葉煉煉

?

基于云模型BBO算法優(yōu)化KELM的網(wǎng)絡(luò)入侵檢測(cè)

葉煉煉

廈門(mén)海洋職業(yè)技術(shù)學(xué)院 信息技術(shù)系, 福建 廈門(mén) 361012

鑒于核極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)入侵檢測(cè)結(jié)果易受正則化系數(shù)和核參數(shù)的影響，本文選擇網(wǎng)絡(luò)入侵檢測(cè)的準(zhǔn)確率為適應(yīng)度，通過(guò)云模型BBO算法優(yōu)化正則化系數(shù)和核參數(shù)，實(shí)現(xiàn)網(wǎng)絡(luò)入侵的自適應(yīng)檢測(cè)，從而確立一種云模型BBO算法優(yōu)化KELM的網(wǎng)絡(luò)入侵檢測(cè)算法。結(jié)果表明，該算法能夠?qū)崿F(xiàn)網(wǎng)絡(luò)入侵的高精度檢測(cè)。

生物地理學(xué)優(yōu)化; 核極限學(xué)習(xí)機(jī); 網(wǎng)絡(luò)入侵檢測(cè)

隨著互聯(lián)網(wǎng)規(guī)模的增加和擴(kuò)大，網(wǎng)絡(luò)環(huán)境錯(cuò)綜復(fù)雜，網(wǎng)絡(luò)安全問(wèn)題日益突出，其中網(wǎng)絡(luò)入侵問(wèn)題是當(dāng)前網(wǎng)絡(luò)安全領(lǐng)域存在的突出問(wèn)題。由于網(wǎng)絡(luò)入侵行為的多樣性、復(fù)雜性、隱蔽性等特點(diǎn)，因此高精度的網(wǎng)絡(luò)入侵檢測(cè)對(duì)網(wǎng)絡(luò)安全的防范和控制具有重要意義。針對(duì)生物地理學(xué)優(yōu)化算法[1]（Biogeography-Based Optimization，BBO）易陷入“早熟”和局部最優(yōu)的問(wèn)題，將云模型理論引入BBO算法，改進(jìn)BBO算法遷移算子的生成方式，提出一種云模型BBO算法（Cloud Biogeography-Based Optimization，CBBO），避免BBO算法局部最優(yōu)和“早熟”問(wèn)題。

針對(duì)核極限學(xué)習(xí)機(jī)（Kernel Extreme Learning Machine，KELM）的網(wǎng)絡(luò)入侵檢測(cè)結(jié)果易受正則化系數(shù)和核參數(shù)的影響，提出一種云模型BBO算法優(yōu)化KELM的網(wǎng)絡(luò)入侵檢測(cè)算法。實(shí)驗(yàn)結(jié)果表明，CBBO-KELM的網(wǎng)絡(luò)入侵檢測(cè)算法能夠有效提高網(wǎng)絡(luò)入侵檢測(cè)的準(zhǔn)確率，實(shí)現(xiàn)網(wǎng)絡(luò)入侵的高精度檢測(cè)，為網(wǎng)絡(luò)安全控制和防范提供決策依據(jù)。

1 云模型

若為一定量論域，為定量論域上的定性概念，若?且是定性概念的一次隨機(jī)實(shí)現(xiàn)，那么，可以用()表示對(duì)的確定度，其表示穩(wěn)定傾向的隨機(jī)數(shù)并且()?[0,1]。如果:?[0,1]"??()，則在定量論域上的分布叫做云，其中組成的每一個(gè)元素叫云滴[2]。云模型可以用期望E、熵E和超熵H3個(gè)數(shù)字特征來(lái)表征[3]，可以表示為(E,E,H)。若滿(mǎn)足：?(E,′2)，其中′?(E,2)，并且對(duì)的確定度()滿(mǎn)足公式（1）：

則在上的分布被稱(chēng)為正態(tài)云。云模型采用不同的參數(shù)生成的云滴圖如圖1所示。

2 云模型BBO算法

2.1 BBO算法

BBO算法主要涉及遷移操作和變異操作，通過(guò)遷移操作和變異操作模擬生物種群尋找最佳棲息地，也就是尋找最優(yōu)解的過(guò)程。

圖1 云滴圖

圖 2 余弦模型

2.2 遷移操作

遷移操作包括遷入操作和遷出操作，前者主要是物種遷入棲息地，而后者主要是物種遷出棲息地。若某個(gè)棲息地的適宜度指數(shù)（Habitat Suitability Index，HIS）較高，則該棲息地的物種種類(lèi)和數(shù)量較多，種群之間競(jìng)爭(zhēng)激烈，那么該棲息地的物種遷出多而遷出少；反之，遷出少而遷入多。大量研究表明，采用余弦模型的BBO算法的尋優(yōu)能力和穩(wěn)定性最好[5]，因此本文遷移操作選擇余弦模型。圖2中0表示相等交點(diǎn)，和分別表示物種遷入率和遷出率，max表示該棲息地能夠承受的最大的種群數(shù)量。遷入率和遷出率如公式（2）和公式（3）所示[6]。

2.3 突變操作

若某個(gè)棲息地最多能夠承受和容納個(gè)不同種群，則承受和容納個(gè)種群的概率為P，其中，種群數(shù)量概率P與棲息地突變的概率M成反比，它們的數(shù)學(xué)關(guān)系如公式（4）和公式（5）所示[7]：

其中，P表示BBO算法中種群數(shù)量概率P的最大值，max表示BBO算法的最大突變概率。

2.4 云模型BBO算法

設(shè)BBO算法的種群規(guī)模為，每個(gè)個(gè)體的適應(yīng)度、平均適應(yīng)度和最優(yōu)個(gè)體的適應(yīng)度分別為f、mean和min。對(duì)于適應(yīng)度高于mean的個(gè)體和小于mean的個(gè)體，分別計(jì)算它們的平均適應(yīng)度mean和mean。為避免BBO算法陷入局部最優(yōu)和“早熟”問(wèn)題，提高算法的搜索能力和穩(wěn)定性，將BBO算法中的種群劃分成3個(gè)不同子群體，其分別為優(yōu)良子群、普通子群以及較差子群，則調(diào)整因子CR的調(diào)整策略如下：

（1）優(yōu)良子群：f優(yōu)于mean

該子群中個(gè)體最優(yōu)解接近全局最優(yōu)解，故采用調(diào)整因子的數(shù)值較小，主要作用為了進(jìn)行精細(xì)化搜索，文中令=0.2。

（2）普通子群：f次于mean但優(yōu)于mean

與優(yōu)良子群和較差子群相比，該子群中個(gè)體適應(yīng)度較為一般，并且數(shù)量最多，則該類(lèi)群體的調(diào)整因子根據(jù)公式（6）-公式（10）的云模型的正態(tài)云生成器產(chǎn)生：

（3）較差子群：f次于mean

該群體中的個(gè)體適應(yīng)度較差，偏離最優(yōu)解最遠(yuǎn)，因此使用較大的調(diào)整因子，提高收斂速度和搜索范圍，文中取=0.9，云模型改進(jìn)遷入率和遷出率如公式（11）和公式（12）所示：

其中，?[0,1]。

3 核極限學(xué)習(xí)機(jī)

若極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）隱含層神經(jīng)元數(shù)量為個(gè)，訓(xùn)練樣本個(gè)，其矩陣形式為(x,t)?R×R，其中x=[x1,x2,…,x]和t=[t1,t2,…,t]分別表示ELM的輸入矩陣和輸出矩陣，則ELM的輸出為[9]：

其中：

則公式（14）的矩陣形式為：=(15)

其中，表示極限學(xué)習(xí)機(jī)ELM的隱含層神經(jīng)元的輸出矩陣，x:(x)表示輸入x的特征映射，其中(x)=[(x,1,1),…,(x,,)]。當(dāng)訓(xùn)練樣本數(shù)量>時(shí)，ELM的訓(xùn)練誤差接近于0。此時(shí)，求解ELM近似等價(jià)于求解的線(xiàn)性方程組的最小二乘解：

為了避免初始權(quán)值和偏置對(duì)ELM預(yù)測(cè)效果的影響，將核函數(shù)引入ELM形成新的ELM即基于核的ELM算法。在KELM中，其核矩陣Q=HH，核矩陣的元素可表示為：

其中，核函數(shù)(x,x)本文選擇RBF核函數(shù)。將公式（19）帶入公式（18），KELM的輸出可表示為：

4 基于云模型BBO優(yōu)化KELM的網(wǎng)絡(luò)入侵檢測(cè)

4.1 目標(biāo)函數(shù)

通過(guò)云模型BBO算法優(yōu)化KELM的正則化系數(shù)和核參數(shù)改善極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的穩(wěn)定性和泛化能力，提高網(wǎng)絡(luò)入侵檢測(cè)的準(zhǔn)確率，將網(wǎng)絡(luò)入侵檢測(cè)的準(zhǔn)確率作為云模型BBO算法優(yōu)化KELM的目標(biāo)函數(shù)：

其中，和分別表示網(wǎng)絡(luò)入侵類(lèi)型檢測(cè)正確的數(shù)量和網(wǎng)絡(luò)入侵檢測(cè)類(lèi)型的總數(shù)量。

4.2 優(yōu)化流程

云模型BBO算法優(yōu)化KELM的網(wǎng)絡(luò)入侵檢測(cè)算法步驟如下：

Step 1：歸一化網(wǎng)絡(luò)入侵樣本數(shù)據(jù)，建出訓(xùn)練樣本和測(cè)試樣本；

Step 2：初始化種群，設(shè)定云模型BBO算法的參數(shù)：初始種群數(shù)0、最大種群規(guī)模max、所求問(wèn)題的維度、最大迭代次數(shù)max、搜索空間的區(qū)間[max,min]。

Step 3：將訓(xùn)練樣本輸入ELM，計(jì)算棲息地適宜度指數(shù)HIS并進(jìn)行排序，將精英個(gè)體保留下來(lái)，分別計(jì)算種群個(gè)體的mean、min、mean和mean，對(duì)適宜度指數(shù)HIS進(jìn)行排序，根據(jù)公式（2）和公式（3）計(jì)算確定云模型BBO算法的遷入率和遷出率；

Step 4：進(jìn)行棲息地遷移操作和變異操作，變異概率為M，計(jì)算出適宜度指數(shù)HIS并重新排序；

Step 5：若>max，保存最優(yōu)解；反之，重復(fù)Step 2~Step 4；

Step 6：將云模型BBO算法優(yōu)化KELM獲取的最優(yōu)參數(shù)和應(yīng)用于網(wǎng)絡(luò)入侵檢測(cè)。

5 實(shí)證分析

5.1 數(shù)據(jù)來(lái)源

為了驗(yàn)證CBBO_KELM算法進(jìn)行網(wǎng)絡(luò)入侵檢測(cè)的效果，以Windows10為操作系統(tǒng)，仿真軟件平臺(tái)選擇MATLAB2015（a），PC機(jī)的處理器為Intel core I5 2.4 GHZ、內(nèi)存8 GB。選擇KDD CUP 99數(shù)據(jù)集作為研究對(duì)象，每組數(shù)據(jù)包含41個(gè)特征屬性[11]。

5.2 結(jié)果分析

將準(zhǔn)確率作為網(wǎng)絡(luò)入侵檢測(cè)效果的評(píng)價(jià)指標(biāo)，準(zhǔn)確率定義：若被正確檢測(cè)出來(lái)的網(wǎng)絡(luò)入侵類(lèi)型的數(shù)量為，而實(shí)際網(wǎng)絡(luò)入侵類(lèi)型數(shù)量為，因此網(wǎng)絡(luò)入侵檢測(cè)的準(zhǔn)確率可表示為：

為了說(shuō)明云模型BBO算法的有效性，將CBBO_KELM、BBO_KELM和KELM進(jìn)行對(duì)比，對(duì)比結(jié)果如表1所示。由表1可知，CBBO_KELM的4種網(wǎng)絡(luò)攻擊類(lèi)型的檢測(cè)率分別為100%、99.45%、98.02%和99.46%，高于BBO_KELM算法的98.54%、96.75%、90.23%、96.64%和KELM的97.67%、92.22%、88.42%、91.33%。檢測(cè)結(jié)果如圖3~5所示。通過(guò)對(duì)比發(fā)現(xiàn)，本文算法具有更高的檢測(cè)率和更低的誤判率，效果較好。

表1 準(zhǔn)確率對(duì)比結(jié)果

Table 1 Comparison of accuracy

圖 3 CBBO_KLEM檢測(cè)結(jié)果

圖 4 BBO_KELM檢測(cè)結(jié)果

圖 5 KELM檢測(cè)結(jié)果

圖 6 CBBO收斂曲線(xiàn)

6 結(jié)論

針對(duì)核極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)入侵檢測(cè)結(jié)果易受正則化系數(shù)和核參數(shù)的影響，提出一種云模型BBO算法優(yōu)化KELM的網(wǎng)絡(luò)入侵檢測(cè)算法。結(jié)果表明，CBBO-KELM的網(wǎng)絡(luò)入侵檢測(cè)算法能夠有效提高網(wǎng)絡(luò)入侵檢測(cè)的準(zhǔn)確率，實(shí)現(xiàn)網(wǎng)絡(luò)入侵的高精度檢測(cè)，為網(wǎng)絡(luò)安全控制和防范提供決策依據(jù)。

[1] 蔡之華,龔文引.基于進(jìn)化規(guī)劃的新型生物地理學(xué)優(yōu)化算法研究[J].系統(tǒng)工程理論與實(shí)踐,2010,30(6):1106-1112

[2] 張光衛(wèi),何銳,劉禹,等.基于云模型的進(jìn)化算法[J].計(jì)算機(jī)學(xué)報(bào),2008,31(7):1082-1091

[3] 劉常昱,李德毅,潘莉莉.基于云模型的不確定性知識(shí)表示[J].計(jì)算機(jī)工程與應(yīng)用,2004,40(2):32-35

[4] 張仕斌,許春香.基于云模型的信任評(píng)估方法研究[J].計(jì)算機(jī)學(xué)報(bào),2013,36(2):422-431

[5] 楊錫運(yùn),關(guān)文淵,劉玉奇,等.基于粒子群優(yōu)化的核極限學(xué)習(xí)機(jī)模型的風(fēng)電功率區(qū)間預(yù)測(cè)方法[J].中國(guó)電機(jī)工程學(xué)報(bào),2015,35(S1):146-153

[6] 張英堂,馬超,李志寧,等.基于快速留一交叉驗(yàn)證的核極限學(xué)習(xí)機(jī)在線(xiàn)建模[J].上海交通大學(xué)學(xué)報(bào),2014,48(5):641-646

[7] 張德全,魏忠軍,湯健,等.基于進(jìn)化算法優(yōu)化的混合核極限學(xué)習(xí)機(jī)建模[J].控制工程,2013,20(6):1127-1130

[8] 付華,李海霞,盧萬(wàn)杰,等.一種改進(jìn)的極限學(xué)習(xí)機(jī)煤與瓦斯突出預(yù)測(cè)模型[J].傳感技術(shù)學(xué)報(bào),2016,29(1):69-74

[9] 王利琴,董永峰,顧軍華,等.基于改進(jìn)極限學(xué)習(xí)機(jī)的心律失常分類(lèi)[J].計(jì)算機(jī)仿真,2014,31(6):352-356

[10] 孫朝江,湯健,魏忠軍,等.基于選擇性更新的在線(xiàn)核極限學(xué)習(xí)機(jī)建模[J].控制工程,2013,20(4):659-662

[11] 亓孝武,李可軍,于小晏,等.基于核極限學(xué)習(xí)機(jī)和Bootstrap方法的變壓器頂層油溫區(qū)間預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué) 報(bào),2017,37(19):5821-5828

Network Intrusion Detection Based on Cloud BBO Algorithm Optimizing KELM

YE Lian-lian

361012,

In consideration of network intrusion detection result from Kernel Extreme Learning Machine subject to the influence of regular coefficientand kernel parameterthis paper selected the accuracy of network intrusion detection as adaptability to optimize the regularized coefficient and kernel parameter by cloud BBO algorithm to realize the adaptive detection of network intrusion, and thus the network intrusion detection algorithm based on CBBO optimizing KELM was established. The result showed the algorithm could effectively implement the high precision detection on network intrusion.

Biogeography-Based Optimization, BBO; Kernel Extreme Learning Machine, KELM; network intrusion detection

TP391.1

A

1000-2324(2018)05-0862-05

10.3969/j.issn.1000-2324.2018.05.028

2018-01-11

2018-03-15

福建省教育廳基金項(xiàng)目(JA14403)

葉煉煉(1975-),男,碩士,講師,研究方向?yàn)閿?shù)據(jù)挖掘、云計(jì)算、計(jì)算機(jī)網(wǎng)絡(luò). E-mail:joyll@163.com