摘要：通信網(wǎng)絡(luò)入侵干擾檢測(cè)對(duì)確保通信網(wǎng)絡(luò)安全至關(guān)重要，傳統(tǒng)網(wǎng)絡(luò)入侵干擾檢測(cè)存在檢測(cè)精度低的問(wèn)題。研究對(duì)通信網(wǎng)絡(luò)模型和網(wǎng)絡(luò)入侵特征進(jìn)行了分析，在此基礎(chǔ)上采用粒子群算法對(duì)支持向量機(jī)的懲罰系數(shù)和核函數(shù)參數(shù)進(jìn)行優(yōu)化，提出了基于粒子群優(yōu)化支持向量機(jī)參數(shù)的通信網(wǎng)絡(luò)入侵干擾檢測(cè)模型。將提出的模型應(yīng)用于diabetes、breast-cancer、heart以及所采集的P2P流量數(shù)據(jù)集中，并和其它模型進(jìn)行了對(duì)比。結(jié)果表明，所提出的通信網(wǎng)絡(luò)入侵干擾檢測(cè)模型對(duì)通信網(wǎng)絡(luò)入侵干擾檢測(cè)具有更高的檢測(cè)準(zhǔn)確率，這對(duì)確保網(wǎng)絡(luò)安全具有一定的參考價(jià)值。

關(guān)鍵詞：粒子群優(yōu)化算法；支持向量機(jī)；通信網(wǎng)絡(luò)；入侵干擾檢測(cè)

中圖分類號(hào)：TP311文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2024）10-0189-04

Intrusion interference detection technology of communicationnetwork based on particle swarm optimization algorithm

LI Nan，YE Jinchuan，LIU Feng

（Qingdao Haici Hospital Affiliated to Qingdao University（Qingdao Hospital of Traditional Chinese Medicine），Qingdao 266000，Shandong China）

Abstract：Communication network intrusion and interference detection is very important to ensure the security ofcommunication network. The traditional intrusion interference detection has the problem of low detection accuracy.In this study，the communication network model and network intrusion characteristics were analyzed，and on this ba?sis，the particle swarm optimization was used to optimize the penalty coefficient and kernel function parameters ofsupport vector machine，and a communication network intrusion interference detection model based on particleswarm optimization of support vector machine parameters was proposed. The proposed model was applied to diabe?tes，breast cancer，heart and P2P traffic data sets，and compared with other models. The results showed that the pro?posed intrusion interference detection model had higher detection accuracy for communication network intrusion in?terference detection，which has a certain reference value for ensuring network security.

Key words：particle swarm optimization；support vector machine；communication network；intrusion interference"detection

對(duì)通信網(wǎng)絡(luò)入侵干擾檢測(cè)是當(dāng)前學(xué)術(shù)界關(guān)注的焦點(diǎn)[1]?；陔[態(tài)入侵?jǐn)?shù)據(jù)量特征和模糊數(shù)學(xué)關(guān)聯(lián)性，提出了模糊數(shù)學(xué)的艦船通信網(wǎng)絡(luò)入侵算法，檢出率高達(dá)98.76%[2]。利用深度解析協(xié)議設(shè)計(jì)了艦船電子通信網(wǎng)絡(luò)入侵檢測(cè)算法，采用數(shù)據(jù)解析模塊和檢測(cè)模塊完成了檢測(cè)系統(tǒng)的硬件設(shè)計(jì)[3]。構(gòu)建了基于極限學(xué)習(xí)機(jī)的艦船網(wǎng)絡(luò)入侵檢測(cè)模型，與傳統(tǒng)的入侵檢測(cè)算法相比具有比較高的入侵檢測(cè)精度[4]。利用云計(jì)算環(huán)境下的Hadoop框架對(duì)信息熵和長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行分布式設(shè)計(jì)，提出了并行信息熵-長(zhǎng)短期記憶網(wǎng)絡(luò)的入侵檢測(cè)算法，對(duì)不同的攻擊類型均具有良好的入侵檢測(cè)效果[5]。通信網(wǎng)絡(luò)入侵干擾檢測(cè)主要依賴于特征工程和機(jī)器學(xué)習(xí)算法，通過(guò)對(duì)網(wǎng)絡(luò)流量數(shù)據(jù)的識(shí)別來(lái)檢測(cè)入侵行為，而在處理大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)時(shí)面臨挑戰(zhàn)。在前人研究基礎(chǔ)上，構(gòu)建基于粒子群算法的通信網(wǎng)絡(luò)入侵干擾檢測(cè)系統(tǒng)，提高檢測(cè)的準(zhǔn)確率與效率。

1通信網(wǎng)絡(luò)模型與網(wǎng)絡(luò)入侵特征

1. 1通信網(wǎng)絡(luò)模型

按照開(kāi)放式系統(tǒng)互聯(lián)（OSI）模型，通信網(wǎng)絡(luò)可以分為7層，具體如圖1所示[6]。

物理層主要關(guān)注物理媒介和傳輸比特流的方式。數(shù)據(jù)鏈路層負(fù)責(zé)將物理層提供的比特流組織成幀。網(wǎng)絡(luò)層提供數(shù)據(jù)包的傳輸和路由功能。傳輸層負(fù)責(zé)端到端的通信。會(huì)話層管理通信會(huì)話。表示層負(fù)責(zé)數(shù)據(jù)的格式轉(zhuǎn)換、數(shù)據(jù)加密和壓縮。應(yīng)用層提供網(wǎng)絡(luò)服務(wù)和應(yīng)用程序之間的接口，其是網(wǎng)絡(luò)通信的最頂層，包括各種應(yīng)用和協(xié)議，如HTTP、SMTP和FTP。

1. 2網(wǎng)絡(luò)入侵特征

網(wǎng)絡(luò)入侵直接影響網(wǎng)絡(luò)的安全性、可用性、完整性，通過(guò)內(nèi)部的供給來(lái)竊取用戶隱私，通過(guò)外部的供給來(lái)刪除系統(tǒng)中的文件等行為均屬于網(wǎng)絡(luò)入侵[7]。常見(jiàn)的網(wǎng)絡(luò)入侵特征如表1所示。

2通信網(wǎng)絡(luò)入侵干擾檢測(cè)模型

2. 1粒子群算法

粒子群算法是模擬粒子在搜索空間的移動(dòng)，通過(guò)速度與位置的不斷調(diào)整來(lái)尋找最優(yōu)解。設(shè)x= （x1x2xn）為一個(gè)粒子，其表示搜索空間的一個(gè)潛在解決方案。粒子群是由多個(gè)粒子所組成的集合，由m個(gè)粒子構(gòu)成的粒子群為[8]：

采用適應(yīng)度函數(shù)f（x）來(lái)評(píng)估解決方案x的質(zhì)量，適應(yīng)度函數(shù)通常為優(yōu)化問(wèn)題的目標(biāo)函數(shù)。在粒子群算法中，每一個(gè)粒子會(huì)結(jié)合當(dāng)前的位置和速度以及全局和局部的最優(yōu)解對(duì)自身的位置和速度進(jìn)行更新，更新規(guī)則為[9]：

式中：t為當(dāng)前迭代次數(shù)；ω為慣性權(quán)重；c和c12為學(xué)習(xí)因子；rand1和rand2為隨機(jī)數(shù)；pbesti為個(gè)體最佳位置；gbest為全局最佳位置。

粒子群算法流程如圖2所示[10]。

2. 2支持向量機(jī)

支持向量機(jī)（SVM）作為常用的監(jiān)督學(xué)習(xí)算法在回歸、分類等問(wèn)題中具有廣泛的應(yīng)用，尤其是對(duì)高維數(shù)據(jù)的處理具有良好的性能[11]。SVM的核心是構(gòu)造數(shù)據(jù)分割超平面，最優(yōu)數(shù)據(jù)分割超平面是滿足最大邊距的分割超平面，如圖3所示。

設(shè)（xiyi），i=12N，yi?{1-1}為樣本數(shù)據(jù)，最優(yōu)數(shù)據(jù)分割超平面方程為：

式中：w為超平面法向量；b為偏置。

SVM的目標(biāo)是求解超平面法向量w和偏置b，使得其滿足[12]：

考慮到部分的樣本點(diǎn)在超平面上，設(shè)定懲罰系數(shù)C和松弛變量ζ，那么可以將求解最優(yōu)數(shù)據(jù)分割超平面轉(zhuǎn)化為求解最小值問(wèn)題，即[13]：

設(shè)定懲罰系數(shù)C的目的在于盡量避免數(shù)據(jù)在支持平面上，一旦數(shù)據(jù)被錯(cuò)誤分類或者有比較多的數(shù)據(jù)在支持平面上，那么就會(huì)懲罰，從而達(dá)到確保邊距最大化的目的。在理想情況下，待分類數(shù)據(jù)可以實(shí)現(xiàn)完全準(zhǔn)確分類，但是實(shí)際并非如此，通過(guò)引入松弛變量ζ來(lái)滿足允許部分的樣本在超平面上[14]。采用拉格朗日乘子法求解該問(wèn)題，引入拉格朗日乘子α可以得到[15]：i

式中：e為全1向量；Q為n維半正定矩陣；其元素為：

式中：K（×）為核函數(shù)。

核函數(shù)不同，SVM也不同，所選擇的核函數(shù)數(shù)學(xué)表達(dá)式為[16]：

K（xix）=exp（-gxi-x2）（9）

懲罰系數(shù)C和核函數(shù)參數(shù)g對(duì)SVM的分類性能影響比較大，采用PSO對(duì)SVM的參數(shù)組合（Cg）優(yōu)化，得到PSO-SVM分類模型，提升傳統(tǒng)SVM的分類性能。

2. 3入侵干擾檢測(cè)

伴隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，網(wǎng)絡(luò)環(huán)境越來(lái)越復(fù)雜，通信網(wǎng)絡(luò)入侵的手段呈現(xiàn)出多樣化的態(tài)勢(shì)[17]。對(duì)通信網(wǎng)絡(luò)入侵干擾的檢測(cè)可以識(shí)別異常流量、檢測(cè)未經(jīng)授權(quán)的訪問(wèn)等，其中識(shí)別異常流量更為常見(jiàn)，效果更好。采用統(tǒng)計(jì)流量特征作為通信網(wǎng)絡(luò)入侵干擾的識(shí)別依據(jù)，能夠快速識(shí)別網(wǎng)絡(luò)入侵。采集通信網(wǎng)絡(luò)異常數(shù)據(jù)并標(biāo)記，將其作為樣本數(shù)據(jù)輸入到PSO-SVM中進(jìn)行訓(xùn)練得到分類器。對(duì)測(cè)試的樣本進(jìn)行在線識(shí)別，驗(yàn)證PSO-SVM對(duì)通信網(wǎng)絡(luò)入侵的識(shí)別精度。為實(shí)現(xiàn)對(duì)通信網(wǎng)絡(luò)入侵干擾的檢測(cè)，需要對(duì)獲取的實(shí)時(shí)流量信息進(jìn)行解析，轉(zhuǎn)化為通信網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)包特征信息庫(kù)，具體如圖4所示[18]。

由圖4可知，通信網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)通過(guò)網(wǎng)絡(luò)應(yīng)用層所提供的數(shù)據(jù)包獲得，在該過(guò)程中對(duì)網(wǎng)絡(luò)4層協(xié)議封包，最終網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)被傳輸?shù)絋CP，實(shí)現(xiàn)從傳輸層到網(wǎng)絡(luò)層的轉(zhuǎn)換[19]。在數(shù)據(jù)包進(jìn)行IP深度解析，那么通信網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)包就被轉(zhuǎn)換為數(shù)據(jù)幀，產(chǎn)生網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)包基本特征。在獲得網(wǎng)絡(luò)入侵?jǐn)?shù)據(jù)包基本特征以后，對(duì)入侵?jǐn)?shù)據(jù)進(jìn)行數(shù)值化處理，并對(duì)數(shù)值化處理后的數(shù)據(jù)進(jìn)行歸一化，最終得到用于PSO-SVM輸入的數(shù)據(jù)。

3實(shí)例分析

3. 1數(shù)據(jù)來(lái)源及試驗(yàn)平臺(tái)

數(shù)據(jù)來(lái)源于UCI機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)，其是由加州大學(xué)歐文分校（University of California，Irvine）維護(hù)的在線機(jī)器學(xué)習(xí)數(shù)據(jù)資源庫(kù)[20]。UCI機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)提供了各種用于機(jī)器學(xué)習(xí)研究和實(shí)驗(yàn)的數(shù)據(jù)集，數(shù)據(jù)集包含已標(biāo)記的樣本，可用于訓(xùn)練和評(píng)估機(jī)器學(xué)習(xí)模型。選擇diabetes、breast-cancer、heart這3個(gè)數(shù)據(jù)集，所選擇的實(shí)驗(yàn)數(shù)據(jù)為某高校信息中心所采集的P2P流量數(shù)據(jù)集，具體如表2所示。

所選擇的軟件為MATLAB R2023a，操作系統(tǒng)為WIN10，PC處理器為Inte（l R）Core（TM）i5-10300HCPU @ 2.50GHz 2.50 GHz。

3. 2結(jié)果分析

為對(duì)比SVM、GA-SVM、PSO-SVM，分別采用3種通信網(wǎng)絡(luò)入侵干擾檢測(cè)模型進(jìn)行檢測(cè)，結(jié)果如圖5所示。

由圖5可知，不同數(shù)據(jù)集3種模型的檢測(cè)精準(zhǔn)存在一定的差異，但是不論是哪個(gè)數(shù)據(jù)集，SVM的檢測(cè)精度最差，其次為GA-SVM，檢測(cè)精度最高的是PSO-SVM。為進(jìn)一步對(duì)比3種模型，圖6為在采集數(shù)據(jù)集上的迭代尋優(yōu)曲線。

由圖6可知，采用PSO-SVM的尋優(yōu)性能最佳，能夠有效提高SVM對(duì)通信網(wǎng)絡(luò)異常流量的識(shí)別準(zhǔn)確率。盡管GA對(duì)SVM參數(shù)進(jìn)行優(yōu)化也在一定程度上提高了SVM對(duì)通信網(wǎng)絡(luò)異常流量的識(shí)別準(zhǔn)確率，但是相對(duì)于PSO-SVM具有一定的差距。

4結(jié)語(yǔ)

針對(duì)傳統(tǒng)網(wǎng)絡(luò)入侵干擾檢測(cè)存在檢測(cè)精度低的問(wèn)題。對(duì)通信網(wǎng)絡(luò)模型和網(wǎng)絡(luò)入侵特征進(jìn)行了分析，構(gòu)建了基于PSO-SVM的通信網(wǎng)絡(luò)入侵干擾檢測(cè)模型。采用PSO對(duì)SVM的懲罰系數(shù)和核函數(shù)參數(shù)進(jìn)行優(yōu)化，提高SVM對(duì)入侵干擾檢測(cè)的準(zhǔn)確率。將提出的PSO-SVM模型和SVM模型、GA-SVM模型進(jìn)行對(duì)比，結(jié)果表明對(duì)不同的數(shù)據(jù)集模型的檢測(cè)精度存在一定的差異，同時(shí)PSO-SVM的檢測(cè)性能明顯優(yōu)于SVM模型和GA-SVM模型。這對(duì)有效檢測(cè)通信網(wǎng)絡(luò)入侵干擾，確保通信網(wǎng)絡(luò)安全具有一定的參考價(jià)值。

【參考文獻(xiàn)】

[1]武麗，海潔.光纖通信網(wǎng)絡(luò)入侵干擾信號(hào)定位檢測(cè)仿真[J].計(jì)算機(jī)仿真，2020，37（3）：435-439.

[2]戴志斌.模糊數(shù)學(xué)的艦船通信網(wǎng)絡(luò)入侵檢測(cè)研究[J].艦船科學(xué)技術(shù)，2021，43（22）：109-111.

[3]陳艷杰，曹威，王曉惠.艦船電子通信網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)[J].艦船科學(xué)技術(shù)，2021，43（20）：145-147.

[4]高靜.基于極限學(xué)習(xí)機(jī)的艦船網(wǎng)絡(luò)入侵檢測(cè)算法[J].艦船科學(xué)技術(shù)，2021，43（10）：139-141.

[5]李青.云計(jì)算環(huán)境下船舶無(wú)線通信網(wǎng)絡(luò)入侵檢測(cè)方法[J].艦船科學(xué)技術(shù)，2022，44（21）：140-143.

[6]趙琳.基于數(shù)據(jù)挖掘的船舶通信網(wǎng)絡(luò)信號(hào)傳輸數(shù)學(xué)模型[J].艦船科學(xué)技術(shù)，2023，45（19）：169-172.

[7]趙荷，蓋玲.深度置信網(wǎng)絡(luò)結(jié)合遞歸特征添加的網(wǎng)絡(luò)入侵檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用與軟件，2020，37（11）：304-310.

[8]王以琳，謝華北，閆楊舒，等.基于改進(jìn)粒子群算法的配電網(wǎng)故障恢復(fù)研究[J].陜西科技大學(xué)學(xué)報(bào)，2023，41（5）：174-181.

[9]龔建興，王子沐，楊奇龍.基于粒子群算法的訓(xùn)練仿真想定優(yōu)化生成方法[J].系統(tǒng)仿真學(xué)報(bào)，2023，35（9）：1860-1870.

[10]李銳君，董素鴿.基于粒子群算法的無(wú)人機(jī)滅火路徑規(guī)劃仿真[J].計(jì)算機(jī)仿真，2023，40（9）：43-48.

[11]王宏剛，王一蓉，于宙，等.基于SCSO-SVM的行業(yè)供應(yīng)鏈風(fēng)險(xiǎn)檢測(cè)優(yōu)化方法[J].粘接，2023，50（2）：193-196.

[12]何楨，張靜靜，何曙光.基于支持向量機(jī)的無(wú)參時(shí)變過(guò)程控制方法研究[J].系統(tǒng)工程學(xué)報(bào)，2023，38（3）：419-432.

[13]韓成陽(yáng)，鄒冠貴，薛靜雯.夏店煤礦斷層的支持向量機(jī)預(yù)測(cè)研究[J].地質(zhì)論評(píng)，2023，69（S1）：119-120.

[14]何劍萍，黃曉蘭，蔣大銳.基于MPA-SVM的技術(shù)實(shí)踐與工作精準(zhǔn)指向研究[J].粘接，2023，50（3）：122-126.

[15]李佐強(qiáng)，翁順，朱宏平，等.基于領(lǐng)域自適應(yīng)支持向量機(jī)的跨域損傷識(shí)別[J].建筑鋼結(jié)構(gòu)進(jìn)展，2023，25（9）：91-100.

[16]曾曉晴.基于支持向量機(jī)的船舶交通流量預(yù)測(cè)方法[J].艦船科學(xué)技術(shù)，2023，45（5）：160-163.

[17]陳志華，黃志宏.基于知識(shí)圖譜的激光通信網(wǎng)絡(luò)入侵攻擊源定位方法[J].應(yīng)用激光，2022，42（7）：118-124.

[18]馬海洲，丁愛(ài)萍.大數(shù)據(jù)時(shí)代無(wú)人船通信網(wǎng)絡(luò)入侵信號(hào)攻擊源識(shí)別模型[J].艦船科學(xué)技術(shù)，2021，43（24）：142-144.

[19]楊衛(wèi).云計(jì)算平臺(tái)船舶通信網(wǎng)絡(luò)惡意入侵?jǐn)?shù)據(jù)挖掘方法[J].艦船科學(xué)技術(shù)，2020，42（20）：100-102.

[20]廉杰，姚鑫，李占山.用于特征選擇的烏鴉搜索算法的研究與改進(jìn)[J].軟件學(xué)報(bào)，2022，33（11）：3903-3916.