基于成本敏感遺傳算法的WSN入侵安全檢測研究

李國慶

摘 要： 為了降低WSN入侵檢測過程中的能量成本消耗，提高入侵檢測的準確率，提出一種基于成本敏感遺傳算法的WSN入侵檢測方法。闡述了WSN入侵檢測中的成本敏感思想，將每一個無線傳感器入侵檢測的準確率、入侵檢測消耗時間和相對應的成本總值作為基礎，并利用成本敏感遺傳算法構建WSN入侵檢測的優化模型，在此基礎上進行遺傳操作，用于解決WSN入侵檢測過程中對各傳感器檢測的持續時間、檢測準確率和檢測消耗的能量成本的優化配置問題，從而為WSN入侵檢測中的能量成本控制提供準確的依據。仿真實驗結果表明，利用改進算法進行WSN入侵檢測，能夠減少入侵檢測時的能量成本，同時提高檢測的準確率，效果令人滿意。

關鍵詞： 成本敏感； 遺傳算法； 傳感器； 準確率； WSN； 入侵

中圖分類號： TN915.08?34； TP301.6 文獻標識碼： A 文章編號： 1004?373X（2018）05?0033?04

Abstract： In order to reduce the cost of energy consumption and improve the accuracy of WSN intrusion detection， a WSN intrusion detection method based on cost sensitive genetic algorithm is proposed. The cost sensitive thought in WSN intrusion detection is elaborated. According to the accuracy rate and time consumption of WSN intrusion detection， and total cost corresponding to time consumption， the cost sensitive genetic algorithm is used to construct the optimization model of WSN intrusion detection. On this basis， the genetic operation is performed to realize the optimal allocation of detection duration time， detection accuracy and detection energy cost of each sensor in WSN intrusion detection process， so as to provide the accurate basis for energy cost control in WSN intrusion detection process. The simulation experimental results show that the improved algorithm can reduce the energy cost of intrusion detection and improve the detection accuracy for WSN intrusion detection， and has satisfied effect.

Keywords： cost sensitivity； genetic algorithm； sensor； accuracy rate； WSN； invasion

0 引 言

隨著無線傳感技術的迅猛發展，無線傳感網絡（WSN）已經成為人們生活中不可缺少的一部分[1]，與此同時，WSN入侵的手段也越來越多，嚴重威脅著WSN的安全[2]。如何快速檢測出各類WSN入侵[3]， 保障WSN與信息的安全，已經成為擺在人們面前的一道難題，同時也成為IT領域的一個研究熱點[4]。

當前階段，已經有很多國內外學者針對WSN入侵檢測的問題進行研究[5]，并取得了良好的效果。當前階段，主要的WSN入侵檢測的方法包括基于人工免疫算法的WSN入侵檢測方法[6]、基于神經網絡的WSN入侵檢測方法[7]、基于蟻群算法的WSN入侵檢測方法[8]、基于遺傳算法的WSN入侵檢測方法[9]等，其中最常用的是基于遺傳算法的WSN入侵檢測方法[8]。由于WSN入侵檢測方法在保障WSN運行安全和信息安全方面有著不可替代的作用，因此，研究該課題具有重要意義。

本文針對傳統算法存在能量成本消耗大等問題，提出依據成本敏感遺傳算法的WSN入侵檢測方法。將每一個無線傳感器入侵檢測的準確率、入侵檢測消耗的時間和相對應的成本總值作為基礎，并利用成本敏感遺傳算法構建WSN入侵檢測的優化模型。仿真實驗結果表明改進算法在WSN入侵檢測方面具有顯著的優勢。

1 成本敏感思想

在WSN入侵檢測中，需要在確定初始入侵檢測消耗能量成本的前提下，對入侵檢測能量消耗成本進行優化，重新確定最低入侵檢測的能量消耗成本。成本敏感控制方法的核心是動態控制，其價值在于提高WSN資源管理能力，延長WSN運行壽命。由于在WSN中，無線傳感器的能量是一定的，因此，對WSN入侵檢測的能量成本進行控制就成為當前WSN業界關心的熱門話題。

為了對WSN入侵檢測中能量消耗成本進行優化控制，利用遺傳算法解決WSN入侵檢測能量成本優化配置的問題，從而實現入侵檢測時能量消耗成本的最小化。利用遺傳算法能夠解決非線性問題的全局最優問題，具有可并行性、高效性等優點。

2 建立成本敏感遺傳算法的入侵檢測模型

自然界中所有的生物都遵循著物競天擇，適者生存的生存法則，遺傳算法就是按照這種生存法則進行模擬，通過對不同的生物群體進行選擇、雜交等實驗，最終得到最滿意解。設定選擇算子，最終實現目標函數的優化。endprint

在WSN入侵檢測的過程中，編碼是關鍵的一個環節。它主要影響個體染色體的排列方式，同時也決定著基因從搜索空間到解空間的編碼方式。因此，將每一個無線傳感器入侵檢測的準確率、入侵檢測消耗時間和相對應的成本總值作為基礎，并利用成本敏感遺傳算法構建WSN入侵檢測的優化模型，如下所述：

目標函數：

式中：為入侵檢測的能量成本；為入侵檢測能量成本控制的初始目標值；表示能量成本與初始目標值之差的絕對值；，對于每一個無線傳感器而言是一個常數；分別為考慮計劃檢測時間和檢測準確率后的能量成本在所有入侵檢測能量成本中占的比例；為第一次檢測失敗后重新檢測的能量成本；為檢測第個無線傳感器的準確率；為WSN系統的入侵檢測準確率；為目標檢測準確率。

3 入侵檢測的實現過程

3.1 遺傳算法的操作

遺傳算法的操作具體如下：

1） 編碼過程。遺傳算法的編碼過程是極其復雜的，編碼方法也是多種多樣。入侵檢測時，無線傳感器所消耗的能量以及檢測準確率所帶的浮點，都被看作是一個單位基團，不同的染色體對應著不同問題的解。

2） 遺傳算子。在遺傳算法中，遺傳算子有很多種類。變異算子模擬生物體中的基因突變引起的性狀改變。為了提高收斂速度，增加群體的多樣性，在遺傳操作的過程中需要適度保留一些具有顯著差異性的個體，具體公式如下：

式中：為當前進化的代數；為預設的最大進化代數。

3） 相關參數的設置與進化終止條件。設置染色體的總長度為WSN入侵檢測中無線傳感器的總數目，群體的規模為進化達到最大代數時的參數為當進化到最大代數時就停止進化，并且將當前的最優個體作為最優解輸出。

3.2 入侵檢測的流程

基于成本敏感遺傳算法的WSN入侵檢測方法不是簡單的優化控制，而是優化和控制一起進行，實現WSN入侵檢測成本的動態控制。具體的WSN入侵檢測優化控制過程如圖1所示。

4 實驗結果與分析

4.1 實驗環境設置

為了驗證改進算法在WSN入侵檢測方面的有效性及可行性，實行一次仿真實驗對比分析。實驗數據來源于KDD CPU數據集，每條數據的長度均包含41個字段，隨機抽取68條數據作為訓練集，隨機抽取12 432條數據作為測試集。

已知某WSN的結構如圖2所示。

相關參數的設置為：。

為了驗證改進算法的先進性，利用傳統的遺傳算法進行對比實驗。

4.2 不同算法實驗結果及分析

利用傳統算法進行WSN入侵檢測，獲得的實驗結果如圖3所示。

利用改進算法進行WSN入侵檢測，獲得的實驗結果如圖4所示。

圖3為傳統的遺傳算法在WSN入侵檢測過程中的誤差平方和曲線與適應度曲線，圖4為改進的遺傳算法在WSN入侵檢測過程中的誤差平方和曲線與適應度曲線。從實驗結果能夠得知，利用傳統算法進行WSN入侵檢測，需要經過進化大約500代，染色體的平均適應度值才逐漸趨于穩定，收斂時間約為13.98 s，入侵檢測的誤差為0.089。利用改進算法進行WSN入侵檢測，需要經過進化大約400代，染色體的平均適應度值逐漸趨于穩定，收斂時間約為11.41 s，入侵檢測的誤差為0.038。從上述實驗結果可以看出，改進算法的進化次數更少，因此，入侵檢測消耗的能量也更少，從而延長了WSN的使用壽命。入侵檢測的準確率定義如下：

不同算法的WSN入侵檢測的準確率如表1所示。

根據表1中的實驗數據能夠得知，利用傳統算法進行WSN入侵檢測，對于單一類型的入侵，最高的檢測準確率只有95.32%，最低的檢測準確率為92.76%，具有較大的檢測誤差，難以保證WSN的安全運行；利用改進算法進行WSN入侵檢測，準確率均高于98%，能夠保證WSN的安全，實現WSN入侵檢測成本的動態控制，并實現參數的優化。

5 結 語

針對傳統算法在WSN入侵檢測方面的缺陷，提出基于成本敏感遺傳算法的WSN入侵檢測方法。將每一個無線傳感器入侵檢測的準確率作為基礎，構建WSN入侵檢測的優化模型。仿真實驗結果表明，利用改進算法進行WSN入侵檢測，能夠減少入侵檢測時的能量成本，同時提高檢測的準確率，效果令人滿意。

參考文獻

[1] 于仁清，何波賢，關越巍，等.基于供應鏈管理的機載導航設備庫存控制研究[J].電子設計工程，2015，45（17）：141?143.

YU Renqing， HE Boxian， GUAN Yuewei， et al. Stock control research of airborne navigation equipment based on SCM [J]. Electronic design engineering， 2015， 45（17）： 141?143.

[2] 楊建，劉述木，黎遠松.一種基于改進遺傳算法的WSN負載均衡聚類算法[J].西南師范大學學報（自然科學版），2015，25（10）：41?48.

YANG Jian， LIU Shumu， LI Yuansong. A load balancing clustering algorithm based on improved genetic algorithm in WSN [J]. Journal of Southwest China Normal University （natural science edition）， 2015， 25（10）： 41?48.

[3] 易猛，陳慶奎，章剛.UGA：基于遺傳算法的WSN動態覆蓋優化算法[J].計算機工程與應用，2015，51（20）：77?80.endprint

YI Meng， CHEN Qingkui， ZHANG Gang. UGA： WSN dynamic coverage optimization algorithm based on improved genetic algorithm [J]. Computer engineering and applications， 2015， 51（20）： 77?80.

[4] 張羽.基于SOM?GA?SVM的網絡入侵檢測研究[J].網絡安全技術與應用，2014，32（4）：140?141.

ZHANG Yu. Research on network intrusion detection based on SOM?GA?SVM [J]. Network security technology & application， 2014， 32（4）： 140?141.

[5] 許必宵，張欣慧，徐晶晶.基于改進遺傳算法PFGA的WSN節點定位優化[J].南京郵電大學學報（自然科學版），2016，36（3）：92?99.

XU Bixiao， ZHANG Xinhui， XU Jingjing. Optimized localization in WSN based on improved genetic algorithm PFGA [J]. Journal of Nanjing University of Posts and Telecommunications （natural science）， 2016， 36（3）： 92?99.

[6] 何常勝，趙小河，陳安.基于遺傳算法和后代校正的WSN覆蓋和連通性優化方案[J].湘潭大學自然科學學報，2016，38（2）：89?93.

HE Changsheng， ZHAO Xiaohe， CHEN An. WSN coverage and connectivity optimization scheme based on genetic algorithm and offspring correction [J]. Journal of Xiangtan University （natural science）， 2016， 38（2）： 89?93.

[7] 張晶，薛冷，容會.基于GA優化BP神經網絡的WSN數據融合技術研究[J].山西大學學報（自然科學版），2015，38（2）：185?191.

ZHANG Jing， XUE Leng， RONG Hui. Data fusion based on the GA?BP neural networks in WSNs [J]. Journal of Shanxi University （natural science edition）， 2015， 38（2）： 185?191.

[8] 劉章，譚陽.改進遺傳算法的WSN節點最優路由選擇策略[J].計算機工程與應用，2015，51（13）：101?105.

LIU Zhang， TAN Yang. Routing selecting strategy based on improved genetic algorithm for wireless sensor networks [J]. Computer engineering and applications， 2015， 51（13）： 101?105.

[9] 夏俊，凌培亮，虞麗娟.基于量子遺傳算法的無線傳感網絡路由優化[J].同濟大學學報（自然科學版），2015，43（7）：1097?1103.

XIA Jun， LING Peiliang， YU Lijuan. Routing optimization on wireless sensor networks based on quantum genetic algorithm [J]. Journal of Tongji University （natural science）， 2015， 43（7）： 1097?1103.endprint