基于混沌猴群優化的LSSVM網絡入侵檢測模型建構

符保龍

（柳州職業技術學院，廣西 柳州 545006）

0 引言

隨著網絡的發展，網絡安全受到廣泛的關注，對網絡入侵的研究已經成為數據挖掘的一個熱點問題。很多學者都對網絡入侵檢測進行了大量研究，周飛菲[1]根據向量機的特點，結合決策集合理論，提出了一種向量機和決策理論相融合的入侵檢測模型，有效解決了數據高維度的問題。劉其琛等[2]利用粗糙集對樣本屬性進行約簡，利用稀疏化算法優化對最小支持向量機進行優化，解決網絡入侵數據高維度、大數據量的問題。王雪松等[3]利用高斯函數對蟻群進行優化，克服蟻群易于陷入早熟的問題，并利用優化的蟻群算法對支持向量機的參數進行尋優，提升支持向量機的分類效果。

筆者針對網絡入侵數據高維度、數量大的特點，利用最小支持向量機（Least Squares Support Vector Machine，簡稱LSSVM）[4]對網絡入侵數據進行檢測。在檢測過程中，引入混沌猴群算法（Chaotic Monkey Algorithm，簡稱CMA）[5]對LSSVM的核函數系數以及函數的調節系數進行優化，構建一個基于混沌猴群優化的最小支持向量機Web文本分類模型（Text Classification Model of Least Squares Support Vector Machine Based on Chaotic Monkey Optimization Algorithm，簡稱CMA-LSSVM）。實驗結果表明，CMA-LSSVM模型對網絡入侵數據具有良好的檢測速度和精度，具有一定的應用前景。

1 混沌猴群優化的LSSVM網絡入侵檢測模型

1.1 LSSVM概述

LSSVM算法是針對標準SVM算法存在不等式約束過多、影響算法效率等問題，用等式約束替換不等式約束，從而用最小二乘法的線性方程組對拉格朗日乘子進行求解，提升算法的運算速度。LSSVM算法可以較好地解決大樣本、高維度和局部極值問題，其基本原理為[4-6]：

圖1 三種模型平均入侵檢測率

圖2 三種模型平均誤檢測率

圖1 和圖2顯示，相比LSSVM算法，MA-LSSVM和CMA-LSSVM這兩個算法都具有較高的檢測率和較低的誤檢率，MA-LSSVM和CMA-LSSVM算法相對更高一點。這是因為利用MA和CMA全局尋優算法對LSSVM的參數進行優化，從而有利于提升LSSVM的分類精度。特別是CMA-LSSVM算法優勢明顯，該模型針對標準MA算法中的無序初始化操作問題，利用混沌算子進行優化，從而獲得分布均勻的初始化值，避免MA算法易于陷入早熟問題，有利于算法快速尋到全局最優值，從而提升入侵檢測效果，降低了誤檢率。

3 總結

將混沌尋優理論用于確定MA算法的初始值，并利用改進后的MA算法對LSSVM調節系數γ和核函數參數σ進行優化，提升LSSVM模型的分類精度。仿真結果顯示，構造的CMA-LSSVM網絡入侵檢測模型具有較好的泛化能力和較高的檢測精度，是一種性能優良的入侵檢測算法。