基于ICPSO-SVM的網(wǎng)絡(luò)入侵檢測研究.pdf

1、網(wǎng)絡(luò)入侵檢測是網(wǎng)絡(luò)安全防護研究的一個熱點論題，而基于人工智能算法的入侵檢測技術(shù)是一個重要的研究方向?；诨煦缌Ｗ尤簝?yōu)化算法結(jié)合支持向量機的網(wǎng)絡(luò)入侵檢測技術(shù)具有較強非線性處理能力，能夠識別大量未知的、新的網(wǎng)絡(luò)入侵行為，從而提高網(wǎng)絡(luò)安全性。然而，現(xiàn)有的基于群體智能算法優(yōu)化支持向量機算法存在誤報率高、訓(xùn)練時間長以及對未知入侵?jǐn)?shù)據(jù)檢測能力差等方面的不足。
　　本文對混沌粒子群優(yōu)化理論與算法以及結(jié)合支持向量機在入侵檢測中的應(yīng)用展開了詳細的分

2、析和研究，主要研究成果與創(chuàng)新如下:
　　(1)提出了一種自適應(yīng)混沌粒子群算法。ICPSO算法思想是利用混沌算子遍歷性、隨機性和對初始條件的敏感性等特性，制定對慣性權(quán)重的混沌擾動調(diào)整策略，讓混沌特性真正融入到粒子的運動過程中，從而克服了現(xiàn)有算法收斂速度慢，易陷入局部極小的問題。最后通過選取四個經(jīng)典測試函數(shù)進行實驗對比分析，證明了ICPSO算法相比其他算法有著更快的收斂速度和更高的精度，另外還表明了該算法在解決高維、多極值點等復(fù)雜問題

3、優(yōu)化上是行之有效的。
　　(2)提出了一種基于自適應(yīng)混沌粒子群優(yōu)化支持向量機參數(shù)算法的入侵檢測模型。通過分析參數(shù)對SVM模型的重要性，提出一種基于ICPSO-SVM入侵檢測模型，該模型首先利用本文提出的ICPSO算法對支持向量機的核參數(shù)和懲罰系數(shù)進行迭代尋優(yōu)，找到最合適的參數(shù)值，然后將其代入到混合核SVM中，再通過訓(xùn)練樣本進行機器學(xué)習(xí)，最終建立最優(yōu)SVM入侵檢測模型。
　　(3)設(shè)計實驗，驗證本文提出的基于ICPSO-SVM