基于粒子群優(yōu)化支持向量機(jī)的入侵檢測(cè)模型研究.pdf

1、計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的快速發(fā)展,開(kāi)啟了全球廣泛通信的時(shí)代。由于計(jì)算機(jī)網(wǎng)絡(luò)以開(kāi)放性為特征,用戶在共享資源的同時(shí),就無(wú)法避免隱私保護(hù)問(wèn)題。特別是電子商務(wù)和電子政務(wù)等應(yīng)用的推廣,就更加突出了網(wǎng)絡(luò)安全的重要性和緊迫性。入侵檢測(cè)技術(shù)是一種能夠主動(dòng)防御的動(dòng)態(tài)網(wǎng)絡(luò)安全技術(shù),彌補(bǔ)了以往網(wǎng)絡(luò)安全技術(shù)的不足。面對(duì)越來(lái)越復(fù)雜化、多樣化的入侵手段,傳統(tǒng)的入侵檢測(cè)系統(tǒng)普遍存在性能不足、效率低下的問(wèn)題,遠(yuǎn)遠(yuǎn)不能滿足當(dāng)前網(wǎng)絡(luò)安全的需求。為了提高入侵檢測(cè)系統(tǒng)的檢測(cè)效率、降低

2、誤報(bào)/漏報(bào)率、縮短入侵檢測(cè)時(shí)間,將機(jī)器學(xué)習(xí)算法引入入侵檢測(cè)領(lǐng)域,選擇恰當(dāng)?shù)乃惴?設(shè)計(jì)出高效率、高精度的入侵檢測(cè)模型,已經(jīng)在業(yè)界達(dá)成了共識(shí)。
　　 通過(guò)對(duì)當(dāng)前入侵檢測(cè)方法中存在問(wèn)題的分析,本文將支持向量機(jī)(SupportVectorMachineSVM)和粒子群優(yōu)化(ParticleSwarmoptimizationPSO)算法引入到入侵檢測(cè)技術(shù)中,研究了它們?cè)谌肭謾z測(cè)領(lǐng)域的應(yīng)用。SVM是統(tǒng)計(jì)學(xué)習(xí)理論中最為成熟的機(jī)器學(xué)習(xí)方法之一,

3、它基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,主要用于解決小樣本學(xué)習(xí)問(wèn)題,對(duì)數(shù)據(jù)維數(shù)不敏感,分類(lèi)精度高且泛化能力強(qiáng)。SVM核函數(shù)的構(gòu)造和SVM參數(shù)的選擇直接影響到SVM的分類(lèi)精度和泛化能力。傳統(tǒng)的SVM在構(gòu)造核函數(shù)時(shí),采用人為指定的方式(例如采用高斯核),缺少靈活性,使得SVM無(wú)法發(fā)揮最優(yōu)性能;同時(shí)SVM的參數(shù)在指定范圍內(nèi)可選擇的數(shù)量是無(wú)窮大,盲目搜索會(huì)大大增加時(shí)間代價(jià)而且也不能保證參數(shù)最優(yōu)。同時(shí),SVM還有另外一缺點(diǎn):當(dāng)樣本維度很大時(shí),SVM分類(lèi)器的時(shí)間

4、復(fù)雜度也會(huì)變得很大,事實(shí)上,從網(wǎng)絡(luò)中獲取的樣本集存在許多與入侵行為無(wú)關(guān)或者相關(guān)度極小的屬性,這些冗余屬性的存在,會(huì)大大降低分類(lèi)器的分類(lèi)效率。
　　 針對(duì)以上SVM入侵檢測(cè)方法中存在的問(wèn)題,本文提出了一種基于粒子群優(yōu)化支持向量機(jī)的入侵檢測(cè)模型。該模型利用灰色關(guān)聯(lián)分析理論來(lái)消除樣本集中的冗余屬性,提取樣本集的主要元素,降低樣本集的維度;在構(gòu)造SVM的核函數(shù)時(shí),利用基本核函數(shù)構(gòu)造出一個(gè)可調(diào)參的混合核函數(shù),并利用粒子群優(yōu)化算法對(duì)混合核函