基于MFOA__LSSVM的IPV6网络入侵检测算法研究

发布时间：2020-06-02 04:32

【摘要】：针对LSSVM的网络入侵检测技术存在检测率低和误判率高的缺点,针对果蝇优化算法易陷入"早熟"和局部最优的问题,将修正因子引入果蝇优化算法,提出一种修正的果蝇优化算法(Modified Fruit Fly Optimization Algorithm,MFOA),避免果蝇优化算法陷入局部最优.在MFOA算法的基础上,提出一种MFOA优化LSSVM的IPV6网络入侵检测方法.以KDD CUP99数据集为研究对象,研究结果表明,MFOA__LSSVM算法在检测率和误判率指标上均优于FOA__LSSVM和LSSVM,MFOA__LSSVM算法的网络入侵检测率平均高达96.33%.
【图文】：

数Ｃ和核函数σ，实现ＬＳＳＶＭ模型参数的最优化选择，其适应度函数为：ＭｉｎｉｍｉｚｅＦｉｔｎｅｓｓ（Ｃ，σ）＝∑ｍｉ＝１（ｆ＾（ｘｉ）－ｆ（ｘｉ））２，（１）其中ｆ＾（ｘｉ）表示ＩＰＶ６网络入侵的预测类型，ｆ（ｘｉ）表示ＩＰＶ６网络入侵的实际类型．ＭＦＯＡ优化ＬＳＳＶＭ模型的算法流程如下：图1MFOA_LSSVM的IPV6网络入侵检测流程Fig.1FlowchartforIPV6networkintrusiondetectionbasedonMFOA_LSSVMLSSVM学习数据预处理网络入侵数据MFOA算法否性能最优吗？是最优特征子集特征约简网络入侵检测模型输出检测结果Ｓｔｅｐ１：归一化网络入侵样本数据，建立测试样本数据和训练样本数据．Ｓｔｅｐ２：设定ＭＦＯＡ算法参数：果蝇种群大小为ｐｏｐｓｉｚｅ，最大迭代次数为ｍａｘｇｅｎ．Ｓｔｅｐ３：结合适应度函数（１），计算果蝇个体的适应度值．Ｓｔｅｐ４：更新果蝇群体的位置和飞行速度．Ｓｔｅｐ５：计算果蝇个体的适应度函数值，并进行判断，执行Ｓｔｅｐ５．Ｓｔｅｐ６：若ｇｅｎ＞ｍａｘｇｅｎ，保存最优解；反之ｇｅｎ＝ｇｅｎ＋１，转到Ｓｔｅｐ４．Ｓｔｅｐ７：运用ＭＦＯＡ优化ＬＳＳＶＭ获取的最优参数惩罚函数Ｃ和核函数σ，将最优参数代入ＬＳＳＶＭ模型，实现网络入侵类型的最优化检测，其入侵检测流程如图１所示．４实验仿真４．１数据来源表１不同算法网络入侵检测率对比Ｔａｂ．１Ｃｏｍｐａｒｉｓｏｎｏｆｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓｆｏｒｎｅｔｗｏｒｋｉｎｔｒｕｓｉｏｎｄｅｔ?

图2MFOA_LSSVM检测结果Fig.2DetectingresultforMFOA_LSSVM图3FOA_LSSVM检测结果Fig.3DetectingresultforFOA_LSSVM图4LSSVM检测结果Fig.4DetectingresultforLSSVM图5MFOA寻优收敛曲线Fig.5ConvergenceCurveforMFOA测试集的实际分类和预测分类图测试集的实际分类和预测分类图测试集的实际分类和预测分类图类别标签测试集样本测试集样本测试集样本进化代数7654321类别标签7654321类别标签765432101020304050607001020304050607001020304050607050505050020406080100120140160180200参考文献［１］李新磊．改进布谷鸟算法优化极限学习机的网络入侵检测［Ｊ］．激光杂志，２０１５（１）：１０５－１０８．［２］李艳红，李德玉，崔梦天，，等．基于数据流的网络入侵实时检测框架［Ｊ］．计算机应用，２０１５，３５（２）：４１６－４１９．［３］汪波，聂晓伟．基于多目标数学规划的网络入侵检测方法［Ｊ］．计算机研究与发展，２０１５（１０）：２２３９－２２４６．［４］黄亮，吴帅，谭国律，等．基于ＥＰＳＯ－ＲＶＭ的网络入侵检测模型［Ｊ］．计算机工程与应用，２０１５（３）：８５－８８．［５］ＰＡＮＷＴ．Ａｎｅｗｆｒｕｉｔｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ：Ｔａｋｉｎｇｔｈｅｆｉｎａｎｃｉａｌｄｉｓｔｒｅｓｓｍｏｄｅｌａｓａｎｅｘａｍｐｌｅ［Ｊ］．Ｋｎｏｗｌｅｄｇｅ－ＢａｓｅｄＳｙｓｔｅｍｓ，２０１２，２６：６９－７４．［６］李刚．基于自组织变异粒子滤波的网络入

【相似文献】

相关期刊论文 前10条

1 俞研;黄皓;;一种半聚类的异常入侵检测算法[J];计算机应用;2006年07期

2 ;基于聚类的入侵检测算法研究[J];广东外语外贸大学学报;2008年06期

3 聂晓文;卢显良;王征;;基于数字垂钓的盲目入侵检测算法[J];计算机应用;2008年05期

4 李思广;刘蕴;;分布式入侵检测系统的学习机制与检测算法[J];漯河职业技术学院学报;2008年02期

5 宋凌;李枚毅;李孝源;;一种新的半监督入侵检测算法[J];计算机应用;2008年07期

6 韩仲祥;段_";董淑福;张锐;陶晓燕;;基于反向传播神经网络的入侵检测算法[J];空军工程大学学报(自然科学版);2009年04期

7 胡翰;;基于主动学习的半监督聚类入侵检测算法[J];无线互联科技;2011年10期

8 林逢春;张英;;一种新的半监督聚类入侵检测算法[J];无线互联科技;2012年03期

9 何晓薇;;跑道入侵检测算法研究[J];中国民航飞行学院学报;2012年03期

10 梁力;;一种网络多次变异信息入侵检测算法[J];科技通报;2012年10期

相关会议论文 前1条

1 王志佳;顾健;;一种改进的确定有限自动机入侵检测算法研究[A];全国计算机安全学术交流会论文集·第二十五卷[C];2010年

相关博士学位论文 前3条

1 曾剑平;基于模糊集的自适应伪装入侵检测算法及其在ASP服务安全中的应用研究[D];厦门大学;2006年

2 段丹青;入侵检测算法及关键技术研究[D];中南大学;2007年

3 王培崇;基于群智能计算技术的网络入侵检测算法研究[D];中国矿业大学（北京）;2010年

相关硕士学位论文 前10条

1 常畅;基于云架构的Web应用防火墙研究[D];天津理工大学;2015年

2 钱燕燕;基于多标记学习与半监督聚类的入侵防御技术研究[D];江苏科技大学;2015年

3 逯玉婧;基于深度信念网络的入侵检测算法研究[D];河北师范大学;2016年

4 董蒙;基于维数消减与SVM参数优化的入侵检测算法研究[D];燕山大学;2016年

5 程果;基于分簇的入侵检测算法[D];西南大学;2016年

6 王声柱;基于深度学习和半监督聚类的入侵防御技术研究[D];江苏科技大学;2016年

7 高鹏;云计算环境下的入侵检测算法研究[D];河北大学;2016年

8 邵璐艳;多基站联合的蜂窝网被动入侵检测算法[D];重庆邮电大学;2016年

9 李坤鹏;基于模糊规则更新的室内WLAN未知目标入侵检测算法[D];重庆邮电大学;2016年

10 方琪;基于自然邻居的半监督入侵检测算法[D];重庆大学;2016年

本文编号：2692614