基于AFSA-BPNN的網絡入侵檢測模型

岳小冰

基于AFSA-BPNN的網絡入侵檢測模型

岳小冰

為了提高網絡入侵檢測的效果，針對BP算法收斂速度慢、易陷入局部極值等難題，提出一種基于人工魚群算法優化BP神經網絡的網絡入侵檢測模型。該模型在基本BP算法的誤差反向傳播的基礎上，采用人工魚群算法對BP網絡的權值和閥值的調整，不僅充分利用了人工魚群算法的全局尋優性，同時保持了BP算法的反向傳播特點，最后，利用建立網絡入侵檢測模型。采用KDD CUP 99數據集進行仿真實驗，結果表明，模型提高了網絡入侵檢測正確率，而且執行效率可以滿足網絡安全實際應用要求。

入侵檢測；神經網絡參數；人工魚群算法；仿真測試

0 引言

隨著Internet應用日益廣泛，數據流種類增多，在網絡給人們生活帶來便利[1]，同時網絡入侵頻率和危害性呈上升趨勢，當前網絡安全面臨很多挑戰，提高網絡入侵檢測率和速度，成為現代網絡安全研究領域中的重大課題[2]。

網絡入侵檢測首先收集網絡狀態數據，然后對網絡行為進行分析，最后將網絡行為分為異常和正常兩種，并根據檢測結果采取相應安全措施[3]。傳統網絡入侵檢測算法有：模式匹配算法、BM算法等，這些算法均屬于單模式的網絡入侵檢測算法，而實際網絡入侵與多種因素密切相關，具有偶然性和時變性等，因此不能適應現代網絡安全檢測要求[4,5]。近年來，隨著人工智能技術的快速發展，出現了如K近鄰算法、聚類分析、神經網絡等[6-8]入侵檢測算法。其中K近鄰算法、聚類分析認為入侵行為是一種固定的變化狀態，這與網絡入侵行為復雜多變性不相符，因此檢測結果不理想[9]。BP神經網絡（Back Propagation Neural Network，BPNN）是一種非線性分類能力強的機器學習算法，具有易實現、自學習和適應能力強等優點，在網絡入侵檢測得到了成功應用[10]。在實際應用中，BPNN的網絡入侵檢測性能與其參數如：各層之間權值、閾值選擇密切相關，要建立最優的網絡入侵模型，首先需要找到BPNN最優參數，設計最優神經網絡。為此，學者們利用各種智能算法對BPNN進行參數尋優，比如遺傳算法、粒子群算法、蟻群算法等尋找到BPNN的參數[11,12]。

人工魚群算法（artificial fish swarm algorithm，AFSA）是一種群智能算法，其收斂速度快，全局尋優能力強，對初值和目標函數的要求不高，模仿自然界魚群的覓食、聚群、追尾等行為而實現全局尋優[13]。為了提高多網絡入侵檢測效果，提出一種AFSA算法優化BP神經網絡的網絡入侵檢測模型，并通過仿真實驗測試其性能。

1 AFSA-BPNN的網絡入侵檢測

1.1 BP神經網絡

一個三層的前向網絡能夠以任意精度逼近任何一個非線性函數，因此BP神經網絡只需輸入層、隱含層和輸出層。

Network Intrusion Detection Model Based on AFSA-BPNN

Yue Xiaobing
(Department of Electronics and Information Engineering, Henan Polytechnic Institute, Nanyang 473000, China)

In order to improve the effect of network intrusion detection, a network intrusion detection model based on artificial fish swarm algorithm is proposed to optimize the BP neural network for the problem of slow convergence, falling into local extreme value easily and so on. The model on the foundation of basic BP algorithm of error back-propagation, based on artificial fish swarm algorithm of BP neural network weights and threshold adjustment, not only makes full use of the artificial fish swarm algorithm for global optimization, but also maintains the reverse propagation characteristics of BP algorithm, and finally it is used to establish the network intrusion detection model. Using CUP KDD 99 data set to carry on the simulation experiment, the results show that this model can improve the accuracy of network intrusion detection, and the implementation of efficiency can meet the requirements of the practical application of network security.

Intrusion Detection; Neural Network Parameter; Artificial Fish Swarm Algorithm; Simulation Test

TP391

A

1007-757X(2016)08-0030-03

河南省科技計劃項目（142102210557），南陽市科技計劃項目（KJGG38，KJGG 51）

岳小冰（1989-），女，河南工業職業技術學院，電子信息工程系，助教，學士，研究方向：計算機應用，南陽，473000