遺傳粒子群融合算法在入侵檢測中的應用研究

潘曉君

(安徽工商職業學院 信息工程學院，安徽 合肥 231100)

1 遺傳算法與粒子群算法概述

1.1 遺傳算法

遺傳算法(Genetic Algorithm，GA)是模擬生物進化的計算模型，是一種依據模擬自然生物進化過程搜索近似解的算法.它是參照優勝劣汰的原理，利用遺傳算子進行變異和組合交叉等相關操作來產生出最新解集的種群，逐步演化得出最優解[1].

1.2 粒子群算法

粒子群(Particle Swarm Optimization，PSO)算法是一種進化優化算法，它是依據隨機解，通過不斷的迭代操作來尋找最優解.相對于遺傳算法，它的操作更為簡單.雖然它也是按照適應度來評價目標解，但它沒有遺傳算法的一些相關操作，諸如交叉與變異，它是根據當前搜索到的最優解來搜尋全局最優解[2-4].該算法具有收斂速度快、精度高等優點，在實際應用中優越性不斷凸顯[5，6].

2 遺傳粒子群模型的搭建

2.1 入侵特征碼數學模型的搭建

入侵特征是否選中用0和1這兩個二進制碼元來表示，如果特征未被選中就用0表示，特征被選中則用1表示.具體的網絡入侵特征碼數學模型定義如式子(1)所示:

(1)

其中，p表入侵特征維數.如果希望進一步提高入侵檢測的精準率，就需要使相應的特征維數盡可能的少.

2.2 特征適應度函數的創建

為了使入侵特征維數盡可能少，最大程度提高入侵檢測的效率，這里的特征適應度函數定義為

圖1 遺傳粒子群融合算法流程圖

(2)

其中，wa代表入侵特征數量的權重值，Nf表示入侵特征的總數，R代表入侵檢測正確率，wf代表入侵狀態權重，fi代表入侵特征狀態選擇，于是有關系式

(3)

2.3 遺傳粒子群融合算法的工作流程

遺傳算法與粒子群算法雖然都有各自的優點，但同時也都存在一些缺陷，它們都是一種基于群體的演化計算技術.遺傳算法具有很強的全局搜索能力，但局部的搜索能力較差，很難得到全局最優解；而粒子群算法求解問題的速度是比較快,但很容易陷入局部最優.正是由于這兩種算法有著優勢互補的特性，本文將它們結合起來，以此來獲得全局最優解，算法流程如圖1所示.

3 實驗平臺的搭建與仿真

3.1 實驗環境的搭建

為了檢測遺傳粒子群融合算法的性能，本文的實驗平臺是基于Windows 7系統，利用Matlab編程，選擇 KDD數據集進行仿真.該KDD數據集除了包括4 種基本的入侵方式，分別為：未授權使用本地超級權限訪問攻擊(U2L); 掃描攻擊(Probe);遠程用戶未授權訪問攻擊(U2R);拒絕服務攻擊( DOS)，還包括未受攻擊的數據樣本集(Unassailed).具體的數據樣本分布情況如表1所示.

3.2 測試結構及分析

利用遺傳算法(GA)、粒子群算法(PSO)以及遺傳粒子群融合算法(GA-PSO)對網絡數據特征進行抉擇，得到的最優解如表2所示.從表中可以看出，入侵特征庫中存在大量冗余的數據，利/用遺傳粒子群融合算法對其中的特征進行最優抉擇，可以大大減少這些冗余特征;特征數據的維數也大幅度減少，進一步提高了入侵檢測的效率.

表1 數據樣本分布

表2 三種算法選擇的網絡特征維數

三種算法的入侵檢測結果如圖 2、圖3、圖4所示，經過對比分析可以得出以下結論:

(1) 相對于遺傳算法和粒子群算法來說，遺傳粒子群融合算法的檢測時間大幅度減少，主要是因為遺傳粒子群融合算法的特征子集的維數少于前兩種算法，也就使得它的訓練時間大幅度減少，提高了網絡入侵檢測的速度.

(2) 遺傳算法和粒子群算法就其本身來說，很難在全局范圍內找到最優解.然而遺傳粒子群融合算法能較好提高網絡入侵檢測的正確率，漏報率、誤報率則相應的大幅降低，該算法較好融合了遺傳算法和粒子群算法各自的優點.

圖2 檢測率比較

圖3 漏報率比較

圖4 誤報率比較

4 結語

當前，許多網絡入侵檢測系統都存在著大量冗余無效的特征，而且特征維數相當高，致使入侵檢測的效率非常低.針對這種情況，本文結合遺傳算法和粒子群算法的優點，并將這兩種算法相互融合，以此來提高入侵檢測的精準率.實驗結果表明，該融合模型不僅可以大大減少無效的冗余特征，而且可以在最大程度上提高網絡入侵檢測的效率.

[1] 孟 軍，史貫麗.融合粒子群優化和遺傳算法的基因調控網絡構建[J].計算機應用，2016，36(11)：2 969-2 973.

[2] 劉春燕，楊巍巍.云計算基于遺傳粒子群算法的多目標任務調度[J].計算機技術與發展，2017，27(2)：56-59.

[3] 林海波， 柯晶晶，張 毅.結合粒子群尋優與遺傳重采樣的RBPF算法[J].計算機工程,2016,42(11)：295-299.

[4] 王 波，張曉磊.基于粒子群遺傳算法的云計算任務調度研究[J].計算機工程與應用，2015，51(6)：84-88.

[5] 張 陶，于 炯， 楊興耀，等.基于改進粒子群算法的云計算任務調度算法[J].計算機工程與應用，2013，49(19)：68-72.

[6] 李 歡，虞慧群.云計算中基于進化算法的任務調度策略[J].華東理工大學學報：自然科學版，2015，41(4)：556-562.