基于CS-CPSO與SVM融合的WSNs入侵檢測算法*

劉宏立， 李 璐， 胡久松

(湖南大學 電氣與信息工程學院，湖南 長沙 410082)

基于CS-CPSO與SVM融合的WSNs入侵檢測算法*

劉宏立， 李 璐， 胡久松

(湖南大學 電氣與信息工程學院，湖南 長沙 410082)

為了提高基本粒子群優化(PSO)算法與支持向量機(SVM)融合的無線傳感網絡(WSNs)入侵檢測算法的檢測精度與收斂速度，提出了一種基于完全正弦映射混沌粒子群優化(CS-CPSO)算法與SVM融合的WSNs入侵檢測算法(CS-CPSO-SVM)。采用CS-CPSO算法優化SVM參數，不僅將正弦映射混沌搜索應用于粒子群算法中初始種群與局部最優解混沌擾動的產生，且將其用于慣性權重的優化以及隨機常數和學習因子的產生，并用多個初始值分別迭代生成多條混沌軌道。以KDDCUP99數據集作為實驗數據，經理論分析與仿真實驗表明:該方法可以有效地檢測入侵行為，并具有良好的檢測精度與收斂速度。

無線傳感器網絡入侵檢測； 正弦映射； 多混沌軌道； 完全正弦映射混沌粒子群優化

0 引 言

目前為止，已經確定了許多不同類型的無線傳感器網絡 (wireless sensor networks,WSNs)[1～3]中的攻擊[4]，如黑洞、女巫、拒絕服務攻擊等。入侵檢測的作用是對上述攻擊進行發現、分析以及匯報[5,6]。本文構造了一種基于完全正弦映射混沌粒子群優化(complete sine-mapping chaotic particle swarm optimization,CS-CPSO)算法與支持向量機(support vector machine,SVM)融合的WSNs入侵檢測模型(CS-CPSO-SVM)[7～9]，將CS-CPSO算法應用到SVM參數(C,γ)優化中，分析和比較傳感器節點的數據和所建立的入侵行為特征，以確定是否有入侵行為。該方法不僅將正弦映射混沌搜索技術應用于粒子群優化算法中初始種群與局部最優解混沌擾動的產生，且將其用于慣性權重W優化以及隨機常數R1，R2和學習因子C1，C2的產生，并用多個初始值分別迭代生成多條混沌軌道。將混沌狀態引入到參數優化中，克服了基本PSO算法容易陷入局部極值點的缺陷，從而提高了算法的優化與檢測性能。實驗表明：該算法不僅具有全局尋優的能力，同時具有持續和優良的局部搜索能力。

1 WSNs入侵檢測模型框架

基于CS-CPSO-SVM的WSNs入侵檢測模型框架如圖1所示。對訓練和測試數據集進行歸一、離散和降維等預處理，利用CS-CPSO算法優化SVM得出最優參數。最后，建立WSNs入侵檢測模型以對測試集進行分類與識別，并對檢測模型的性能進行分析。

圖1 WSNs入侵檢測模型框架

2 WSNs入侵檢測算法

2.1 算法基礎

WSNs入侵檢測算法基礎為SVM和PSO算法[10,11]。

SVM的學習能力與泛化能力取決于其參數的選擇，本文采用徑向基核函數(RBF)，故懲罰參數C與核函數參數γ成為需要優化的兩個參數。其中，C的大小與可容忍的誤差相關，而γ的大小與學習樣本的輸入空間范圍相關。

在PSO算法中，對其收斂性而言，參數C1，C2，R1，R2以及W均為重要的影響因素。PSO算法收斂速度較快，但在后期時較為緩慢且粒子群表現出趨同性，容易陷入局部極小值。

本文在基本PSO算法中引入混沌思想，構造CS-CPSO算法,并利用該算法優化SVM參數，即慣性權重W，隨機常數R1,R2和學習因子C1,C2。

2.2 CS-CPSO算法

CS-CPSO算法對PSO算法進行如下改進：

1)將混沌應用于粒子的位置初始化中，采用正弦映射(sine-mapping)以多個初始值分別進行迭代產生多條混沌軌道。Logistic映射是一個典型的混沌系統[12]，但產生的混沌變量軌道點分布不均勻。本文采用文獻[13]所提出的正弦混沌映射構成混沌系統，并用多個初始值分別進行混沌迭代產生多條混沌軌道

Xn+1=sin(5.65/Xn),-1≤Xn≤1,Xn≠0

(1)

2)將混沌狀態應用于慣性權重W優化中。采用式(2)進行W的混沌化，再將W映射至[Wmin,Wmax]區間

W(t+1)=sin(5.65/W(t))

(2)

W(t)=Wmin+(Wmax-Wmin)W(t)

(3)

式中t=1,2,…,Tm，Tm為最大迭代次數；Wmin，Wmax分別取值0.4,0.9。

3)將混沌應用于隨機數R1，R2的生成，更新公式如下

Ri(t+1)=sin(5.65/Ri(t))

(4)

式中Ri(t)∈[0,1],i=1,2。

4)將混沌應用于C1，C2優化中,更新公式為

Ci(t+1)=sin(5.65/Ci(t))

(5)

Ci(t)=Cmin+(Cmax-Cmin)Ci(t),i=1,2

(6)

式中Cmin，Cmax取值分別為1.5，2.0。

Zt+1=sin(5.65/Zt)

(7)

式中 Zt為混沌變量，取能直接反映SVM性能的均方根誤差(rootmeansquareerror，RMSE)作為算法的適應度函數，計算方法為

(8)

基于CS-CPSO算法優化SVM參數的優化步驟如下：

1)初始化設置粒子群體規模n,位置初始值個數q,維數m,最大允許迭代次數Tm,粒子群飛行速度范圍[Vmin,Vmax],學習因子范圍[Cmin,Cmax],慣性因子范圍[Wmin,Wmax],SVM參數C和γ的取值范圍等。

2)初始化粒子位置和速度。隨機生成q個m維向量，每個向量數值在0～1之間，根據式(1)進行n/q次迭代并映射到對應的取值區間，得到n個向量作為粒子位置初始解；隨機產生n個初始速度。

6)如果滿足停止條件則停止搜索，得到全局最優位置;否則，返回步驟(3)。

為了測試CS-CPSO算法的優越性，采用Rastingrin函數進行模擬實驗，其在Wi=0時達到全局最小點0，并選擇與PSO進行對比實驗

(9)

由圖2可見，相對于PSO算法，CS-CPSO算法的收斂速度和收斂精度均得到改善，表明CS-CPSO算法的性能優于PSO算法。

圖2 Rastingrin函數適應度值變化曲線

3 仿真實驗

3.1 實驗數據來源

本文采用的數據集KDDCUP99為異常檢測標準數據集，數據集包含正常(Normal)和異常(Attack)兩大類，其中異常類型又細分為4類：Probe(端口監視或掃描)、DoS(拒絕服務攻擊)、U2R(未授權的本地超級用戶特權訪問)、R2L(來自遠程主機的未授權訪問)。從Normal中取800條正常樣本，Probe，DoS，U2R，R2L中分別取50條入侵樣本組成訓練集;再從Normal中取400條正常樣本，Probe，DoS，U2R，R2L中分別取25條入侵樣本組成測試集。實驗時，取種群規模n為20，維數m為2，最大迭代次數Tm為50，位置初始值個數q為4，飛行速度范圍為[-3,3]，參數C的范圍為[0.1,100]，參數γ的范圍為[0.01,10]。

3.2 實驗結果分析

RMSE作為適應度評價值，圖3為RMSE隨迭代次數的變化曲線。從圖3可以看出，與PSO相比，CS-CPSO優化算法不但收斂速度快而且精度高。表1為測試集中CS-CPSO-SVM，PSO-SVM(PSO優化的SVM)，SVM以及反向傳播(backpropagation,BP)神經網絡(BPNN)分類精度比較，可以看出:CS-CPSO-SVM的分類精度較PSO-SVM，SVM以及BPNN分類器均高。

圖3 2種算法的優化過程曲線

分類算法RMSE分類精度/%CS-CPSO-SVM0.134295.500PSO-SVM0.156593.875SVM0.208689.125BPNN0.246084.875

4 結 論

針對粒子群算法容易陷入局部極值的特點，本文提出了CS-CPSO算法將正弦映射混沌搜索應用于粒子群算法中初始種群與局部最優解混沌擾動的產生，且將其用于慣性權重優化以及隨機常數和學習因子的產生，并用多個初始值分別迭代來產生多條混沌軌道，使粒子搜索的遍歷性與種群的多樣性都得以提高，能更好地優化SVM分類器參數以及提高檢測率。實驗結果表明：基于CS-CPSO算法優化的SVM分類器較BPNN，SVM分類器以及PSO優化的SVM分類器具有著更高的檢測精度與檢測效率。

[1] 盧 磊,殷興輝,張大冬.WSNs在水信息采集中的應用[J].傳感器與微系統,2011,30(1):134-136.

[2] Yick J,Mukherjee B,Ghosal D.Wireless sensor networks sur-vey[J].Computer Networks,2008,52(12):2292-2330.

[3] Romer K,Mattern F.The design space of wireless sensor net-works[J].IEEE Wireless Communications,2004,11(6):54-61.

[4] 王文莉,侯麗敏.基于鄰域粗糙集的入侵檢測[J].傳感器與微系統,2010，29(6):36-38.

[5] Onat I,Miri A.An intrusion detection system for wireless sensor networks[C]∥2005 IEEE International Conference on Wireless and Mobile Computing,Networking and Communications,WiMob 2005,IEEE,2005:253-259.

[6] Roman R,Zhou J,Lopez J.Applying intrusion detection systems to wireless sensor networks[C]∥IEEE Consumer Communications & Networking Conference,CCNC 2006,2006.

[7] 匡芳君,徐蔚鴻,張思揚.基于改進混沌粒子群的混合核SVM參數優化及應用[J].計算機應用研究,2014,31(3):671-674.

[8] 黃為勇,高玉芹,張艷華.一種采用改進CPSO算法的PID參數整定方法[J].計算機科學,2014,41(11):278-281.

[9] 吳德君,基于粒子群及混沌算法的聯合概率數據關聯研究[J].自動化技術與應用，2017,36(2)：1-4.

[10] 王 成,郝順義,翁大慶,等.基于混沌PSO算法優化LS-SVM的慣導系統測試[J].傳感器與微系統,2011,30(2):125-128.

[11] 高 尚,楊靜宇.混沌粒子群優化算法研究[J]．模式識別與人工智能，2006，19(2)：266-269.

[12] 朱紅求,陽春華,桂衛華,等.一種帶混沌變異的粒子群優化算法[J].計算機科學,2010(3):215-217.

[13] 尤 勇,王孫安,盛萬興.新型混沌優化方法的研究及應用[J].西安交通大學學報,2003,37(1):69-72.

WSNs intrusion detection algorithm based on CS-CPSO and SVM fusion*

LIU Hong-li, LI Lu, HU Jiu-song

(College of Electrical and Information Engineering,Hunan University,Changsha 410082,China)

In order to improve the detection precision and convergence rate of the intrusion detection algorithm for wireless sensor networks(WSNs)based on fusion of particle swarm optimization(PSO)algorithm and support vector machine(SVM),a WSNs intrusion detection algorithm based on complete sine-mapping chaotic CS-CPSO-SVM based on fusion of CS-CPSO and SVM is proposed.Chaotic PSO algorithm based on CS-CPSO is used to optimize the parameter of SVM,and the sine-mapping chaotic search is applied to not only the generation of initial population and chaotic perturbation of local optimal for PSO algorithm,but also the optimization of the inertia weight and the generation of the random constant and the learning factor,moreover,multiple initial values are used to generate a number of chaotic orbits.With the KDDCUP99 data set as experimental data,the oretical analysis and simulation results show that the proposed method can effectively detect the intrusion behavior,and has a good detection precision and convergence speed.

wireless sensor networks(WSNs)intrusion detection; sine-mapping; multi chaotic orbit; completely sinemapping chaotic particle swarm optimization (CS-CPSO)

10.13873/J.1000—9787(2017)09—0110—03

2016—09—26

中央國有資本經營預算項目(財企[2013]470號)；中央高校基本科研項目(2014—004)；國家自然科學基金資助項目(61172089)；湖南省科技計劃資助項目(2014WK3001,2015JC3053)；中國博士后科學基金資助項目(2014M562100)

TN 911.7

A

1000—9787(2017)09—0110—03

劉宏立(1963-)，男，通訊作者，博士，教授，主要從事無線傳感網絡、軌道數字信號處理等方面的研究工作，E—mail：hongliliu@hnu.edu.cn。