劉 銘 黃凡玲 傅彥銘 楊曉玲

1(安陽(yáng)工學(xué)院計(jì)算機(jī)科學(xué)與信息工程學(xué)院 河南 安陽(yáng) 455000)2(清華大學(xué)軟件學(xué)院 北京 100084)3(廣西大學(xué)計(jì)算機(jī)與電子信息學(xué)院 廣西 南寧 530004)

改進(jìn)的人工蜂群優(yōu)化支持向量機(jī)算法在入侵檢測(cè)中的應(yīng)用

劉 銘1黃凡玲2傅彥銘3楊曉玲3

1(安陽(yáng)工學(xué)院計(jì)算機(jī)科學(xué)與信息工程學(xué)院 河南 安陽(yáng) 455000)2(清華大學(xué)軟件學(xué)院 北京 100084)3(廣西大學(xué)計(jì)算機(jī)與電子信息學(xué)院 廣西 南寧 530004)

針對(duì)基于傳統(tǒng)的參數(shù)優(yōu)化算法在優(yōu)化過(guò)程中會(huì)不同程度地陷入局部最優(yōu)解的問(wèn)題，在人工蜂群ABC(Artificial Bee Colony)算法的基礎(chǔ)上提出基于交叉突變?nèi)斯し淙篊MABC(Crossover Mutation ABC)算法的支持向量機(jī)SVM參數(shù)優(yōu)化方法，并將其應(yīng)用于入侵檢測(cè)。通過(guò)引入交叉突變算子對(duì)人工蜂群算法進(jìn)行改進(jìn)，根據(jù)適應(yīng)度值的優(yōu)劣將蜂群進(jìn)行劃分，有效地避免了陷入局部最優(yōu)，提高了收斂速度。利用標(biāo)準(zhǔn)測(cè)試函數(shù)驗(yàn)證了算法的有效性，并采用NSL-KDD入侵檢測(cè)數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)，驗(yàn)證了該方法的有效性。實(shí)驗(yàn)結(jié)果表明，該方法能有效提高入侵檢測(cè)的分類(lèi)性能。

入侵檢測(cè) 支持向量機(jī) 人工蜂群算法 交叉突變算子

0 引 言

隨著網(wǎng)絡(luò)規(guī)模的日益擴(kuò)大，計(jì)算機(jī)網(wǎng)絡(luò)為人們生活和工作帶來(lái)便利的同時(shí)，網(wǎng)絡(luò)入侵技術(shù)和攻擊手段也更加復(fù)雜，各類(lèi)破壞性的網(wǎng)絡(luò)攻擊所造成的損失日益嚴(yán)重，網(wǎng)絡(luò)安全威脅也日益增長(zhǎng)。傳統(tǒng)單一的安全防御方法和策略雖然在一定程度上對(duì)網(wǎng)絡(luò)安全起到了保護(hù)作用，但已經(jīng)無(wú)法防范復(fù)雜多變、日益猖獗的入侵行為。于是產(chǎn)生了網(wǎng)絡(luò)安全的第二道防線(xiàn)——入侵檢測(cè)系統(tǒng)IDS(Intrusion Detection System)。

入侵檢測(cè)技術(shù)通過(guò)在計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)的關(guān)鍵節(jié)點(diǎn)上收集信息并進(jìn)行分析，對(duì)系統(tǒng)中違反安全策略的行為及時(shí)作出響應(yīng)。網(wǎng)絡(luò)入侵檢測(cè)中的數(shù)據(jù)非常龐大復(fù)雜，具有高維、小樣本、線(xiàn)性不可分的特性[1]。支持向量機(jī)SVM作為一種在小樣本機(jī)器學(xué)習(xí)的基礎(chǔ)上發(fā)展起來(lái)的方法，通過(guò)風(fēng)險(xiǎn)最小化原理來(lái)解決小樣本、非線(xiàn)性、高維度等問(wèn)題，并且能夠在先驗(yàn)知識(shí)不足的情況下仍然保持較高的分類(lèi)準(zhǔn)確率，非常適合應(yīng)用于網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)。

SVM分類(lèi)算法中懲罰因子和核參數(shù)的選取直接影響到支持向量機(jī)的分類(lèi)精度及它的推廣性能。傳統(tǒng)的用于SVM參數(shù)優(yōu)化的算法有經(jīng)驗(yàn)法[2]、遺傳算法[3]、梯度下降法等，這些傳統(tǒng)的參數(shù)優(yōu)化算法在優(yōu)化過(guò)程中會(huì)不同程度陷入局部最優(yōu)解，不能建立有效的SVM最優(yōu)分類(lèi)模型。

人工蜂群ABC算法是Karaboga在2005年提出的一種新的群智能優(yōu)化算法[4]。它具有參數(shù)少、實(shí)現(xiàn)簡(jiǎn)單等優(yōu)點(diǎn)。多項(xiàng)實(shí)驗(yàn)結(jié)果表明，該算法通過(guò)模擬蜂群采蜜的過(guò)程，在解決參數(shù)優(yōu)化問(wèn)題時(shí)表現(xiàn)出一定的優(yōu)勢(shì)，但存在對(duì)單峰問(wèn)題收斂過(guò)慢，對(duì)于多峰問(wèn)題易于陷入局部最優(yōu)解的問(wèn)題。針對(duì)這些問(wèn)題不少學(xué)者也提出了一些改進(jìn)方法，劉俊芳等提出PSO和ABC的混合優(yōu)化算法[5]，Zhu等通過(guò)引入全局最優(yōu)解提出GABC算法[6]，以期提高收斂速度。這些優(yōu)化算法改進(jìn)了算法的收斂速度，但仍舊會(huì)不同程度的陷入最優(yōu)解，特別是對(duì)多峰優(yōu)化問(wèn)題。而研究表明，SVM的正確分類(lèi)率與懲罰因子、核函數(shù)參數(shù)之間存在多峰函數(shù)關(guān)系[7]。為了獲得更好的參數(shù)來(lái)提高SVM的分類(lèi)性能，本文采用交叉突變的思想對(duì)ABC算法做進(jìn)一步的優(yōu)化，將交叉突變算子引入到不同的子種群之間，改進(jìn)了ABC算法在優(yōu)化多峰問(wèn)題時(shí)過(guò)早陷入局部最優(yōu)的缺點(diǎn)。將改進(jìn)后的ABC算法和ABC算法、GABC算法和受鳥(niǎo)覓食的行為啟發(fā)的粒子群優(yōu)化算法PSO(Particle swarm optimization)[8]進(jìn)行收斂性分析，并將幾種算法分別應(yīng)用于基于SVM的入侵檢測(cè)中進(jìn)行實(shí)驗(yàn)對(duì)比，采用NSL-KDD網(wǎng)絡(luò)入侵檢測(cè)數(shù)據(jù)集對(duì)改進(jìn)的ABC算法的有效性進(jìn)行檢驗(yàn)。

1 支持向量機(jī)

1.1 SVM原理

SVM的基本原理是將輸入向量通過(guò)預(yù)先選取的非線(xiàn)性關(guān)系映射到一個(gè)高維的特征空間，并在此空間尋找一個(gè)最優(yōu)分類(lèi)超平面，使兩類(lèi)的分類(lèi)間隔最大。假設(shè)有訓(xùn)練數(shù)據(jù)：

(x1,y1),(x2,y2),…,(xn,yn)x∈Rny∈(+1,-1)

超平面記為 (w·x+b)=0

(1)

為了構(gòu)造最優(yōu)分類(lèi)超平面，求分離間隔最大可轉(zhuǎn)換為如下的優(yōu)化問(wèn)題：

s.tyi[(w·xi+b)]-1+ξi≥0i=1,…,n

(2)

松弛變量ξi≥0，C為大于零的常數(shù)，它決定了對(duì)錯(cuò)分樣本的懲罰力度[9]。引入Lagrnage乘子αi將其轉(zhuǎn)換為對(duì)偶問(wèn)題：

(3)

求解上述二次規(guī)劃問(wèn)題可得到最終的決策函數(shù)：

(4)

1.2SVM參數(shù)影響分析

結(jié)合RBF徑向基核函數(shù)具有收斂域較寬，有較好的非線(xiàn)性映射能力等優(yōu)點(diǎn)，本文將其作為支持向量機(jī)分類(lèi)器的核函數(shù)，以懲罰因子C和核參數(shù)g為對(duì)象建立SVM模型參數(shù)優(yōu)化方法。這兩個(gè)參數(shù)的選取直接影響到支持向量機(jī)的分類(lèi)精度及其推廣性能。懲罰因子C用來(lái)平衡特征子空間中SVM的置信范圍與經(jīng)驗(yàn)風(fēng)險(xiǎn)之間的比例[10]，在確定的特征子空間中，C的值越小代表對(duì)經(jīng)驗(yàn)誤差的懲罰力度越小，造成模型的訓(xùn)練誤差越大，經(jīng)驗(yàn)風(fēng)險(xiǎn)值也越大，這時(shí)得到的模型預(yù)測(cè)結(jié)果分類(lèi)錯(cuò)誤率也就較高，出現(xiàn)“欠學(xué)習(xí)”的現(xiàn)象。同理，當(dāng)C的值過(guò)大時(shí)就會(huì)出現(xiàn)“過(guò)學(xué)習(xí)”的現(xiàn)象。

核參數(shù)與核函數(shù)密切相關(guān)，當(dāng)核函數(shù)確定時(shí)，相應(yīng)的映射函數(shù)和特征空間也就確定。核參數(shù)g的選取將直接影響到核函數(shù)的特性，致使樣本數(shù)據(jù)在高維特征空間中的分布復(fù)雜程度發(fā)生變化，即高維特征空間的維數(shù)，過(guò)大過(guò)小都不能保證結(jié)構(gòu)風(fēng)險(xiǎn)最小化。

因此，在每個(gè)特征子空間中，都有一個(gè)合適的懲罰因子C和相應(yīng)的核參數(shù)g使SVM的推廣性能最好。

2 基于改進(jìn)的人工蜂群算法的支持向量機(jī)參數(shù)優(yōu)化模型

2.1 人工蜂群算法

ABC算法尋找最優(yōu)解的過(guò)程是通過(guò)模擬自然界的蜜蜂采蜜過(guò)程實(shí)現(xiàn)的，算法將蜜蜂分成三種類(lèi)型：采蜜蜂、觀察蜂、偵查蜂，它們根據(jù)不同的分工完成不同的任務(wù)[11]。采蜜蜂和觀察蜂各占整個(gè)蜂群的一半，每個(gè)食物源只允許對(duì)應(yīng)一個(gè)采蜜蜂采蜜，當(dāng)食物源的花蜜被采完時(shí)，則其對(duì)應(yīng)的采蜜蜂轉(zhuǎn)換為偵查蜂。偵查蜂通過(guò)觀察各個(gè)食物源的情況重新選擇新的食物源，重復(fù)此過(guò)程，直到找到最優(yōu)的食物源。

在該算法中，食物源的優(yōu)劣與其花蜜量和距蜂巢的距離大小等因素有關(guān)，食物源所在的位置就代表優(yōu)化問(wèn)題的一個(gè)可能解，擁有的花蜜量對(duì)應(yīng)著每個(gè)解的適應(yīng)度。執(zhí)行ABC算法，首先要進(jìn)行初始化，隨機(jī)產(chǎn)生SN個(gè)初始解，即采蜜蜂和食物源的數(shù)量，每一個(gè)解都是一個(gè)D維向量，D表示需要優(yōu)化的參數(shù)個(gè)數(shù)，采用下式均勻的產(chǎn)生初始食物源：

xij=xjmin+rand(0,1)(xjmax-xjmin)i=1,2,…,SNj=1,2,…,D

(5)

初始化之后，就要開(kāi)始進(jìn)行對(duì)食物源(解)的尋優(yōu)，人工蜂群算法尋優(yōu)的過(guò)程概括起來(lái)由以下三個(gè)階段組成：采蜜蜂階段、觀察蜂階段、偵查蜂階段[12]。

采蜜蜂階段：采蜜蜂對(duì)食物源進(jìn)行開(kāi)采，對(duì)其所在的食物源xij(原始解)附近產(chǎn)生一定的擾動(dòng)，從而產(chǎn)生候選食物源位置(候選解)，產(chǎn)生過(guò)程由下式確定：

vij=xij+φij(xij-xkj)k∈{1,2,…,SN}j∈{1,2,…,D}k≠i

(6)

其中，xi表示搜索空間中第i個(gè)食物源，在其附近隨機(jī)選取一個(gè)食物源(候選解)xk，j表示分量，φij為[-1,1]范圍內(nèi)的隨機(jī)數(shù)。從式(6)可以看出，當(dāng)xij與xkj的差值減小，即兩個(gè)食物源的距離減小，對(duì)當(dāng)前食物源的擾動(dòng)減小，蜜蜂的搜索步長(zhǎng)就相應(yīng)的減小，直到收斂于最優(yōu)解。

觀察蜂階段：對(duì)由式(6)產(chǎn)生的各個(gè)食物源的候選解進(jìn)行評(píng)估，評(píng)估每個(gè)新的食物源的花蜜量，即計(jì)算解的適應(yīng)度。從而根據(jù)適應(yīng)度計(jì)算出觀察蜂選擇每個(gè)食物源的概率Pi，公式如下：

糖尿病對(duì)患者的身體以及心理的影響是十分巨大的[1]。本次研究為了分析研究在老年糖尿病患者中，實(shí)施心理護(hù)理干預(yù)對(duì)患者的焦慮抑郁情緒的影響，特選取我院80例患者進(jìn)行研究，報(bào)道如下。

(7)

其中，fitnessi為第i個(gè)食物源的適應(yīng)度，Pi越大，就代表此食物源花蜜量越多，能吸引更多的觀察蜂去采蜜。

偵查蜂階段，對(duì)食物源xi進(jìn)行多次循環(huán)開(kāi)采，當(dāng)對(duì)該食物源的開(kāi)采次數(shù)超過(guò)事先設(shè)定好的閾值limit，仍然得不到改進(jìn)，則其對(duì)應(yīng)的解就要被拋棄，采蜜峰變?yōu)閭刹榉?，重新開(kāi)始尋找食物源。

2.2 基于交叉突變的ABC算法CMABC

基本的ABC算法在尋優(yōu)的過(guò)程中每次只能選取一個(gè)食物源，并且在更新時(shí)只能在其中一個(gè)方向上進(jìn)行，這明顯限制了算法的優(yōu)化性能。為了提高ABC算法的整體尋優(yōu)能力，本文借鑒差分進(jìn)化算法的交叉突變及選擇算子增強(qiáng)算法尋優(yōu)能力和應(yīng)用范圍的思想[13-14]，將交叉突變算子引入到ABC算法中。

CMABC算法與ABC算法相似，首先進(jìn)行初始化，設(shè)置參數(shù)，并對(duì)所有的食物源按照十進(jìn)制編碼方式進(jìn)行編碼。然后執(zhí)行采蜜峰階段、觀察蜂階段，之后根據(jù)以下步驟引入交叉突變算子對(duì)種群進(jìn)行劃分，進(jìn)一步尋找最優(yōu)解。

1) 根據(jù)預(yù)先設(shè)定的種群劃分參數(shù)M，對(duì)整個(gè)種群進(jìn)行劃分，適應(yīng)度值高的劃分為杰出種群P，其余的相對(duì)較低適應(yīng)度值的個(gè)體組成子種群Q。

(8)

(9)

最后的偵查蜂階段，舍棄沒(méi)有開(kāi)采價(jià)值的食物源，繼續(xù)尋找新的食物源。

ABC算法中引入交叉算子，通過(guò)父代種群P個(gè)體與適應(yīng)度較差的種群Q中個(gè)體進(jìn)行交叉，可以解決在優(yōu)化多峰問(wèn)題時(shí)出現(xiàn)的算法過(guò)早停滯的問(wèn)題。在種群Q中引入適應(yīng)度較優(yōu)的種群P中的個(gè)體進(jìn)行交叉，可以擴(kuò)大種群的多樣性，改進(jìn)了ABC算法對(duì)單峰優(yōu)化函數(shù)收斂過(guò)慢的問(wèn)題。

2.3 基于CMABC算法的SVM入侵檢測(cè)參數(shù)選擇

SVM算法的參數(shù)選擇需要在較大范圍內(nèi)進(jìn)行，優(yōu)化過(guò)程中很容易陷入局部最優(yōu)，CMABC算法引入交叉突變算子，將父代種群與適應(yīng)度較差的種群進(jìn)行交叉，能有效地解決這個(gè)問(wèn)題。本文采用CMABC算法對(duì)SVM的兩個(gè)重要參數(shù)，懲罰因子C和核參數(shù)g進(jìn)行優(yōu)化。

步驟一 首先對(duì)相關(guān)參數(shù)進(jìn)行設(shè)置，食物源即采蜜蜂的數(shù)量SN，食物源最大循環(huán)次數(shù)limit，終止循環(huán)次數(shù)Nmc。設(shè)定C和g的搜索范圍，提高搜索效率。

步驟二 采用實(shí)數(shù)對(duì)參數(shù)SVM的參數(shù)C和g進(jìn)行編碼，每個(gè)解的編碼由一個(gè)實(shí)數(shù)向量組成，它與C和g是一種可能的優(yōu)化個(gè)體。在編碼空間中，隨機(jī)生成一個(gè)具有SN個(gè)個(gè)體的初始群體。

步驟三 根據(jù)SVM的特性設(shè)定適應(yīng)度函數(shù)，優(yōu)化SVM并應(yīng)用于入侵檢測(cè)中的最終目的是提高分類(lèi)的準(zhǔn)確率。適應(yīng)度函數(shù)為：

V=Vacc

(10)

其中，Vacc為SVM的分類(lèi)準(zhǔn)確率。

步驟四 執(zhí)行采蜜蜂、觀察蜂階段。

步驟五 根據(jù)適應(yīng)度值和預(yù)先設(shè)定的種群大小進(jìn)行種群劃分，適應(yīng)度值較高的劃分為杰出種群P，其余的為種群Q。P和Q種群中的食物源根據(jù)式(8)、式(9)進(jìn)行突變運(yùn)算，若vi的適應(yīng)度值優(yōu)于xi，則用vi更新xi。

步驟六 偵查蜂階段，淘汰掉無(wú)價(jià)值的食物源并隨機(jī)生成新的食物源。

步驟七 根據(jù)選出來(lái)的最優(yōu)食物源的位置，即最優(yōu)解(C,g)，依據(jù)SVM算法對(duì)入侵檢測(cè)數(shù)據(jù)進(jìn)行分類(lèi)，得到較高的分類(lèi)正確率，有效地提高入侵檢測(cè)的性能。

3 仿真實(shí)驗(yàn)及分析

本文用四個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)[15]來(lái)評(píng)估算法CMABC算法的優(yōu)化性能，并與ABC算法、GABC算法和PSO算法進(jìn)行對(duì)比。

PSO算法中，實(shí)體被抽象為粒子，粒子的位置為所求問(wèn)題的解，根據(jù)粒子本身歷史最優(yōu)位置和整個(gè)種群的全優(yōu)位置，在一定的隨機(jī)擾動(dòng)下決定每一步的移動(dòng)方向。在眾多的歷史位置中記憶并搜索最優(yōu)解導(dǎo)致早熟收斂，易陷入局部最優(yōu)，存在進(jìn)化后期收斂速度慢、精度差等問(wèn)題。ABC算法是基于蜂群智能搜索行為的優(yōu)化算法，結(jié)合了全局搜索和局部搜索的方法，在函數(shù)優(yōu)化方面優(yōu)于PSO算法。但ABC算法在模擬蜜蜂采蜜的過(guò)程并沒(méi)有考慮在尋優(yōu)過(guò)程中各種解的特點(diǎn)，與其他進(jìn)化算法相似，也存在一定的“早熟現(xiàn)象”。

GABC算法的思想是在當(dāng)前最優(yōu)值的引導(dǎo)下進(jìn)行尋優(yōu)，理論上可以加快單峰函數(shù)的收斂速度，但對(duì)多峰函數(shù)而言，最優(yōu)值有可能是局部最優(yōu)的，這就限制了尋優(yōu)過(guò)程。CMABC算法引入種群劃分，利用與杰出種群的劃分對(duì)單峰函數(shù)進(jìn)行優(yōu)化，提高快速發(fā)現(xiàn)最優(yōu)解的能力，提高了收斂速度；對(duì)多峰函數(shù)，通過(guò)引入交叉算子使已經(jīng)陷入局部最優(yōu)的個(gè)體脫離局部束縛，提高種群優(yōu)化能力。

通過(guò)兩部分實(shí)驗(yàn)來(lái)對(duì)幾種算法進(jìn)行對(duì)比分析，第一部分證明了CMABC算法的有效性；第二部分將CMABC算法用于基于SVM的入侵檢測(cè)參數(shù)優(yōu)化中，并利用入侵檢測(cè)常用的評(píng)價(jià)指標(biāo)對(duì)CMABC-SVM進(jìn)行性能評(píng)估。

實(shí)驗(yàn)平臺(tái)選用CPU2.1 GHz，2 GB內(nèi)存，Windows 7操作系統(tǒng)，采用Java語(yǔ)言結(jié)合Libsvm 3.18軟件包和Weka軟件進(jìn)行測(cè)試分析。Libsvm是臺(tái)灣大學(xué)林智仁副教授等人開(kāi)發(fā)設(shè)計(jì)的支持向量機(jī)軟件，Weka為一個(gè)公開(kāi)的數(shù)據(jù)挖掘工作平臺(tái)。

3.1 CMABC算法性能分析

四個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)如下：

(1) Sphere單峰函數(shù)

(11)

(2) Rosenbrock單峰函數(shù)

(12)

(3)Rastrigin多峰函數(shù)

(13)

(4)Griewank多峰函數(shù)

(14)

實(shí)驗(yàn)中種群參數(shù)M設(shè)為0.5，種群大小為80，limit=FoodNumber×D，最大迭代次數(shù)Nmc=2000，性能評(píng)價(jià)分為兩部分：(1)固定維度和迭代次數(shù)，評(píng)估算法的收斂精度；(2)評(píng)估算法達(dá)到收斂精度的迭代次數(shù)。

3.1.1 固定迭代次數(shù)的收斂精度

實(shí)驗(yàn)獨(dú)立運(yùn)行30次后取平均最優(yōu)值和標(biāo)準(zhǔn)偏差，理想結(jié)果值為0。候選解的維數(shù)D為20維和40維時(shí)的實(shí)驗(yàn)結(jié)果如表 1和表 2所示。

表1 20維優(yōu)化測(cè)試結(jié)果

續(xù)表1

表2 40維優(yōu)化測(cè)試結(jié)果

可以看出改進(jìn)的CMABC算法在優(yōu)化性能上優(yōu)于ABC算法、GABC算法和PSO算法。只有Rosenbrock函數(shù)在20維和40維的時(shí)候效果不是很好，經(jīng)過(guò)多次觀察該函數(shù)在維數(shù)較小的時(shí)候收斂效果較好，在D=2時(shí)，最終收斂到1e-5。當(dāng)維數(shù)增加，搜索范圍隨之?dāng)U大，多峰函數(shù)會(huì)出現(xiàn)較多的局部極值點(diǎn)，算法對(duì)多峰函數(shù)的優(yōu)化效果更好。

3.1.2 固定迭代次數(shù)的收速度

設(shè)定種群大小和循環(huán)次數(shù)都不變，在D=20維時(shí)ABC算法、CMABC算法、GABC算法和PSO算法的收斂趨勢(shì)如圖1-圖3所示。

圖1 Sphere函數(shù)平均最優(yōu)值曲線(xiàn)

圖2 Griewank函數(shù)平均最優(yōu)值曲線(xiàn)

圖3 Rastrigin函數(shù)平均最優(yōu)值曲線(xiàn)

從圖1-圖3中可以看出，CMABC算法收斂速度上明顯優(yōu)于ABC算法、GABC算法和PSO算法。ABC算法與PSO算法相比也有較明顯的優(yōu)勢(shì)，實(shí)驗(yàn)驗(yàn)證了前面對(duì)幾種算法所做的理論分析對(duì)比CMABC算法優(yōu)化后，Sphere函數(shù)和Griewank函數(shù)最終趨于1e-16，對(duì)Rastrigin函數(shù)CMABC算法在迭代次數(shù)800次后收斂到0。GABC算法在迭代次數(shù)1000時(shí)收斂于0，而ABC算法和PSO算法分別在1600和1800次迭代后收斂于0。CMABC算法通過(guò)對(duì)父代種群和剩余種群之間的交叉，增強(qiáng)了種群的多樣性，有效地提高了算法的收斂速度。

3.2 CMABC算法在入侵檢測(cè)中的應(yīng)用

實(shí)驗(yàn)采用入侵檢測(cè)的標(biāo)準(zhǔn)數(shù)據(jù)集NSL-KDD，數(shù)據(jù)集包含訓(xùn)練集和測(cè)試集，分為正常數(shù)據(jù)和入侵?jǐn)?shù)據(jù)，首先對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化預(yù)處理并按照各類(lèi)型數(shù)據(jù)的比例從中選取一部分?jǐn)?shù)據(jù)來(lái)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)數(shù)據(jù)類(lèi)型分布如表 3所示。

表3 實(shí)驗(yàn)樣本集構(gòu)成

本文將數(shù)據(jù)集分成5組進(jìn)行實(shí)驗(yàn)：第一組，正常數(shù)據(jù)和所有異常數(shù)據(jù)；第二組，正常數(shù)據(jù)和Dos類(lèi)；第三組，正常數(shù)據(jù)和Probe類(lèi)；第四組，正常數(shù)據(jù)和R2L類(lèi)；第五組正常數(shù)據(jù)和U2R類(lèi)。

目前國(guó)內(nèi)外關(guān)于入侵檢測(cè)技術(shù)的評(píng)價(jià)標(biāo)準(zhǔn)，主要有這樣幾個(gè)指標(biāo)：檢測(cè)率、誤報(bào)率、檢測(cè)精度等[16]，它們的定義分別如下：

檢測(cè)率TP(True Positive rate)=被發(fā)現(xiàn)的攻擊樣本數(shù)/攻擊樣本的總數(shù)

誤報(bào)率FP(False Positive rate)=被誤判的正確樣本數(shù)/正確樣本的總數(shù)

檢測(cè)精度(Precision)=被正確分類(lèi)的數(shù)據(jù)樣本數(shù)/總的樣本數(shù)

分別將ABC、CMABC、GABC、PSO算法應(yīng)用于基于SVM的入侵檢測(cè)中，經(jīng)過(guò)多次對(duì)比實(shí)驗(yàn)，最終將種群大小SN的值設(shè)為20，limit設(shè)為50，終止循環(huán)次數(shù)Nmc為100，這里需要優(yōu)化SVM的兩個(gè)參數(shù)，所以D為2，將參數(shù)的搜索范圍定為[0.01,1000]。并在相同條件下，采用相同的數(shù)據(jù)集將ABC算法、CMABC算法、GABC算法和PSO算法進(jìn)行優(yōu)化對(duì)比，得到的實(shí)驗(yàn)結(jié)果如表 4所示。

表4 各組數(shù)據(jù)集的檢測(cè)性能

從表4可以看出，通過(guò)ABC-SVM算法和CMABC-SVM算法優(yōu)化SVM參數(shù)，對(duì)五組數(shù)據(jù)進(jìn)行對(duì)比，可以看出CMABC算法比其他的幾種算法相比都表現(xiàn)出來(lái)較好的性能，只有第五組數(shù)據(jù)由于樣本數(shù)據(jù)較少誤報(bào)率較高。CMABC-SVM算法在種群的個(gè)體之間引入交叉突變算子，平衡了種群的局部開(kāi)采和全局搜索的能力，使可能已陷入局部最優(yōu)的個(gè)體脫離束縛，跳出局部最優(yōu)解，通過(guò)優(yōu)化SVM兩個(gè)重要的參數(shù)，提高了基于SVM的入侵檢測(cè)器的分類(lèi)性能。

基于SVM入侵檢測(cè)的實(shí)驗(yàn)也驗(yàn)證了3.1節(jié)CMABC算法和其他幾種優(yōu)化算法的性能對(duì)比實(shí)驗(yàn)結(jié)果。說(shuō)明CMABC算法具有實(shí)際應(yīng)用價(jià)值，CMABC-SVM算法也進(jìn)一步提高了入侵檢測(cè)模型的性能。

4 結(jié) 語(yǔ)

基于SVM參數(shù)對(duì)SVM入侵檢測(cè)性能的重要性，克服傳統(tǒng)優(yōu)化算法的缺點(diǎn)，本文改進(jìn)ABC算法，并通過(guò)四個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)驗(yàn)證了CMABC算法的優(yōu)化有效性。在此基礎(chǔ)上本文提出基于CMABC算法的SVM的入侵檢測(cè)，對(duì)SVM的參數(shù)懲罰因子C和核參數(shù)g進(jìn)行優(yōu)化。采用NSL-KDD數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)表明，CMABC-SVM算法克服了局部最優(yōu)值的缺陷，使檢測(cè)器獲得更高的檢測(cè)率、檢測(cè)精度，較低的誤報(bào)率，使入侵檢測(cè)系統(tǒng)可以更好地防御網(wǎng)絡(luò)入侵。

[1] 苗碧舟．基于數(shù)據(jù)融合技術(shù)的網(wǎng)絡(luò)異常檢測(cè)模型的研究[D]．合肥：合肥工業(yè)大學(xué), 2013．

[2] Mao Y, Zhou X, Pi D, et al．Parameters selection in gene selection using Gaussian kernel support vector machines by genetic algorithm[J]．Journal of Zhejiang University SCIENCE, 2005, 6B(10):961-973.

[3] 田翔．支持向量機(jī)參數(shù)選擇及訓(xùn)練算法研究[D]．廣州：華南理工大學(xué), 2006．

[4] Karaboga D．An idea based on Honey Bee Swarm for numerical optimization[R]．Technical Report-TR06, Erciyes University, 2005.

[5] 劉俊芳，張雪英，寧愛(ài)平．PSO和ABC的混合優(yōu)化算法[J]．計(jì)算機(jī)工程與應(yīng)用, 2011, 47(35): 32-34,44．

[6] Zhu G, Kwong S．Gbest-guided artificial bee colony algorithm for numerical function optimization[J]．Applied Mathematics and Computation, 2010, 217(7): 3166-3173.

[7] Unler A, Murat A, Chinnam R B．mr2 PSO: a maximum relevance minimum redundancy feature selection method based on swarm intelligence for support vector machine classification[J]．Information Sciences, 2011, 181(20): 4625-4641.

[8] Engelbrecht A P．Particle swarm optimization[C]//Proceedings of the Companion Publication of the 2015 on Genetic and Evolutionary Computation Conference. ACM, 2015: 65-91.

[9] 馬蕾，汪西莉．基于支持向量機(jī)協(xié)同訓(xùn)練的半監(jiān)督回歸[J]．計(jì)算機(jī)工程與應(yīng)用, 2011, 47(3): 177-180．

[10] 劉鯖潔，陳桂明，劉小方，等．基于遺傳算法的SVM參數(shù)組合優(yōu)化[J]．計(jì)算機(jī)應(yīng)用與軟件,2012,29(4):94-96,100．

[11] 張新明，李曉安，何文濤，等．基于排名映射概率的混沌人工蜂群算法[J]．計(jì)算機(jī)科學(xué), 2013, 40(12): 98-103．

[12] 邱劍鋒．人工蜂群算法的改進(jìn)方法與收斂性理論的研究[D]．合肥：安徽大學(xué), 2014．

[13] Qin A K, Suganthan P N. Self-adaptive differential evolution algorithm for numerical optimization[C]//Proceedings of the 2005 IEEE Congress on Evolutionary Computation, 2005:1785-1791.

[14] Tinoco J C V, Coello C A C．hypDE: A hyper-heuristic based on differential evolution for solving constrained optimization problems[M]．EVOLVE-A Bridge between Probability, Set Oriented Numerics, and Evolutionary Computation II．Berlin: Springer，2013: 267-282．

[15] 紀(jì)震，廖惠連，吳青華．粒子群算法及應(yīng)用[M]．北京：科學(xué)出版社, 2009：72-79．

[16] 賈偉峰．網(wǎng)絡(luò)入侵檢測(cè)中機(jī)器學(xué)習(xí)方法的應(yīng)用研究[D]．成都：電子科技大學(xué), 2009．

APPLICATION OF IMPROVED SUPPORT VECTOR MACHINE ALGORITHM OPTIMIZED BY ARTIFICIAL BEE COLONY ALGORITHM IN INTRUSION DETECTION

Liu Ming1Huang Fanling2Fu Yanming3Yang Xiaoling3

1(CollegeofComputerScienceandInformationEngineering,AnyangInstituteofTechnology,Anyang455000,Henan,China)2(SchoolofSoftware,TsinghuaUniversity,Beijing100084,China)3(SchoolofComputer,ElectronicsandInformation,GuangxiUniversity,Nanning530004,Guangxi,China)

Aiming at the problem that the traditional parameters optimization algorithm may fall into locally optimal solution, a optimization method of parameter of Support Vector Machine(SVM) which applied Crossover Mutation Artificial Bee Colony(CMABC) is proposed to solve this problem and applied to intrusion detection, which is based on Artificial Bee Colony(ABC) algorithm. By introducing Crossover Mutation operator to improve ABC algorithm and dividing bee colony according to different fitness value, the locally optimal solution is effectively avoided and the convergence speed is improved. The standard test function is used to verify the effectiveness of the algorithm, what’s more, the performance of the proposed algorithm is simulated by adopting NSL-KDD datasets of intrusion detection. Finally, the experimental results show that the proposed method is an efficient way to improve the classification performance of intrusion detection.

Intrusion detection Support vector machine Artificial bee colony Crossover mutation

2015-07-01。國(guó)家自然科學(xué)基金項(xiàng)目(61262072)；廣西大學(xué)博士基金項(xiàng)目(DD060074)。劉銘，碩士生，主研領(lǐng)域：入侵檢測(cè)，信息安全。黃凡玲，碩士生。傅彥銘，副教授。楊曉玲，碩士生。

TP309

A

10.3969/j.issn.1000-386x.2017.01.042