基于粒子群优化支持向量机的异常入侵检测研究

随着计算机网络技术的高速发展,利用广泛开放的网络环境进行全球通信已成为时代发展的趋势。网络在提供开放和共享资源的同时,也不可避免的存在着安全风险。曾经作为最主要的安全防范手段的防火墙,已经不能满足人们对网络安全的需求,网络用户面临着日益严重的安全问题,网络入侵已经成为计算机安全和网络安全的最大威胁。入侵检测作为一种主动防御技术,弥补了传统安全技术的不足。 针对入侵检测在当今网络安全中发挥着越来越重要的角色,将粒子群优化算法和支持向量机引入到入侵检测系统中,提出了基于粒子群优化支持向量机的入侵检测设计方案。支持向量机是近两年研究较热的比较新颖的软测量技术之一,将支持向量机分类器应用到入侵检测中,可以保证在先验知识不足的情况下,支持向量机分类器仍有较好的分类正确率,从而使整个入侵检测系统具有较好的检测性能。支持向量机的参数选择决定了其学习性能和泛化能力,由于在参数的选择范围内可选择的数量是无穷的,在多个参数中盲目搜索最优参数是需要极大的时间代价,并且很难逼近最优。考虑到支持向量机模型性能的好坏很大程度上取决于其参数(C、σ)的取值情况,特别是参数之间的相互影响关系,本文研究采用粒子群算法实现对参数(C、σ)的同时寻优。粒子群优化算法来源于对鸟群觅食行为的研究,是一种生物进化算法,原理简单易于实现,对处理高维优化问题也有较强的优势。分析比对实验表明,采用粒子群算法可以同时寻到(C、σ)的最优值,以此最优参数建立的系统有效地减少报警数量,降低误报、漏报率,从而提高了报警的有效性。 本文研究了粒子群优化算法、支持向量机理论和入侵检测理论,在此基础上作了如下工作： (1)阐述了粒子群优化算法的基本原理,并根据惯性权重的不同而做了一个粒子群优化算法的对比实验。 (2)对支持向量机进行了分析和研究,发现支持向量机的推广能力的好坏,相当程度上取决于参数的选择及它们之间的相互关系。针对这个问题,提出了寻找最优的支持向量机参数对(C、σ)。 (3)使用粒子群优化算法实现对支持向量机的参数对(C、σ)的同时寻优。通过仿真表明,粒子群优化算法对于选取支持向量机参数是一种的有效方法,可以取得令人满意的效果。