基于粒子群優(yōu)化的通信網(wǎng)絡入侵干擾檢測技術

摘要：通信網(wǎng)絡入侵干擾檢測對確保通信網(wǎng)絡安全至關重要，傳統(tǒng)網(wǎng)絡入侵干擾檢測存在檢測精度低的問題。研究對通信網(wǎng)絡模型和網(wǎng)絡入侵特征進行了分析，在此基礎上采用粒子群算法對支持向量機的懲罰系數(shù)和核函數(shù)參數(shù)進行優(yōu)化，提出了基于粒子群優(yōu)化支持向量機參數(shù)的通信網(wǎng)絡入侵干擾檢測模型。將提出的模型應用于diabetes、breast-cancer、heart以及所采集的P2P流量數(shù)據(jù)集中，并和其它模型進行了對比。結果表明，所提出的通信網(wǎng)絡入侵干擾檢測模型對通信網(wǎng)絡入侵干擾檢測具有更高的檢測準確率，這對確保網(wǎng)絡安全具有一定的參考價值。

關鍵詞：粒子群優(yōu)化算法；支持向量機；通信網(wǎng)絡；入侵干擾檢測

中圖分類號：TP311文獻標志碼：A文章編號：1001-5922（2024）10-0189-04

Intrusion interference detection technology of communicationnetwork based on particle swarm optimization algorithm

LI Nan，YE Jinchuan，LIU Feng

（Qingdao Haici Hospital Affiliated to Qingdao University（Qingdao Hospital of Traditional Chinese Medicine），Qingdao 266000，Shandong China）

Abstract：Communication network intrusion and interference detection is very important to ensure the security ofcommunication network. The traditional intrusion interference detection has the problem of low detection accuracy.In this study，the communication network model and network intrusion characteristics were analyzed，and on this ba?sis，the particle swarm optimization was used to optimize the penalty coefficient and kernel function parameters ofsupport vector machine，and a communication network intrusion interference detection model based on particleswarm optimization of support vector machine parameters was proposed. The proposed model was applied to diabe?tes，breast cancer，heart and P2P traffic data sets，and compared with other models. The results showed that the pro?posed intrusion interference detection model had higher detection accuracy for communication network intrusion in?terference detection，which has a certain reference value for ensuring network security.

Key words：particle swarm optimization；support vector machine；communication network；intrusion interference"detection

對通信網(wǎng)絡入侵干擾檢測是當前學術界關注的焦點[1]?；陔[態(tài)入侵數(shù)據(jù)量特征和模糊數(shù)學關聯(lián)性，提出了模糊數(shù)學的艦船通信網(wǎng)絡入侵算法，檢出率高達98.76%[2]。利用深度解析協(xié)議設計了艦船電子通信網(wǎng)絡入侵檢測算法，采用數(shù)據(jù)解析模塊和檢測模塊完成了檢測系統(tǒng)的硬件設計[3]。構建了基于極限學習機的艦船網(wǎng)絡入侵檢測模型，與傳統(tǒng)的入侵檢測算法相比具有比較高的入侵檢測精度[4]。利用云計算環(huán)境下的Hadoop框架對信息熵和長短期記憶網(wǎng)絡進行分布式設計，提出了并行信息熵-長短期記憶網(wǎng)絡的入侵檢測算法，對不同的攻擊類型均具有良好的入侵檢測效果[5]。通信網(wǎng)絡入侵干擾檢測主要依賴于特征工程和機器學習算法，通過對網(wǎng)絡流量數(shù)據(jù)的識別來檢測入侵行為，而在處理大規(guī)模網(wǎng)絡數(shù)據(jù)時面臨挑戰(zhàn)。在前人研究基礎上，構建基于粒子群算法的通信網(wǎng)絡入侵干擾檢測系統(tǒng)，提高檢測的準確率與效率。

1通信網(wǎng)絡模型與網(wǎng)絡入侵特征

1. 1通信網(wǎng)絡模型

按照開放式系統(tǒng)互聯(lián)（OSI）模型，通信網(wǎng)絡可以分為7層，具體如圖1所示[6]。

物理層主要關注物理媒介和傳輸比特流的方式。數(shù)據(jù)鏈路層負責將物理層提供的比特流組織成幀。網(wǎng)絡層提供數(shù)據(jù)包的傳輸和路由功能。傳輸層負責端到端的通信。會話層管理通信會話。表示層負責數(shù)據(jù)的格式轉換、數(shù)據(jù)加密和壓縮。應用層提供網(wǎng)絡服務和應用程序之間的接口，其是網(wǎng)絡通信的最頂層，包括各種應用和協(xié)議，如HTTP、SMTP和FTP。

1. 2網(wǎng)絡入侵特征

網(wǎng)絡入侵直接影響網(wǎng)絡的安全性、可用性、完整性，通過內(nèi)部的供給來竊取用戶隱私，通過外部的供給來刪除系統(tǒng)中的文件等行為均屬于網(wǎng)絡入侵[7]。常見的網(wǎng)絡入侵特征如表1所示。

2通信網(wǎng)絡入侵干擾檢測模型

2. 1粒子群算法

粒子群算法是模擬粒子在搜索空間的移動，通過速度與位置的不斷調(diào)整來尋找最優(yōu)解。設x= （x1x2xn）為一個粒子，其表示搜索空間的一個潛在解決方案。粒子群是由多個粒子所組成的集合，由m個粒子構成的粒子群為[8]：

采用適應度函數(shù)f（x）來評估解決方案x的質(zhì)量，適應度函數(shù)通常為優(yōu)化問題的目標函數(shù)。在粒子群算法中，每一個粒子會結合當前的位置和速度以及全局和局部的最優(yōu)解對自身的位置和速度進行更新，更新規(guī)則為[9]：

式中：t為當前迭代次數(shù)；ω為慣性權重；c和c12為學習因子；rand1和rand2為隨機數(shù)；pbesti為個體最佳位置；gbest為全局最佳位置。

粒子群算法流程如圖2所示[10]。

2. 2支持向量機

支持向量機（SVM）作為常用的監(jiān)督學習算法在回歸、分類等問題中具有廣泛的應用，尤其是對高維數(shù)據(jù)的處理具有良好的性能[11]。SVM的核心是構造數(shù)據(jù)分割超平面，最優(yōu)數(shù)據(jù)分割超平面是滿足最大邊距的分割超平面，如圖3所示。

設（xiyi），i=12N，yi?{1-1}為樣本數(shù)據(jù)，最優(yōu)數(shù)據(jù)分割超平面方程為：

式中：w為超平面法向量；b為偏置。

SVM的目標是求解超平面法向量w和偏置b，使得其滿足[12]：

考慮到部分的樣本點在超平面上，設定懲罰系數(shù)C和松弛變量ζ，那么可以將求解最優(yōu)數(shù)據(jù)分割超平面轉化為求解最小值問題，即[13]：

設定懲罰系數(shù)C的目的在于盡量避免數(shù)據(jù)在支持平面上，一旦數(shù)據(jù)被錯誤分類或者有比較多的數(shù)據(jù)在支持平面上，那么就會懲罰，從而達到確保邊距最大化的目的。在理想情況下，待分類數(shù)據(jù)可以實現(xiàn)完全準確分類，但是實際并非如此，通過引入松弛變量ζ來滿足允許部分的樣本在超平面上[14]。采用拉格朗日乘子法求解該問題，引入拉格朗日乘子α可以得到[15]：i

式中：e為全1向量；Q為n維半正定矩陣；其元素為：

式中：K（×）為核函數(shù)。

核函數(shù)不同，SVM也不同，所選擇的核函數(shù)數(shù)學表達式為[16]：

K（xix）=exp（-gxi-x2）（9）

懲罰系數(shù)C和核函數(shù)參數(shù)g對SVM的分類性能影響比較大，采用PSO對SVM的參數(shù)組合（Cg）優(yōu)化，得到PSO-SVM分類模型，提升傳統(tǒng)SVM的分類性能。

2. 3入侵干擾檢測

伴隨著互聯(lián)網(wǎng)技術的快速發(fā)展，網(wǎng)絡環(huán)境越來越復雜，通信網(wǎng)絡入侵的手段呈現(xiàn)出多樣化的態(tài)勢[17]。對通信網(wǎng)絡入侵干擾的檢測可以識別異常流量、檢測未經(jīng)授權的訪問等，其中識別異常流量更為常見，效果更好。采用統(tǒng)計流量特征作為通信網(wǎng)絡入侵干擾的識別依據(jù)，能夠快速識別網(wǎng)絡入侵。采集通信網(wǎng)絡異常數(shù)據(jù)并標記，將其作為樣本數(shù)據(jù)輸入到PSO-SVM中進行訓練得到分類器。對測試的樣本進行在線識別，驗證PSO-SVM對通信網(wǎng)絡入侵的識別精度。為實現(xiàn)對通信網(wǎng)絡入侵干擾的檢測，需要對獲取的實時流量信息進行解析，轉化為通信網(wǎng)絡入侵數(shù)據(jù)包特征信息庫，具體如圖4所示[18]。

由圖4可知，通信網(wǎng)絡入侵數(shù)據(jù)通過網(wǎng)絡應用層所提供的數(shù)據(jù)包獲得，在該過程中對網(wǎng)絡4層協(xié)議封包，最終網(wǎng)絡入侵數(shù)據(jù)被傳輸?shù)絋CP，實現(xiàn)從傳輸層到網(wǎng)絡層的轉換[19]。在數(shù)據(jù)包進行IP深度解析，那么通信網(wǎng)絡入侵數(shù)據(jù)包就被轉換為數(shù)據(jù)幀，產(chǎn)生網(wǎng)絡入侵數(shù)據(jù)包基本特征。在獲得網(wǎng)絡入侵數(shù)據(jù)包基本特征以后，對入侵數(shù)據(jù)進行數(shù)值化處理，并對數(shù)值化處理后的數(shù)據(jù)進行歸一化，最終得到用于PSO-SVM輸入的數(shù)據(jù)。

3實例分析

3. 1數(shù)據(jù)來源及試驗平臺

數(shù)據(jù)來源于UCI機器學習數(shù)據(jù)庫，其是由加州大學歐文分校（University of California，Irvine）維護的在線機器學習數(shù)據(jù)資源庫[20]。UCI機器學習數(shù)據(jù)庫提供了各種用于機器學習研究和實驗的數(shù)據(jù)集，數(shù)據(jù)集包含已標記的樣本，可用于訓練和評估機器學習模型。選擇diabetes、breast-cancer、heart這3個數(shù)據(jù)集，所選擇的實驗數(shù)據(jù)為某高校信息中心所采集的P2P流量數(shù)據(jù)集，具體如表2所示。

所選擇的軟件為MATLAB R2023a，操作系統(tǒng)為WIN10，PC處理器為Inte（l R）Core（TM）i5-10300HCPU @ 2.50GHz 2.50 GHz。

3. 2結果分析

為對比SVM、GA-SVM、PSO-SVM，分別采用3種通信網(wǎng)絡入侵干擾檢測模型進行檢測，結果如圖5所示。

由圖5可知，不同數(shù)據(jù)集3種模型的檢測精準存在一定的差異，但是不論是哪個數(shù)據(jù)集，SVM的檢測精度最差，其次為GA-SVM，檢測精度最高的是PSO-SVM。為進一步對比3種模型，圖6為在采集數(shù)據(jù)集上的迭代尋優(yōu)曲線。

由圖6可知，采用PSO-SVM的尋優(yōu)性能最佳，能夠有效提高SVM對通信網(wǎng)絡異常流量的識別準確率。盡管GA對SVM參數(shù)進行優(yōu)化也在一定程度上提高了SVM對通信網(wǎng)絡異常流量的識別準確率，但是相對于PSO-SVM具有一定的差距。

4結語

針對傳統(tǒng)網(wǎng)絡入侵干擾檢測存在檢測精度低的問題。對通信網(wǎng)絡模型和網(wǎng)絡入侵特征進行了分析，構建了基于PSO-SVM的通信網(wǎng)絡入侵干擾檢測模型。采用PSO對SVM的懲罰系數(shù)和核函數(shù)參數(shù)進行優(yōu)化，提高SVM對入侵干擾檢測的準確率。將提出的PSO-SVM模型和SVM模型、GA-SVM模型進行對比，結果表明對不同的數(shù)據(jù)集模型的檢測精度存在一定的差異，同時PSO-SVM的檢測性能明顯優(yōu)于SVM模型和GA-SVM模型。這對有效檢測通信網(wǎng)絡入侵干擾，確保通信網(wǎng)絡安全具有一定的參考價值。

【參考文獻】

[1]武麗，海潔.光纖通信網(wǎng)絡入侵干擾信號定位檢測仿真[J].計算機仿真，2020，37（3）：435-439.

[2]戴志斌.模糊數(shù)學的艦船通信網(wǎng)絡入侵檢測研究[J].艦船科學技術，2021，43（22）：109-111.

[3]陳艷杰，曹威，王曉惠.艦船電子通信網(wǎng)絡入侵檢測系統(tǒng)[J].艦船科學技術，2021，43（20）：145-147.

[4]高靜.基于極限學習機的艦船網(wǎng)絡入侵檢測算法[J].艦船科學技術，2021，43（10）：139-141.

[5]李青.云計算環(huán)境下船舶無線通信網(wǎng)絡入侵檢測方法[J].艦船科學技術，2022，44（21）：140-143.

[6]趙琳.基于數(shù)據(jù)挖掘的船舶通信網(wǎng)絡信號傳輸數(shù)學模型[J].艦船科學技術，2023，45（19）：169-172.

[7]趙荷，蓋玲.深度置信網(wǎng)絡結合遞歸特征添加的網(wǎng)絡入侵檢測方法[J].計算機應用與軟件，2020，37（11）：304-310.

[8]王以琳，謝華北，閆楊舒，等.基于改進粒子群算法的配電網(wǎng)故障恢復研究[J].陜西科技大學學報，2023，41（5）：174-181.

[9]龔建興，王子沐，楊奇龍.基于粒子群算法的訓練仿真想定優(yōu)化生成方法[J].系統(tǒng)仿真學報，2023，35（9）：1860-1870.

[10]李銳君，董素鴿.基于粒子群算法的無人機滅火路徑規(guī)劃仿真[J].計算機仿真，2023，40（9）：43-48.

[11]王宏剛，王一蓉，于宙，等.基于SCSO-SVM的行業(yè)供應鏈風險檢測優(yōu)化方法[J].粘接，2023，50（2）：193-196.

[12]何楨，張靜靜，何曙光.基于支持向量機的無參時變過程控制方法研究[J].系統(tǒng)工程學報，2023，38（3）：419-432.

[13]韓成陽，鄒冠貴，薛靜雯.夏店煤礦斷層的支持向量機預測研究[J].地質(zhì)論評，2023，69（S1）：119-120.

[14]何劍萍，黃曉蘭，蔣大銳.基于MPA-SVM的技術實踐與工作精準指向研究[J].粘接，2023，50（3）：122-126.

[15]李佐強，翁順，朱宏平，等.基于領域自適應支持向量機的跨域損傷識別[J].建筑鋼結構進展，2023，25（9）：91-100.

[16]曾曉晴.基于支持向量機的船舶交通流量預測方法[J].艦船科學技術，2023，45（5）：160-163.

[17]陳志華，黃志宏.基于知識圖譜的激光通信網(wǎng)絡入侵攻擊源定位方法[J].應用激光，2022，42（7）：118-124.

[18]馬海洲，丁愛萍.大數(shù)據(jù)時代無人船通信網(wǎng)絡入侵信號攻擊源識別模型[J].艦船科學技術，2021，43（24）：142-144.

[19]楊衛(wèi).云計算平臺船舶通信網(wǎng)絡惡意入侵數(shù)據(jù)挖掘方法[J].艦船科學技術，2020，42（20）：100-102.

[20]廉杰，姚鑫，李占山.用于特征選擇的烏鴉搜索算法的研究與改進[J].軟件學報，2022，33（11）：3903-3916.