優(yōu)化遺傳神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)系統(tǒng)的研究和應(yīng)用

王博

摘要：針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的缺陷，本文提出了一種優(yōu)化的遺傳算法，將其引入BP網(wǎng)絡(luò)，建立了GABP神經(jīng)網(wǎng)絡(luò)模型，以提高傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度、避免陷入局部極值。經(jīng)過使用KDDCUP99數(shù)據(jù)集的數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練后發(fā)現(xiàn)，本優(yōu)化的GABP模型可以有效提高效率。將此優(yōu)化后的遺傳神經(jīng)網(wǎng)絡(luò)引入到入侵檢測(cè)系統(tǒng)中，入侵檢測(cè)系統(tǒng)縮短了檢測(cè)時(shí)間、提高了檢測(cè)的精度。

關(guān)鍵詞：入侵檢測(cè);神經(jīng)網(wǎng)絡(luò);遺傳算法

中圖分類號(hào)：TP18? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? 文章編號(hào)：1009-3044（2018）34-0168-02

1 引言

當(dāng)今社會(huì)，互聯(lián)網(wǎng)飛速發(fā)展，基于網(wǎng)絡(luò)的各種平臺(tái)復(fù)雜多樣，然而，計(jì)算機(jī)網(wǎng)絡(luò)在給人們帶來各種便利的時(shí)候，它帶來的安全問題也日益得到關(guān)注。安全問題主要包括網(wǎng)絡(luò)病毒和黑客攻擊，手段種類呈現(xiàn)越來越多樣的趨勢(shì)， 網(wǎng)絡(luò)入侵造成的威脅也越來越大， 互聯(lián)網(wǎng)中數(shù)據(jù)的安全性和保密性受到前所未有的挑戰(zhàn)。

傳統(tǒng)的安全防御系統(tǒng)是基于靜態(tài)、被動(dòng)的基于規(guī)則的檢測(cè)技術(shù)，該技術(shù)存在許多缺陷，比如難以建立統(tǒng)計(jì)模型、規(guī)則庫難以管理[1]。目前應(yīng)用比較廣泛的入侵檢測(cè)系統(tǒng)，大多數(shù)采用的入侵檢測(cè)技術(shù)是對(duì)誤用的檢測(cè)，其基本原理是首先建立誤用網(wǎng)絡(luò)檢測(cè)模型， 并建立相關(guān)的網(wǎng)絡(luò)入侵特征庫， 然后在后續(xù)的檢測(cè)過程中， 將收集到網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)與網(wǎng)絡(luò)入侵特征庫中的特征代碼進(jìn)行模式匹配， 得出是否是網(wǎng)絡(luò)入侵的結(jié)論[2]。該入侵檢測(cè)系統(tǒng)的模型檢測(cè)過程原理方式與病毒檢測(cè)基本是相同的。這種算法模型的優(yōu)點(diǎn)是誤報(bào)率低，但是嚴(yán)重依賴于特征庫，無法自我學(xué)習(xí)、更新，如果特征庫數(shù)據(jù)更新不及時(shí)，則無法對(duì)新的攻擊進(jìn)行檢測(cè)，并且，隨著攻擊連接數(shù)的增加，該模型算法耗費(fèi)的時(shí)間會(huì)成倍增加，系統(tǒng)負(fù)荷很嚴(yán)重。針對(duì)此缺陷，人工神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用到入侵檢測(cè)中。人工神經(jīng)網(wǎng)絡(luò)屬于非線性動(dòng)力學(xué)系統(tǒng)，具有自適應(yīng)、自動(dòng)學(xué)習(xí)的特點(diǎn)，在模式識(shí)別領(lǐng)域尤其具有廣泛的應(yīng)用。而針對(duì)網(wǎng)絡(luò)入侵的檢測(cè)從原理上看就屬于模式識(shí)別問題，對(duì)網(wǎng)絡(luò)入侵檢測(cè)的過程就是對(duì)網(wǎng)絡(luò)數(shù)據(jù)流檢測(cè)的過程，分為兩種：正常、異常數(shù)據(jù)。因此，可以嘗試將人工神經(jīng)網(wǎng)絡(luò)引入傳統(tǒng)的入侵檢測(cè)系統(tǒng)，彌補(bǔ)傳統(tǒng)入侵檢測(cè)系統(tǒng)的缺陷。實(shí)踐證明，這種方法也取得了良好的效果。與此同時(shí)，由于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)使用的BP算法存在訓(xùn)練速度慢， 并且容易陷入局部最小值的缺點(diǎn)，使得BP神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)入侵中的應(yīng)用受到了限制[3]。

遺傳算法（GA），是一種智能啟發(fā)式的優(yōu)化算法， 具有非常強(qiáng)的全局搜索能力， 實(shí)現(xiàn)簡單， 優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的參數(shù)具有非常好的優(yōu)勢(shì)。為提高傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率、減小誤差，本文采用GA算法對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值進(jìn)行優(yōu)化， 應(yīng)用于入侵檢測(cè)系統(tǒng)。最后使用Matlab對(duì)改進(jìn)的模型進(jìn)行實(shí)驗(yàn)仿真，驗(yàn)證優(yōu)化后模型的實(shí)際效果。

2 網(wǎng)絡(luò)入侵檢測(cè)原理

網(wǎng)絡(luò)入侵是指以破壞網(wǎng)絡(luò)資源的活動(dòng)集合，這些活動(dòng)包括獲取網(wǎng)絡(luò)機(jī)密性、破壞數(shù)據(jù)完整性、可用性。常見的入侵種類包括6種：偽裝攻擊、拒絕服務(wù)攻擊、安全控制系統(tǒng)滲透、惡意使用、嘗試性闖入、泄漏。網(wǎng)絡(luò)檢測(cè)原理由DARPA提出的， 其原理如圖1所示。

在網(wǎng)絡(luò)入侵檢測(cè)中，事件數(shù)據(jù)庫提供了各數(shù)據(jù)信息，采用一定的算法對(duì)這些數(shù)據(jù)信息進(jìn)行分析，這就是事件分析器。事件分析器可判斷網(wǎng)絡(luò)入侵行為是否存在， 是入侵檢測(cè)系統(tǒng)中最重要、最核心的部分。模型中對(duì)數(shù)據(jù)分析時(shí)采用的算法優(yōu)劣直接決定了入侵檢測(cè)的準(zhǔn)確度。

3 GABP模型

3.1 GABP神經(jīng)網(wǎng)絡(luò)模型

由于具有自主學(xué)習(xí)、自動(dòng)更新的特點(diǎn)，人工神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)時(shí)發(fā)揮了越來越大的作用。將遺傳算法（GA）與引入傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，建立GABP神經(jīng)網(wǎng)絡(luò)模型，克服傳統(tǒng)網(wǎng)絡(luò)的缺陷，提高入侵檢測(cè)的精確度，模型如圖2所示。

3.2 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)是目前使用得最廣泛的一種神經(jīng)網(wǎng)絡(luò)，屬于前饋式網(wǎng)絡(luò)，包含了輸入層、隱含層和輸出層3個(gè)層次。具體模型結(jié)果如下圖3所示：

3.3? BP算法的缺陷

BP神經(jīng)網(wǎng)絡(luò)有著自主學(xué)習(xí)、自我調(diào)整的優(yōu)點(diǎn)，但是它也存在著明顯的缺陷：①網(wǎng)絡(luò)收斂時(shí)間長，容易導(dǎo)致訓(xùn)練陷入癱瘓狀態(tài); ②容易陷入局部最小值，無法得到全局最優(yōu)解，因?yàn)锽P神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)決定了輸入層和輸出層之間的關(guān)系是一種非線性關(guān)系，這決定了網(wǎng)絡(luò)訓(xùn)練的誤差函數(shù)為多極點(diǎn)的非線性空間，與此同時(shí)，由于BP算法始終以追求網(wǎng)絡(luò)誤差為目標(biāo)，這就導(dǎo)致了網(wǎng)絡(luò)容易陷入局部最優(yōu)，無法得到全局最優(yōu)值。將遺傳算法引入神經(jīng)網(wǎng)絡(luò)，對(duì)完善BP神經(jīng)網(wǎng)絡(luò)提供了新的思路。本文將遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，并建立GABP神經(jīng)網(wǎng)絡(luò)模型，并將此模型應(yīng)用于入侵檢測(cè)系統(tǒng)，通過實(shí)驗(yàn)證明改模型的有效性。

3.4 遺傳算法優(yōu)化模型

首先，對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理，然后進(jìn)行分組訓(xùn)練，進(jìn)行精度匹配，權(quán)值訓(xùn)練引入遺傳算法，組成基因群體，如下圖所示：

4 實(shí)驗(yàn)仿真

使用KDDCUP99中的數(shù)據(jù)集，此數(shù)據(jù)集中包含了常見的入侵行為方式，并且分為正常數(shù)據(jù)和異常數(shù)據(jù)。刪除重復(fù)、無效的數(shù)據(jù)后，本次實(shí)驗(yàn)保留了13860條數(shù)據(jù)記錄，輸入遺傳神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)和輸出。采用的步驟分為：輸入數(shù)據(jù)預(yù)處理、確定網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練參數(shù)選取、識(shí)別入侵各種數(shù)據(jù)。經(jīng)過以上實(shí)驗(yàn)步驟，得出下列表格結(jié)果：

表1? ?各算法模型訓(xùn)練結(jié)果比較

[攻擊類型 傳統(tǒng)BP算法 遺傳算法 本文算法 DoS 0.8 0.77 0.61 PRO 0.9 0.84 0.77 U2R 0.56 0.52 0.49 R2L 0.22 0.21 0.18 混合攻擊 0.30 0.30 0.15 ]

由表1數(shù)據(jù)可知，本文采取的優(yōu)化遺傳算法建立的神經(jīng)網(wǎng)絡(luò)模型，在網(wǎng)絡(luò)綜合性能方面是表現(xiàn)最好的。將該模型引入入侵檢測(cè)系統(tǒng)中，可以提高檢測(cè)速度、降低誤報(bào)率，效果良好。

參考文獻(xiàn)：

[1] 劉春，馬穎.遺傳算法和神經(jīng)網(wǎng)絡(luò)結(jié)合的PSD非線性校正[J].電子測(cè)量與儀器學(xué)報(bào)，2015（8）.

[2] 李偉，何鵬舉，楊恒，等.基于粗糙集和改進(jìn)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法研究[J].西北工業(yè)大學(xué)學(xué)報(bào). 2012（4）.

[3] 蔡斌軍.基于GA+BP網(wǎng)絡(luò)速度辨識(shí)的直接轉(zhuǎn)矩控制[J].控制工程，2012（4）.

[4] 張超群，鄭建國，錢潔.遺傳算法編碼方案比較[J].計(jì)算機(jī)應(yīng)用研究，2011（3）.

[5] 彭基偉，呂文華，行鴻彥，等.基于改進(jìn)GA-BP神經(jīng)網(wǎng)絡(luò)的濕度傳感器的溫度補(bǔ)償[J].儀器儀表學(xué)報(bào)，2013（1）：

【通聯(lián)編輯：唐一東】