection efficiency exis?ting in the traditional intrusion detection algorithm， a method of using artificial fish swarm algorithm to optimize the BP neural network algorithm is proposed in combination with the advantages of BP neural network algorithm in network intrusion detection. The simulation experiment results show that， in comparison with the traditional intrusion detection algorithm， the optimized neural network has higher accuracy and efficiency while learning and detecting the intrusion data， can detect various network intrusion types better， and improve the network safety performance greatly. 　　Keywords： BP neural network； artificial fish swarm algorithm； intrusion detection； optimization model 　　随着互联网技术的迅速发展和网络应用规模的不断扩大，计算?C网络已经成为人们生产和生活的重要组成部分。但是，随着当下各种网络攻击和病毒入侵事件频发，传统的防火墙和杀毒技术面对新型木马和远程探测攻击等新型网络攻击手段显得力不从心。对于传统技术，入侵检测技术在可防御入侵类型和效率等方面的优势得到了人们的广泛关注。但是，传统的入侵检测技术自身具有检测效率低，维护性、系统更新能力低，漏报和误报率较高等缺陷。因此，本文引入基于鱼群算法优化的BP神经网络这一智能算法构建入侵检测模型，以提高其检测效率和检测性能[1?3]。 　　1 人工鱼群算法 　　人工鱼群算法（Artificial Fish Swarm Algorithm，AFSA）采用人工鱼定义整个鱼群中的各个个体，在其内部封装了数据和一系列行为规则，然后将问题的解空间模拟成环境里的食物浓度；将问题的自变量模拟成人工鱼的状态。通过每条人工鱼在其搜索空间中寻找最佳解决方案，实现全局的最优自适应搜索[4]。利用AFSA优化BP神经网络，就是利用人工鱼群算法在训练中不断调整网络的权值和阈值，实现误差最小的寻优目的，其优化的具体流程如图1所示。 　　定义BP神经网络节点和节点之间的输入权值为输出权值为输出节点的阈值为人工鱼群的状态变量为设鱼群规模为人工鱼的状态为维向量，是神经网络权值和阈值的总和，初始化人工鱼编码，其后随机产生人工鱼初始群体。 　　定义向量为人工鱼的状态向量，其中是欲寻优的变量，定义为人工鱼当下的食物浓度，其中，为目标函数值。用欧式距离表示各个个体之间的距离。此外，定义Visual为人工鱼的感知范围，Step为人工鱼的最大移动步长，为鱼群拥挤度因子。经过执行觅食、聚群、追尾三种方法对状态变量进行反复优化后可以得到鱼群最佳适应度值，即BP神经网络的最佳结构参数。 　　2 模型的实验过程及结果分析 　　2.1 实验环境 　　本次实验的硬件平台为Intel i7 4.8 GHz，16 GB内存和2 TB硬盘的计算机，实验在Windows 10平台上用Matlab语言编