洪 彥

(漳州職業(yè)技術學院，福建 漳州 363000)

0 引 言

網絡通信異常流量、網絡通信干擾、網絡通信錯誤等帶來許多麻煩[1]。其中，網絡通信流量異常問題給人們造成的影響較大，尤其是降低了網絡用戶體驗評價。部分用戶反映網絡通信中流量使用過多，超出了正常使用標準，導致計費增加[2]。為了幫助用戶解決此類網絡通信問題，研發(fā)一套網絡通信流量異常檢測方法顯得尤為重要。由于網絡異常流量類型繁多，可能導致流量異常的因素較多，加大了檢測難度[3]。目前，神經網絡模型應用較多，但是該模型存在運行效率低、訓練耗時較長、陷入局部最優(yōu)解等問題[4-5]。為了彌補該模型的不足，本文嘗試對該模型進行優(yōu)化，使得檢測算法的性能得以改善。

1 神經網絡優(yōu)化模型

1.1 基于遺傳算法的神經網絡優(yōu)化模型的構建

模型在BP神經網絡模型的基礎上，選取遺傳算法作為優(yōu)化工具，構建新的網絡通信異常檢測模型，模型描述如式(1)：

(1)

關于神經網絡的實際輸出的計算，采用的計算公式如式(2)：

(2)

公式(2)中，g代表位于隱含層的神經元激勵函數；f代表輸出神經元激勵函數；φt代表輸出神經元閾值；λi代表過程神經元閾值；vij代表位于輸出層與隱含層節(jié)點之間的連接權值；wij代表神經網絡隱含層、輸入層節(jié)點之間的連接權值。

對連接權值采取修正處理，涉及到的計算公式如式(3)：

Δwij(n)=-φg(n)+αΔwij(n-1)

(3)

公式(3)中，g(n)代表誤差函數對權值對應的梯度；φ代表自適應學習率；n代表迭代次數；α代表動量因數。

1.2 網絡通信異常檢測流程

關于神經網絡優(yōu)化模型在網絡通信異常檢測模型開發(fā)中的應用，首先創(chuàng)建BP神經網絡，而后對該網絡的結構參數采取初始化處理，同時創(chuàng)建相應函數[6]。其次，優(yōu)化網絡模型參數。此操作環(huán)節(jié)使用到的方法為遺傳算法，生產初始種群，而后對這個種群采取優(yōu)化、交叉、變異等一系列處理，使得網絡模型的閾值、權值得以優(yōu)化[7]。最后，將優(yōu)化處理后的閾值、權值帶入神經網絡模型中，形成完整的檢測模型。

按照上述網絡通信異常檢測模型開發(fā)思路，設計如圖1所示的網絡通信異常檢測流程。

第一步：對網絡拓撲結構采取初始化處理；

第二步：對神經網絡權值、閾值長度兩個參數采取初始化處理；

第三步：通過GA初始化編碼，形成初始種群；

第四步：計算當前種群當中所有的個體適應值；

第五步：選擇適應度較高的個體作為保存對象，完成符合標準的個體保存；

第六步：運行算法，完成數據交叉處理；

第七步：運行算法，完成數據變異處理；

第八步：判斷當前是否完成了所有網絡流量檢測對象的識別與種群處理，如果已經達到終止標準，則執(zhí)行第九步，反之，返回第四步；

第九步：從眾多個體中挑選出最佳個體；

第十步：根據最佳個體信息，獲取最優(yōu)閾值、權值；

第十一步：計算誤差；

第十二步：更新閾值和權值；

第十三步：判斷當前所有閾值和權值均得以更新，如果未能滿足終止條件，則返回第十一步，反之，輸出神經網絡。

2 優(yōu)化模型算法改進

雖然上述神經網絡模型已經采取一系列措施得以優(yōu)化，但是生產適應度較強的個體在神經網絡模型檢測運行期間，容易對遺傳算法造成影響。所以，對該問題進行改進。選取混合編碼方式作為改進工具，以多個參數作為優(yōu)化修正處理對象，對算法進行改進。其中，涉及到的參數包括變異概率Pm，交叉概率Pc，變異算子、交叉算子等。

研究選取兩種算法作為研究支撐，分別是實數編碼、二進制編碼解碼，將這兩種方法結合到一起，充分發(fā)揮各自的優(yōu)點，形成新的基于遺傳算法的網絡通信異常檢測模型[8]。

2.1 適應值函數的選取

改進算法將遺傳算法的搜索目標作為優(yōu)化對象，以網絡權值作為計算指標，通過計算各個權值的網絡誤差平方和，從中挑選數值最小的網絡權值作為搜索目標。利用圖1中的檢測方法，獲取閾值和權值，經過計算，得到神經網絡誤差平方和。其中，運用到的函數為適應度函數，該函數的表示方法為適應誤差的倒數。關于個體適應值的計算如(4)：

f(Xi)=E(Xi)-1

(4)

式(4)中，E(Xi)為網絡目標函數，計算公式如(5)：

(5)

2.2 算法改進

算法采用排序法，對個體序列進行調整，使其降低對遺傳算法的影響。該方法的應用，是根據個體適應度的差異，采取不同的轉換處理，從而完成序列的排序。其中，被選取概率較大的個體適應度較大。完成排序后，按照以下算法計算個體選取概率如(6)，(7)：

Pi=q′(1-Pmax)n(i)-1

(6)

(7)

公式(6)，(7)中，n(i)代表種群編號為i的染色體適應值排序；Pmax代表眾多染色體中選取最優(yōu)的概率。

接下來，計算每一個個體累計選取概率，生成序列后，按照升序排列。其中，序號為i的個體將直接轉入下一代中。二進制編碼期間，采用單點交叉法，隨機抽取父代串交叉點，將該交叉點與對應的子串交換，從而形成新的交叉算子。

為了保證種群的多樣性，采用變異處理方法，使得種群的基本位得以變異。其中，實數部分的變異，采用的方法為非均勻變異方法。對于變異概率和交叉概率的確定，是根據種群陷入局部實際情況，對兩種概率參數做出合理調整。

3 實驗測試分析

3.1 實驗測試內容與方法

為了檢驗提出的算法可靠性，研究開展網絡異常流量數據檢測實驗?？紤]到異常流量種類較多，僅選取一種異常流量作為檢測對象，所得結果存在片面性，實驗選取6種類型異常流量作為檢測對象。如表1所示為異常網絡流量類型及相應特征信息。

表1 異常網絡流量類型及相應特征信息表

實驗選取未優(yōu)化前的BP神經網絡作為對照組，以提出的算法作為實驗組，控制網絡通信環(huán)境相同，采用不同的方法，分別開展網絡通信異常流量檢測實驗。

3.2 實驗測試結果分析

實驗共計6組，每組實驗檢測對象分別為Flash Crowd異常流量，Network Scan異常流量，Alpha Anomaly異常流量，Worms異常流量，Port Scan異常流量，DDos異常流量。按照實驗測試方案，分別統(tǒng)計兩種神經網絡模型應用下的網絡通信異常流量測試結果，如表2所示。

表2 誤報率與準確率測試統(tǒng)計結果

表1中測試結果顯示，與BP神經網絡模型相比，研究提出的網絡通信異常流量檢測方法測試準確率更高，6組實驗檢測結果準確度皆在92.4%以上，滿足網絡通信異常流量檢測精度要求。而BP神經網絡模型在Worms異常流量檢測中所得精準度最高，僅有88.6%。由此看來，研究提出的檢測算法能夠有效改善網絡通信異常流量檢測精確度，可以作為異常流量檢測工具。

4 結 語

圍繞網絡通信異常問題中的異常流量作為研究對象，引入BP神經網絡模型，構建異常流量檢測模型。該模型在傳統(tǒng)檢測模型基礎上進行了優(yōu)化，利用遺傳算法構建初始種群，經過優(yōu)化、交叉、變異等一系列處理，調整網絡模型的閾值、權值，達到模型優(yōu)化的目的。實驗測試結果顯示，該研究提出的算法支持多種類型異常流量檢測，檢測精度在92.4%以上，符合異常流量檢測需求。