粒子群算法和SVM的網絡入侵檢測

羅尚平　劉才銘

摘 要： 針對當前的神經網絡檢測算法在強干擾下的網絡入侵檢測準確攔截性不好的問題，提出一種基于粒子群算法和支持向量機的網絡入侵檢測方法。構建網絡入侵的特征信號模型，采用二階自適應格型IIR陷波器進行入侵信息的抗干擾處理；粒子群算法進行自適應尋優提取網絡入侵特征的最優解，SVM進行入侵信息分類，實現網絡入侵有效檢測；并進行仿真測試。結果表明，采用該方法進行網絡入侵檢測的準確攔截概率較高，誤檢和漏檢概率較低，保障了網絡安全。

關鍵詞： 粒子群算法； 支持向量機； 網絡入侵； 檢測算法

中圖分類號： TN711?34； TP393 文獻標識碼： A 文章編號： 1004?373X（2017）10?0031?04

Abstract： As the accuracy of the current neural network detection algorithm to detect and intercept network intrusion in strong interference is not high enough， a detection method based on particle swarm optimization algorithm and support vector machine to deal with the network intrusion is put forward， and the feature signal model of network intrusion is built. The two?order adaptive lattice IIR notch filter is adopted for anti?jamming processing of intrusion information. The particle swarm optimization algorithm is used to extract the optimal solution of network intrusion features in adaptive optimizing mode. SVM is employed for intrusion information classification to realize the effective detection of network intrusion. The simulation test results show that the method has high accurate intercepting probability and low false dismissal detection probability for network intrusion detection. It can guarantee the network security.

Keywords： particle swarm optimization； support vector machine； network intrusion； detection algorithm

隨著網絡信息技術的快速發展，大量的信息數據通過網絡實現信息傳輸和信息存儲，網絡安全受到人們的極大關注，網絡安全分為網絡系統安全和網絡信息安全。網絡安全防御過程就是一個信息對抗和反對抗的過程，網絡攻擊者通過植入病毒進行網絡攻擊入侵，網絡防御者通過信息檢測技術進行入侵檢測，實現病毒入侵的識別[1]。為了提高網絡安全檢測性能，本文提出一種基于粒子群算法和支持向量機的網絡入侵檢測方法，通過算法設計和仿真測試分析，提高網絡入侵的檢測能力。

1 網絡入侵信號分析

1.1 網絡入侵時間尺度響應計算

為了實現對網絡入侵的準確檢測，先構建網絡入侵信號采樣和傳輸模型[2?3]，并結合時間序列分析方法，進行網絡入侵信號的統計分析。網絡入侵信號是一組非線性時間序列，可以采用非線性時間序列分析方法進行特征分析和檢測，結合統計信息采樣和時間序列分析[4]，得到網絡入侵信號結構模型為：

1.2 抗干擾處理

設計二階自適應格型IIR陷波器進行網絡入侵的抗干擾處理，二階自適應格型IIR陷波器結構模型如圖1所示。

和網絡空間中分布的有用信息共同構成；y（k）為網絡入侵信號經過二階格型陷波器濾波后的輸出。通過k次迭代，選擇適當的相位[θ1k]，使[y（k）φ*（k）]最小；通過粒子群算法進行頻率參數[a]和帶寬參數[r]的自適應調整，進行網絡病毒入侵信息檢測的抗干擾濾波時，令自適應權值[w0=0]，得到匹配濾波檢測的抽頭系數迭代式為：

式中：[μ]為對網絡病毒入侵信息的離散時間線采樣的窗口控制參數，稱為步長；[φ*（k）]是輸出期望響應信號[y（k）]的陷波頻率，當[r→1]時網絡入侵信號標量時間序列在陷波器中的聚焦帶寬減小。通過輸出處理，設計得到網絡入侵信號濾波的陷波器的傳輸函數為：

輸入的網絡入侵信息特征[u（k）]經過匹配濾波，抑制傳輸信息通道中的合法數據，提高入侵信息的頻域聚焦能力，實現了對網絡入侵信號的抗干擾處理，增大了有效檢測的概率。

2 網絡入侵檢測模型優化實現

2.1 基于粒子群算法的入侵特征分布性度量計算

采用粒子群算法進行自適應尋優提取網絡入侵特征的最優解。假設在D維網絡入侵信息搜索空間中，有m個粒子組成一個種群。個體i在D維網絡入侵信息搜索空間中的位置可以表示為[Xi=xi1，xi2，…，xiD]，第i個粒子通過自適應尋優和跳躍改進機制約束進行入侵信息定位，記為[Pi=pi1，pi2，…，piD]。每個粒子個體的速度記為[Vi =vi1，vi2，…，viD ， i=1，2，…，m]，在非支配解控制約束下進行自適應尋優泛函[8]。提取網絡入侵的信息傳遞特征，得到在整個群體中所有粒子經歷過的最好位置為[Pg=pg1，pg2，…，pgD]。采用極值跟蹤搜索方法進行網絡病毒信息的鎖定，得到粒子群尋優的迭代過程描述為：

在粒子群尋優和SVM訓練下，網絡入侵檢測的收斂性能更加優越。

3 實驗測試分析

在Matlab仿真環境下進行網絡入侵檢測分析，實驗的硬件環境為2.89 GHz雙核Core四處理器，1 GB內存。在分布式中心網絡的交換機中進行網絡傳輸數據信息采樣，采集時間為5 min，使用50 KS/s的采樣率進行數據分析和特征提取。網絡入侵特征的離散采樣頻率為[FS=20 f0=50 kHz]；樣本長度為1 024；支持向量機SVM訓練的信號樣本為頻帶10～15 kHz、時寬2.6 ms的線性調頻時間序列；濾波器長度[L]=25；粒子群數量N為1 000個；適應度的初始值為0.25；模型組數20個。根據上述仿真設定，進行網絡入侵檢測，對網絡傳輸數據進行原始信息采樣和干擾抑制，得到的原始數據和濾波數據如圖2所示。

由圖2可見，采用本文設計的二階自適應格型IIR陷波器進行入侵信息的抗干擾處理，有效抑制了干擾信息，能提高對網絡入侵的檢測能力。然后采用粒子群算法進行自適應尋優提取網絡入侵特征，采用SVM進行入侵信息分類，實現網絡入侵有效檢測，如圖3所示為采用1 000次蒙特卡洛實驗得到的入侵檢測的ROC曲線。由圖3分析得知，采用本文方法能在較低的信噪比下獲得較好的檢測性能，對網絡入侵的準確檢測概率較高，降低了虛警和漏檢率。

4 結 語

為了提高網絡的安全防御能力，本文提出一種基于粒子群算法和支持向量機的網絡入侵檢測方法。首先構建網絡入侵的特征信號模型，采用二階自適應格型IIR陷波器進行入侵信息的抗干擾處理；然后采用粒子群算法進行自適應尋優提取網絡入侵特征的最優解，采用SVM進行入侵信息分類，實現網絡入侵有效檢測。研究表明，采用該方法進行網絡入侵檢測的準確攔截概率較高，誤檢和漏檢概率較低，保障了網絡安全，具有較好的應用性能。

參考文獻

[1] 劉智國，張雅明，林立忠.基于粒子群LSSVM的網絡入侵檢測[J].計算機仿真，2010，27（11）：136?140.

[2] 顧彬，鄭關勝，王建東.增量和減量式標準支持向量機的分析[J].軟件學報，2013（7）：1601?1613.

[3] 陸科達，萬勵，吳潔明.基于數據挖掘技術的網絡安全事件預測研究[J].科技通報，2012，28（6）：37?40.

[4] 王龍，萬振凱.基于服務架構的云計算研究及其實現[J].計算機與數字工程，2009，37（7）：88?91.

[5] 饒雨泰，楊凡.網絡入侵攪動下的網絡失穩控制方法研究[J].科技通報，2014，30（1）：185?188.

[6] 馬小雨.多頭作戰網絡連接下偽入侵報警去除方法研究[J].計算機仿真，2014，31（8）：317?320.

[7] 章武媚，陳慶章.引入偏移量遞階控制的網絡入侵HHT檢測算法[J].計算機科學，2014，41（12）：107?111.

[8] GUBBI J， BUYYA R， MARUSIC S， et al. Internet of Things （IoT）： a vision， architectural elements， and future directions [J]. Future generation computer systems， 2013， 29（7）： 1645?1660.