劉宏立， 李 璐， 胡久松

(湖南大學(xué) 電氣與信息工程學(xué)院，湖南 長沙 410082)

基于CS-CPSO與SVM融合的WSNs入侵檢測算法*

劉宏立， 李 璐， 胡久松

(湖南大學(xué) 電氣與信息工程學(xué)院，湖南 長沙 410082)

為了提高基本粒子群優(yōu)化(PSO)算法與支持向量機(jī)(SVM)融合的無線傳感網(wǎng)絡(luò)(WSNs)入侵檢測算法的檢測精度與收斂速度，提出了一種基于完全正弦映射混沌粒子群優(yōu)化(CS-CPSO)算法與SVM融合的WSNs入侵檢測算法(CS-CPSO-SVM)。采用CS-CPSO算法優(yōu)化SVM參數(shù)，不僅將正弦映射混沌搜索應(yīng)用于粒子群算法中初始種群與局部最優(yōu)解混沌擾動(dòng)的產(chǎn)生，且將其用于慣性權(quán)重的優(yōu)化以及隨機(jī)常數(shù)和學(xué)習(xí)因子的產(chǎn)生，并用多個(gè)初始值分別迭代生成多條混沌軌道。以KDDCUP99數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)，經(jīng)理論分析與仿真實(shí)驗(yàn)表明:該方法可以有效地檢測入侵行為，并具有良好的檢測精度與收斂速度。

無線傳感器網(wǎng)絡(luò)入侵檢測； 正弦映射； 多混沌軌道； 完全正弦映射混沌粒子群優(yōu)化

0 引 言

目前為止，已經(jīng)確定了許多不同類型的無線傳感器網(wǎng)絡(luò) (wireless sensor networks,WSNs)[1～3]中的攻擊[4]，如黑洞、女巫、拒絕服務(wù)攻擊等。入侵檢測的作用是對上述攻擊進(jìn)行發(fā)現(xiàn)、分析以及匯報(bào)[5,6]。本文構(gòu)造了一種基于完全正弦映射混沌粒子群優(yōu)化(complete sine-mapping chaotic particle swarm optimization,CS-CPSO)算法與支持向量機(jī)(support vector machine,SVM)融合的WSNs入侵檢測模型(CS-CPSO-SVM)[7～9]，將CS-CPSO算法應(yīng)用到SVM參數(shù)(C,γ)優(yōu)化中，分析和比較傳感器節(jié)點(diǎn)的數(shù)據(jù)和所建立的入侵行為特征，以確定是否有入侵行為。該方法不僅將正弦映射混沌搜索技術(shù)應(yīng)用于粒子群優(yōu)化算法中初始種群與局部最優(yōu)解混沌擾動(dòng)的產(chǎn)生，且將其用于慣性權(quán)重W優(yōu)化以及隨機(jī)常數(shù)R1，R2和學(xué)習(xí)因子C1，C2的產(chǎn)生，并用多個(gè)初始值分別迭代生成多條混沌軌道。將混沌狀態(tài)引入到參數(shù)優(yōu)化中，克服了基本PSO算法容易陷入局部極值點(diǎn)的缺陷，從而提高了算法的優(yōu)化與檢測性能。實(shí)驗(yàn)表明：該算法不僅具有全局尋優(yōu)的能力，同時(shí)具有持續(xù)和優(yōu)良的局部搜索能力。

1 WSNs入侵檢測模型框架

基于CS-CPSO-SVM的WSNs入侵檢測模型框架如圖1所示。對訓(xùn)練和測試數(shù)據(jù)集進(jìn)行歸一、離散和降維等預(yù)處理，利用CS-CPSO算法優(yōu)化SVM得出最優(yōu)參數(shù)。最后，建立WSNs入侵檢測模型以對測試集進(jìn)行分類與識別，并對檢測模型的性能進(jìn)行分析。

圖1 WSNs入侵檢測模型框架

2 WSNs入侵檢測算法

2.1 算法基礎(chǔ)

WSNs入侵檢測算法基礎(chǔ)為SVM和PSO算法[10,11]。

SVM的學(xué)習(xí)能力與泛化能力取決于其參數(shù)的選擇，本文采用徑向基核函數(shù)(RBF)，故懲罰參數(shù)C與核函數(shù)參數(shù)γ成為需要優(yōu)化的兩個(gè)參數(shù)。其中，C的大小與可容忍的誤差相關(guān)，而γ的大小與學(xué)習(xí)樣本的輸入空間范圍相關(guān)。

在PSO算法中，對其收斂性而言，參數(shù)C1，C2，R1，R2以及W均為重要的影響因素。PSO算法收斂速度較快，但在后期時(shí)較為緩慢且粒子群表現(xiàn)出趨同性，容易陷入局部極小值。

本文在基本PSO算法中引入混沌思想，構(gòu)造CS-CPSO算法,并利用該算法優(yōu)化SVM參數(shù)，即慣性權(quán)重W，隨機(jī)常數(shù)R1,R2和學(xué)習(xí)因子C1,C2。

2.2 CS-CPSO算法

CS-CPSO算法對PSO算法進(jìn)行如下改進(jìn)：

1)將混沌應(yīng)用于粒子的位置初始化中，采用正弦映射(sine-mapping)以多個(gè)初始值分別進(jìn)行迭代產(chǎn)生多條混沌軌道。Logistic映射是一個(gè)典型的混沌系統(tǒng)[12]，但產(chǎn)生的混沌變量軌道點(diǎn)分布不均勻。本文采用文獻(xiàn)[13]所提出的正弦混沌映射構(gòu)成混沌系統(tǒng)，并用多個(gè)初始值分別進(jìn)行混沌迭代產(chǎn)生多條混沌軌道

Xn+1=sin(5.65/Xn),-1≤Xn≤1,Xn≠0

(1)

2)將混沌狀態(tài)應(yīng)用于慣性權(quán)重W優(yōu)化中。采用式(2)進(jìn)行W的混沌化，再將W映射至[Wmin,Wmax]區(qū)間

W(t+1)=sin(5.65/W(t))

(2)

W(t)=Wmin+(Wmax-Wmin)W(t)

(3)

式中t=1,2,…,Tm，Tm為最大迭代次數(shù)；Wmin，Wmax分別取值0.4,0.9。

3)將混沌應(yīng)用于隨機(jī)數(shù)R1，R2的生成，更新公式如下

Ri(t+1)=sin(5.65/Ri(t))

(4)

式中Ri(t)∈[0,1],i=1,2。

4)將混沌應(yīng)用于C1，C2優(yōu)化中,更新公式為

Ci(t+1)=sin(5.65/Ci(t))

(5)

Ci(t)=Cmin+(Cmax-Cmin)Ci(t),i=1,2

(6)

式中Cmin，Cmax取值分別為1.5，2.0。

Zt+1=sin(5.65/Zt)

(7)

式中 Zt為混沌變量，取能直接反映SVM性能的均方根誤差(rootmeansquareerror，RMSE)作為算法的適應(yīng)度函數(shù)，計(jì)算方法為

(8)

基于CS-CPSO算法優(yōu)化SVM參數(shù)的優(yōu)化步驟如下：

1)初始化設(shè)置粒子群體規(guī)模n,位置初始值個(gè)數(shù)q,維數(shù)m,最大允許迭代次數(shù)Tm,粒子群飛行速度范圍[Vmin,Vmax],學(xué)習(xí)因子范圍[Cmin,Cmax],慣性因子范圍[Wmin,Wmax],SVM參數(shù)C和γ的取值范圍等。

2)初始化粒子位置和速度。隨機(jī)生成q個(gè)m維向量，每個(gè)向量數(shù)值在0～1之間，根據(jù)式(1)進(jìn)行n/q次迭代并映射到對應(yīng)的取值區(qū)間，得到n個(gè)向量作為粒子位置初始解；隨機(jī)產(chǎn)生n個(gè)初始速度。

6)如果滿足停止條件則停止搜索，得到全局最優(yōu)位置;否則，返回步驟(3)。

為了測試CS-CPSO算法的優(yōu)越性，采用Rastingrin函數(shù)進(jìn)行模擬實(shí)驗(yàn)，其在Wi=0時(shí)達(dá)到全局最小點(diǎn)0，并選擇與PSO進(jìn)行對比實(shí)驗(yàn)

(9)

由圖2可見，相對于PSO算法，CS-CPSO算法的收斂速度和收斂精度均得到改善，表明CS-CPSO算法的性能優(yōu)于PSO算法。

圖2 Rastingrin函數(shù)適應(yīng)度值變化曲線

3 仿真實(shí)驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)來源

本文采用的數(shù)據(jù)集KDDCUP99為異常檢測標(biāo)準(zhǔn)數(shù)據(jù)集，數(shù)據(jù)集包含正常(Normal)和異常(Attack)兩大類，其中異常類型又細(xì)分為4類：Probe(端口監(jiān)視或掃描)、DoS(拒絕服務(wù)攻擊)、U2R(未授權(quán)的本地超級用戶特權(quán)訪問)、R2L(來自遠(yuǎn)程主機(jī)的未授權(quán)訪問)。從Normal中取800條正常樣本，Probe，DoS，U2R，R2L中分別取50條入侵樣本組成訓(xùn)練集;再從Normal中取400條正常樣本，Probe，DoS，U2R，R2L中分別取25條入侵樣本組成測試集。實(shí)驗(yàn)時(shí)，取種群規(guī)模n為20，維數(shù)m為2，最大迭代次數(shù)Tm為50，位置初始值個(gè)數(shù)q為4，飛行速度范圍為[-3,3]，參數(shù)C的范圍為[0.1,100]，參數(shù)γ的范圍為[0.01,10]。

3.2 實(shí)驗(yàn)結(jié)果分析

RMSE作為適應(yīng)度評價(jià)值，圖3為RMSE隨迭代次數(shù)的變化曲線。從圖3可以看出，與PSO相比，CS-CPSO優(yōu)化算法不但收斂速度快而且精度高。表1為測試集中CS-CPSO-SVM，PSO-SVM(PSO優(yōu)化的SVM)，SVM以及反向傳播(backpropagation,BP)神經(jīng)網(wǎng)絡(luò)(BPNN)分類精度比較，可以看出:CS-CPSO-SVM的分類精度較PSO-SVM，SVM以及BPNN分類器均高。

圖3 2種算法的優(yōu)化過程曲線

分類算法RMSE分類精度/%CS-CPSO-SVM0.134295.500PSO-SVM0.156593.875SVM0.208689.125BPNN0.246084.875

4 結(jié) 論

針對粒子群算法容易陷入局部極值的特點(diǎn)，本文提出了CS-CPSO算法將正弦映射混沌搜索應(yīng)用于粒子群算法中初始種群與局部最優(yōu)解混沌擾動(dòng)的產(chǎn)生，且將其用于慣性權(quán)重優(yōu)化以及隨機(jī)常數(shù)和學(xué)習(xí)因子的產(chǎn)生，并用多個(gè)初始值分別迭代來產(chǎn)生多條混沌軌道，使粒子搜索的遍歷性與種群的多樣性都得以提高，能更好地優(yōu)化SVM分類器參數(shù)以及提高檢測率。實(shí)驗(yàn)結(jié)果表明：基于CS-CPSO算法優(yōu)化的SVM分類器較BPNN，SVM分類器以及PSO優(yōu)化的SVM分類器具有著更高的檢測精度與檢測效率。

[1] 盧 磊,殷興輝,張大冬.WSNs在水信息采集中的應(yīng)用[J].傳感器與微系統(tǒng),2011,30(1):134-136.

[2] Yick J,Mukherjee B,Ghosal D.Wireless sensor networks sur-vey[J].Computer Networks,2008,52(12):2292-2330.

[3] Romer K,Mattern F.The design space of wireless sensor net-works[J].IEEE Wireless Communications,2004,11(6):54-61.

[4] 王文莉,侯麗敏.基于鄰域粗糙集的入侵檢測[J].傳感器與微系統(tǒng),2010，29(6):36-38.

[5] Onat I,Miri A.An intrusion detection system for wireless sensor networks[C]∥2005 IEEE International Conference on Wireless and Mobile Computing,Networking and Communications,WiMob 2005,IEEE,2005:253-259.

[6] Roman R,Zhou J,Lopez J.Applying intrusion detection systems to wireless sensor networks[C]∥IEEE Consumer Communications & Networking Conference,CCNC 2006,2006.

[7] 匡芳君,徐蔚鴻,張思揚(yáng).基于改進(jìn)混沌粒子群的混合核SVM參數(shù)優(yōu)化及應(yīng)用[J].計(jì)算機(jī)應(yīng)用研究,2014,31(3):671-674.

[8] 黃為勇,高玉芹,張艷華.一種采用改進(jìn)CPSO算法的PID參數(shù)整定方法[J].計(jì)算機(jī)科學(xué),2014,41(11):278-281.

[9] 吳德君,基于粒子群及混沌算法的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)研究[J].自動(dòng)化技術(shù)與應(yīng)用，2017,36(2)：1-4.

[10] 王 成,郝順義,翁大慶,等.基于混沌PSO算法優(yōu)化LS-SVM的慣導(dǎo)系統(tǒng)測試[J].傳感器與微系統(tǒng),2011,30(2):125-128.

[11] 高 尚,楊靜宇.混沌粒子群優(yōu)化算法研究[J]．模式識別與人工智能，2006，19(2)：266-269.

[12] 朱紅求,陽春華,桂衛(wèi)華,等.一種帶混沌變異的粒子群優(yōu)化算法[J].計(jì)算機(jī)科學(xué),2010(3):215-217.

[13] 尤 勇,王孫安,盛萬興.新型混沌優(yōu)化方法的研究及應(yīng)用[J].西安交通大學(xué)學(xué)報(bào),2003,37(1):69-72.

WSNs intrusion detection algorithm based on CS-CPSO and SVM fusion*

LIU Hong-li, LI Lu, HU Jiu-song

(College of Electrical and Information Engineering,Hunan University,Changsha 410082,China)

In order to improve the detection precision and convergence rate of the intrusion detection algorithm for wireless sensor networks(WSNs)based on fusion of particle swarm optimization(PSO)algorithm and support vector machine(SVM),a WSNs intrusion detection algorithm based on complete sine-mapping chaotic CS-CPSO-SVM based on fusion of CS-CPSO and SVM is proposed.Chaotic PSO algorithm based on CS-CPSO is used to optimize the parameter of SVM,and the sine-mapping chaotic search is applied to not only the generation of initial population and chaotic perturbation of local optimal for PSO algorithm,but also the optimization of the inertia weight and the generation of the random constant and the learning factor,moreover,multiple initial values are used to generate a number of chaotic orbits.With the KDDCUP99 data set as experimental data,the oretical analysis and simulation results show that the proposed method can effectively detect the intrusion behavior,and has a good detection precision and convergence speed.

wireless sensor networks(WSNs)intrusion detection; sine-mapping; multi chaotic orbit; completely sinemapping chaotic particle swarm optimization (CS-CPSO)

10.13873/J.1000—9787(2017)09—0110—03

2016—09—26

中央國有資本經(jīng)營預(yù)算項(xiàng)目(財(cái)企[2013]470號)；中央高?；究蒲许?xiàng)目(2014—004)；國家自然科學(xué)基金資助項(xiàng)目(61172089)；湖南省科技計(jì)劃資助項(xiàng)目(2014WK3001,2015JC3053)；中國博士后科學(xué)基金資助項(xiàng)目(2014M562100)

TN 911.7

A

1000—9787(2017)09—0110—03

劉宏立(1963-)，男，通訊作者，博士，教授，主要從事無線傳感網(wǎng)絡(luò)、軌道數(shù)字信號處理等方面的研究工作，E—mail：hongliliu@hnu.edu.cn。