一種基于煙花算法優(yōu)化SVM的入侵檢測模型

陳文迪 劉桂華 劉慕嫻

摘 ?要：為了提高網絡安全水平，及時對網絡攻擊進行檢測，該文提出了一種基于煙火算法優(yōu)化支持向量機（SVM）的入侵檢測模型。該模型選用SVM作為入侵檢測算法的核心分類器對網絡數(shù)據進行判別，但是由于存在SVM中最優(yōu)核函數(shù)參數(shù)和懲罰因子確定較慢的問題，該文利用煙花算法加快SVM最優(yōu)核函數(shù)參數(shù)和懲罰因子的確定。為了驗證該模型在實際應用中的效果，通過KDD CUP 99數(shù)據集進行實驗測試，與SVM、KNN和DNN算法相比，該模型能更好地對入侵檢測數(shù)據進行分類和判別。

關鍵詞：支持向量機 ?煙花算法 ?入侵檢測

中圖分類號：TP18 ? ? ? ? ? ? ? ?文獻標識碼：A 文章編號：1672-3791（2019）12（b）-0018-03

隨著網絡在人們的生產生活中所占比重越來越高，網絡攻擊活動所帶來的危害也日益嚴重。為了應對這類問題，從各角度出發(fā)的防御手段也應運而生，截至目前，保障互聯(lián)網安全手段已經覆蓋入侵檢測、用戶權限鑒定、身份認證、防火墻等方面[1]。其中，隨著人工智能領域的發(fā)展，新的統(tǒng)計學習算法層出不窮，結合統(tǒng)計學習算法與入侵檢測技術是互聯(lián)網安全領域的重要研究方向。

隨著入侵檢測領域研究的逐漸深入，研究人員發(fā)現(xiàn)在海量網絡數(shù)據上提取特征并應用統(tǒng)計學習的方法能夠有效地在忽略攻擊方法內在特點的情況下有效地構建入侵檢測系統(tǒng)[2]。目前，主要有利用隨機森林（RF，Random Forest）[3]、BP神經網絡（BPNN，BP Neural Network）[4]、遺傳算法（GA，Genetic Algorithm）[5]、人工免疫算法（AI，Artificial Immune Algorithm）[6]、向量機（SVM，Support Vector Machine）[7]、K近鄰算法（KNN ，k-Nearest Neighbor）[8]、深度神經網絡（DNN， Deep Neural Network）[9]等算法來統(tǒng)計學習入侵檢測的特征。該文選用SVM作為入侵檢測算法的核心分類器對網絡數(shù)據進行判別，同時利用煙花算法加快SVM最優(yōu)核函數(shù)參數(shù)和懲罰因子的確定，提出一個基于優(yōu)化后SVM的入侵檢測模型來對網絡入侵進行檢測。在做實驗對比時，我們選取比較有代表性的SVM、KNN和DNN進行準確性上的比較。

1 ?相關工作

1.1 支持向量機（SVM）

該文將使用SVM作為入侵檢測模型的核心分類器以獲得最優(yōu)的入侵檢測效果。支持向量機的提出在前期是為了解決二維平面內比較簡單的線性可分問題，即求解最優(yōu)超平面。假設給出樣本集為，，，支持向量機的目的就是求出能將該集合T劃分為正負的最優(yōu)超平面，其中ω是可調的權值向量，b是偏移量，表示ω和x的內積。求解超平面的過程可以簡寫為以下公式：

（1）

但是，在實際的分類問題當中，由于特征多，存在噪聲等原因，輸入集合通常是線性不可分的。求解線性不可分問題時與求解線性可分問題類似，假設在公式（1）中添加一個參數(shù)（為求解最優(yōu)分類超平面過程當中的松弛變量），且≥0，則公式（1）轉化為以下公式：

（2）

這時，解決線性可分問題中求解最小值問題變?yōu)榍蠼庾钚≈祮栴}。其中C（C>0）為懲罰因子，其值大小決定分類器經驗風險的大小。懲罰因子設置的越大對樣本中分類錯誤的情況容忍度越高。

在實際運算中，SVM為有效避免出現(xiàn)“維度災難”，通常采用核函數(shù)K（x，y）代替公式（1）中的點乘運算，這里采用的是RBF核函數(shù)，其中g>0。這種函數(shù)通過任意兩個樣本構造向量并將其作為其自變量，通過向量的歐式距離計算得出相應的標量，參數(shù)g是提前定義影響函數(shù)作用范圍的參數(shù)。

1.2 煙花算法

煙花算法的目的是要求解的問題可以抽象為在D維的可行域Ω內找到一點x，使得對應于適應度函數(shù)f（x），該點的適應值為最大或最小，這里以要求解適應度最小的解為例，煙花算法的具體步驟如下。

步驟1：在可行域Ω內隨機生成N個個體位置坐標xi作為煙花算法的初始煙花，其中每一個煙花代表帶求解問題的一個解。

步驟2：根據問題的適應度函數(shù)計算解空間中每個煙花的適應度值，這些煙花將利用求解出來的各自適應度值作為爆炸依據引爆產生火花。

步驟3：從步驟2爆炸得到的火花當中任意選擇z個維度作為集合DS，，其中round函數(shù)是取整函數(shù)，rand函數(shù)為區(qū)間隨機取值函數(shù)。

步驟4：為增加算法隨機性，煙花算法在每次迭代時還將產生G個高斯變異火花，從解空間任意選擇z個維度進行高斯變異。

步驟5：利用上一代煙花、爆炸得到的爆炸火花以及高斯變異火花構造下次迭代的候選者集合并從中選擇N個個體進行下一輪的煙花迭代操作。

步驟6：判斷當前狀態(tài)是否達到煙花算法停止迭代的條件，迭代停止的條件通常為迭代達到設定的次數(shù)或者適應度值小于預先設定值。

2 ?基于煙花算法優(yōu)化SVM的入侵檢測模型

該模型主要分為三大模塊：數(shù)據預處理模塊、參數(shù)優(yōu)化模塊和SVM模塊。首先是對測試數(shù)據集進行預處理，包括字符樣本數(shù)值化、歸一化操作。參數(shù)優(yōu)化模塊的最終目標是利用改進的煙花算法快速求得SVM的最優(yōu)參數(shù)C、g的組合，具體步驟如下。

步驟1：將輸入的測試訓練樣本分成五等份。

步驟2：設置要尋優(yōu)的SVM核函數(shù)參數(shù)g及懲罰因子C的尋優(yōu)范圍和計算精度，同時對煙花算法進行初始化。

步驟3：對于每個位置上的煙花，利用它對應的參數(shù)組合構造SVM，并利用5-折交叉驗證法計算該參數(shù)組合下 SVM的泛化能力，即分類成功率。

步驟4：引爆煙花，并從爆炸產生的火花中隨機選擇z個維度并進行邊界處理，將處理后的結果保存在爆炸火花種群中。

步驟5：在解空間產生G個高斯變異火花添加到火花種群中。

步驟6：煙花，爆炸火花和高斯變異火花組成的集合中挑選下一代煙花種群。

步驟7：判斷當前的迭代次數(shù)是否達到設定的煙花算法終止條件：若達到，輸出煙花算法搜尋到的最優(yōu)誤差懲罰參數(shù)C和核函數(shù)參數(shù)g的組合;若未達到，算法回到步驟3繼續(xù)進行迭代.

最后，將最優(yōu)的SVM參數(shù)組合帶入到SVM模型當中，得到最優(yōu)SVM預測模型，并對入侵樣本進行預測。

3 ?實驗結果比較與分析

在此次實驗中，我們的算法將與與SVM[7]、KNN[8]和 DNN[9]算法相比較，分別在基于這些算法的入侵檢測模型上運行同樣的測試用例。其中測試用例選取了部分KDD CUP 99數(shù)據集作為該實驗的測試和訓練數(shù)據。對于評價標準，我們采用如下公式：

（10）

其中，TP表示入侵行為被正確檢測，F(xiàn)P代表正常行為被誤判為入侵行為。我們將數(shù)據隨機分成5組數(shù)據，每一組數(shù)據互相獨立，來更直觀地比較準確度，如表1所示。

從表1中可以看出，該文優(yōu)化后SVM的入侵檢測模型的精準度比普通SVM模型要略高，產生此現(xiàn)象的原因可能是SVM未完整覆蓋解空間，導致算法在迭代后期可能未找到全局最優(yōu)解，而在樣本數(shù)量比較少的情況下，由于K-means和DNN的特征較多，容易陷入“維數(shù)災難”，產生過擬合現(xiàn)象，導致精準度略低于該文模型。

4 ?結語

該文為了提高網絡安全水平，能夠對網絡入侵進行精準檢測，提出一種基于煙火算法優(yōu)化SVM的入侵檢測模型。該模型主要使用支持向量機來分類網絡攻擊，針對存在支持向量機中最優(yōu)核函數(shù)參數(shù)和懲罰因子確定較慢的問題，利用煙火算法加快SVM最優(yōu)核函數(shù)參數(shù)和懲罰因子的確定。與SVM、BPNN和DNN算法相比，該模型能更好地對入侵檢測數(shù)據進行分類和判別。

參考文獻

[1] 卿斯?jié)h，蔣建春，馬恒太，等.入侵檢測技術研究綜述[J].通信學報，2004，25（7）：19-29.

[2] 杜紅樂，樊景博.基于半監(jiān)督模糊聚類的入侵檢測[J].計算機工程與應用，2016，52（3）：96-99.

[3] 任曉芳，趙德群，秦健勇.基于隨機森林和加權K均值聚類的網絡入侵檢測系統(tǒng)[J].微型電腦應用，2016，32（7）：21-24.

[4] 陳萬志，徐東升，張靜.工業(yè)控制網絡入侵檢測的BP神經網絡優(yōu)化方法[J].遼寧工程技術大學學報：自然科學版，2019，38（1）：82-87.

[5] 熊云龍.基于改進遺傳算法的網絡疑似入侵最優(yōu)數(shù)據選取[J].現(xiàn)代電子技術，2018，41（22）：163-169.

[6] 朱傳華.人工免疫算法在網絡入侵檢測中的應用[J].吉林省教育學院學報，2019，35（7）：74-77.

[7] 錢亞冠，盧紅波，紀守領，等.一種針對基于SVM入侵檢測系統(tǒng)的毒性攻擊方法[J].電子學報，2019，47（1）：59-65.

[8] 馮瑩瑩，余世干，劉輝.KNN-IPSO選擇特征的網絡入侵檢測[J].計算機工程與應用，2014，50（17）：95-99.

[9] 楊印根，王忠洋.基于深度神經網絡的入侵檢測技術[J].網絡安全技術與應用，2019（4）：37-41.