王永剛

(遼寧對外經(jīng)貿(mào)學(xué)院，遼寧 大連 116052)

隨著微電子技術(shù)以及傳感器技術(shù)的迅猛發(fā)展和日趨成熟，無線傳感網(wǎng)絡(luò)引起了社會學(xué)者的廣泛關(guān)注，同時在各個領(lǐng)域也有十分廣闊的應(yīng)用[1-2]，其中包含軍事領(lǐng)域以及環(huán)境監(jiān)測領(lǐng)域等。人類對無線傳感器研究的不斷加深，促使其被廣泛應(yīng)用于人類生活、生產(chǎn)以及辦公等領(lǐng)域中。

由多個無線傳感器節(jié)點、無線自組織以及多跳的方式建立傳感器，其中感知部署范圍內(nèi)的特定感知信息需要和各個節(jié)點間需要相互協(xié)作，實現(xiàn)對感知數(shù)據(jù)的采集、預(yù)處理以及傳輸?shù)认嚓P(guān)操作，最終完成數(shù)據(jù)上報，為用戶決策提供一定的理論支撐?，F(xiàn)階段，如何實現(xiàn)無線傳感網(wǎng)絡(luò)入侵檢測成為當前研究的熱點話題。相關(guān)專家針對該方面的內(nèi)容進行了大量的研究，例如封化民等人[3]在預(yù)處理階段使用SMOTE技術(shù)，提升少數(shù)樣本數(shù)量，對多類別樣本進行采樣，最后在平衡數(shù)據(jù)集中進行GBDT數(shù)據(jù)訓(xùn)練，實現(xiàn)網(wǎng)絡(luò)入侵檢測。劉雙等人[4]在傳統(tǒng)的SOM算法中加入核函數(shù)對數(shù)據(jù)進行聚類操作；然后利用SOM聚類算法進行神經(jīng)元值提取，同時對粒子的原始位置進行初始化處理；最后將線性減小權(quán)值方法轉(zhuǎn)換為非線性減小取值方法，實現(xiàn)網(wǎng)絡(luò)入侵檢測。以上兩種方法目前已經(jīng)取得了較為滿意的研究成果，但是依舊無法滿足現(xiàn)階段的發(fā)展需求，為此提出一種基于改進EHO算法的無線傳感網(wǎng)絡(luò)入侵檢測方法。實驗結(jié)果表明，所提方法能夠有效降低誤檢率和漏檢率。

1 方法

1.1 無線傳感網(wǎng)絡(luò)入侵檢測數(shù)據(jù)降維

1.1.1 數(shù)據(jù)降維的目的

無線傳感器網(wǎng)絡(luò)出現(xiàn)在1978年左右，是由美國相關(guān)專家提出的，傳感器存在的主要目的是獲取主要環(huán)境數(shù)據(jù)，被廣泛應(yīng)用于各個研究領(lǐng)域。通常情況，無線傳感器網(wǎng)絡(luò)是在一定范圍和區(qū)域內(nèi)，將設(shè)定范圍內(nèi)的節(jié)點通過無線通信方式進行組織，確保信號能夠得到有效監(jiān)測、傳輸以及預(yù)處理[5-6]等。

通常情況下，無線傳感器是由四個不同的部分組成，具體結(jié)構(gòu)如圖1所示。

圖1 無線傳感器網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)圖

無線傳感器網(wǎng)絡(luò)四個組成部分之間相互協(xié)調(diào)，以此完成數(shù)據(jù)采集以及監(jiān)測等任務(wù)。在不同監(jiān)測區(qū)域內(nèi)的節(jié)點，大部分是隨機進行部署的，還有部分是定點進行部署的。節(jié)點主要通過被監(jiān)測對象對周圍數(shù)據(jù)進行感知，通過多跳路由的方式將感知數(shù)據(jù)傳輸至基站；然后利用通信網(wǎng)絡(luò)傳輸至管理節(jié)點，最終實現(xiàn)數(shù)據(jù)的上傳。當用戶進行節(jié)點管理時，可以得到傳感器節(jié)點發(fā)送的感知數(shù)據(jù)[7]，確保傳感器內(nèi)的各個節(jié)點都能夠得到有效的監(jiān)測。

在網(wǎng)絡(luò)中，普通節(jié)點和匯聚節(jié)點具有不同的特性，監(jiān)測區(qū)域內(nèi)的節(jié)點均為普通節(jié)點，主要負責數(shù)據(jù)的感知以及傳輸?shù)裙ぷ?。由于?shù)據(jù)量較多，同時受限于節(jié)點體積以及成本控制，其能量和計算存儲能源受限。匯聚節(jié)點相對于普通的傳感器節(jié)點而言，具有更多的計算存儲資源和電量，主要負責處理以及融合對應(yīng)的感知數(shù)據(jù)，將網(wǎng)絡(luò)和管理節(jié)點兩者進行連接，實現(xiàn)不同用戶間的通信。另外，信息的指令發(fā)送以及控制等操作也是通過管理節(jié)點[8-9]和傳感器節(jié)點共同實現(xiàn)的，當傳感器節(jié)點接收到指令后開始進行自我調(diào)節(jié)。

無線傳感器的網(wǎng)絡(luò)結(jié)構(gòu)主要劃分為平面結(jié)構(gòu)、分層結(jié)構(gòu)兩個不同的部分，如圖2所示。

圖2 基于分層結(jié)構(gòu)的無線傳感器網(wǎng)絡(luò)圖

當對大量數(shù)據(jù)進行預(yù)處理時，由于大部分的入侵檢測數(shù)據(jù)均為高維數(shù)據(jù)，所以需要其進行降維處理，以下給出數(shù)據(jù)降維處理的主要意義。

(1)進行數(shù)據(jù)壓縮，能夠有效降低數(shù)據(jù)存儲空間。

(2)刪除數(shù)據(jù)中存在的噪聲，能夠有效提升入侵檢測結(jié)果的準確性。

(3)在特征提取的過程中能夠精準了解數(shù)據(jù)的分布情況。

(4)維度的降低不僅能夠縮減計算量[10]，同時還能夠減少計算耗時。

(5)刪除不必要的冗余特征，提升模型的綜合性能。

1.1.2 基于象群優(yōu)化算法的數(shù)據(jù)降維

以下主要采用象群優(yōu)化算法對高維的無線傳感網(wǎng)絡(luò)入侵數(shù)據(jù)進行降維處理，具體的操作步驟如下所示。

(1)更新氏族

各個群體的大象在族長的領(lǐng)導(dǎo)下一起生活，其中女族長是整個群體中適應(yīng)性最好的大象。各個大象需要通過自身的位置以及女族長的位置進行更新，而族長則通過氏族的中心位置進行更新。

將大象種群進行初始化處理，同時將大象劃分為n個氏族，各個氏族中含有j個大象個體。在每次進行迭代的過程中，各個大象會隨著氏族中ci族長的移動過程進行移動，具體如公式(1)所示。

xnew,ci,j=xci,j+α·(xbest,ci-xci,j)·r

(1)

式(1)中，xnew,ci,j代表氏族中ci族長經(jīng)過更新后的位置；xci,j代表上一代象群的位置；xbest,ci氏族ci中是適應(yīng)度取值最佳的位置；α代表影響因子[11-12]；r代表提升象群多樣性的隨機數(shù)。

其中氏族ci中女族長的位置xbest,ci可以被設(shè)定為：

xnew,ci,j=β×xcenter,ci

(2)

上式中，β代表算法中的參數(shù)，通過其控制氏族中心xcenter,ci產(chǎn)生的影響，其中氏族中心可以被設(shè)定為：

(3)

(2)氏族分離

當雄性大象長大以后會離開自己的群體，以達到增強全局搜索能力和密度的目的。其中種群中性能最差的大象會被剔除，采用搜索空間進行搜索的主要目的是增強整個算法整體的搜索性能。

在各個氏族ci中，含有最差適應(yīng)度的大象會被移動到新的位置中，對應(yīng)的位置能夠被設(shè)定為：

xworst,ci=xmin+(xmax-xmin+1)×rand

(4)

上式中，xmax代表搜索空間對應(yīng)的上限值；xmin代表搜索空間對應(yīng)的下限值。

其中使用象群優(yōu)化算法對無線傳感網(wǎng)絡(luò)入侵數(shù)據(jù)進行降維的基本操作步驟如下所示。

Step1：設(shè)定算法的最大迭代次數(shù)，同時將各個種群進行初始化處理。

Step2：采用適應(yīng)度函數(shù)分別計算不同大象個體的適應(yīng)度取值，獲取現(xiàn)階段最優(yōu)個體。

Step3：對種群中大象的個體位置進行更新[13]，同時更新目前最優(yōu)個體的位置。

Step4：經(jīng)過更新后，分別計算不同大象個體的適應(yīng)度取值，獲取經(jīng)過更新后最優(yōu)以及最差的大象個體位置。

Step5：對最差位置進行更新，保留最優(yōu)的解。

Step6：判定是否能夠達到最大迭代次數(shù)，假設(shè)是，則輸出當前最優(yōu)個體的位置以及對應(yīng)的適應(yīng)度取值；反之，則返回步驟(2)，繼續(xù)重復(fù)上述操作。

綜上，最終能夠有效實現(xiàn)無線傳感網(wǎng)絡(luò)入侵數(shù)據(jù)降維。

1.2 基于改進EHO算法的無線傳感網(wǎng)絡(luò)入侵檢測

由于基本的象群優(yōu)化算法主要被應(yīng)用于數(shù)據(jù)集優(yōu)化問題，雖然其具有較強的搜索能力，但是卻容易陷入局部最優(yōu)的情況。如果將其應(yīng)用于無線傳感網(wǎng)絡(luò)入侵檢測中，會降低算法的分類性能。為了提升檢測結(jié)果的準確性，將改進的EHO算法應(yīng)用到無線傳感網(wǎng)絡(luò)入侵檢測。

基本的象群優(yōu)化算法主要表示局部搜索，其中各個個體的位置更新主要受最好大象的位置影響。如果現(xiàn)階段最優(yōu)個體一直被局部值所吸引，則算法將會過早陷入局部最優(yōu)。以下在象群算法中引入Levy飛行策略，通過飛行模式模擬不同大象的位置更新行為[14]，全面使用Levy飛行短距離的局部搜索和偶爾長距離的跳躍式搜索，有效避免算法過早陷入局部最優(yōu)。

經(jīng)過改進后的象群算法對應(yīng)的位置更新式為：

xmew,ci,j=xci,j+Levy{λ}+α·(xbest,ci-xci,j)·r

(5)

在基本的象群優(yōu)化算法中，雄象離開氏族后會進行全局搜索，其中適應(yīng)度的取值則說明搜索范圍也就越大。由于粒子群算法(PSO)具有較強的全局搜索能力，所以可以將PSO算法引入到EHO算法中。以下給出具體的更新策略。

在每次進行迭代的過程中，設(shè)定整個種群中適應(yīng)度最差的雄性大象作為粒子，通過粒子群優(yōu)化策略進行優(yōu)化更新，同時將粒子的慣性進行擴展空間搜索，分別計算不同粒子的適應(yīng)度取值，假設(shè)得到理想的適應(yīng)度，則更新xworst,ci；反之，則不進行更新，以下給出具體的更新式，如式(6)、式(7)所示。

(6)

(7)

將粒子群優(yōu)化算法和Levy飛行行為兩者結(jié)合，對基本象群優(yōu)化算法進行改進，同時將其應(yīng)用到無線傳感網(wǎng)絡(luò)入侵檢測中，組建基于改進EHO算法的無線傳感網(wǎng)絡(luò)入侵檢測模型，完成檢測，具體的操作流程如圖3所示。

圖3 基于改進EHO算法的無線傳感網(wǎng)絡(luò)入侵檢測流程圖

Step1：將種群進行初始化處理，同時設(shè)定種群數(shù)量。

Step2：將大象的位置進行隨機初始化處理[15]，并且計算適應(yīng)度取值。

Step3：執(zhí)行氏族更新操作。

Step4：執(zhí)行氏族分離操作。

Step5：獲取局部最優(yōu)位置以及最優(yōu)值。

Step6：滿足終止條件后，更新全局最優(yōu)位置信息和最優(yōu)值；反之，則返回步驟(3)。

在上述基礎(chǔ)上，組建組建基于改進EHO算法的無線傳感網(wǎng)絡(luò)入侵檢測模型，通過模型實現(xiàn)最終的檢測。

2 仿真實驗

為了驗證所提基于改進EHO算法的無線傳感網(wǎng)絡(luò)入侵檢測方法的綜合有效性，在Inter(R)Core(TM)i7處理器,主頻6.8GHz，內(nèi)存128GB，操作系統(tǒng)為64位的Windows10下進行實驗測試。

在實驗中需要設(shè)定以下參數(shù)，其中種群大小為50，最大迭代次數(shù)為60次，以下實驗測試主要對比采用改進EHO算法優(yōu)化前后的漏檢率變化情況，具體如圖4所示。

(a)采用改進EHO算法優(yōu)化前的漏檢率變化情況

(b)采用改進EHO算法優(yōu)化后的漏檢率變化情況圖4 采用改進EHO算法優(yōu)化前后的漏檢率對比結(jié)果

分析圖4中的實驗數(shù)據(jù)可知，當采用改進的EHO算法優(yōu)化后，所提方法的漏檢率得到大幅度降低，最低僅為1%，而未采用改進EHO算法進行優(yōu)化的方法，漏檢率明顯較高。

為了更進一步驗證所提方法的有效性，以下實驗測試對比所提方法將改進EHO算法應(yīng)用在無線傳感網(wǎng)絡(luò)入侵檢測前后的誤檢率變化情況，具體實驗對比結(jié)果如表1所示。

表1 采用改進EHO算法優(yōu)化前后的誤檢率對比結(jié)果

分析表1中的實驗數(shù)據(jù)可知，隨著實驗次數(shù)的增加，采用改進EHO算法優(yōu)化前后的誤檢率有著十分明顯的變化，但是經(jīng)過優(yōu)化后，誤檢率有了明顯下降，證明所提方法的檢測精確度得到明顯提升。

結(jié)語

針對傳統(tǒng)的網(wǎng)絡(luò)入侵檢測方法存在誤檢率和漏檢率較高等情況，結(jié)合改進的EHO算法，提出一種基于改進EHO算法的無線傳感網(wǎng)絡(luò)入侵檢測方法。仿真實驗結(jié)果表明，所提方法能夠有效降低誤檢率和漏檢率，獲取較為滿意的檢測結(jié)果。