基于属性决策的遗传粒子群入侵检测方法技术

本发明专利技术涉及计算机安全领域，具体涉及一种基于属性决策的遗传粒子群入侵检测方法，具体包括信息提取、系统初始化、粒子交叉变异进化、粒子群更新、综合训练、入侵检测模型建立。所述粒子交叉变异进化，具体为，在种群初始化后，挑选部分较优个体，进行交叉变异操作，并进行适应度值计算，在没有达到最大进化代数时，重新进入挑选部分较优个体的步骤。粒子群更新具体为，先对粒子群进行初始化操作，然后对粒子群进行适应度计算，更新速度和位置，进行网络状态信息采集，在最大迭代次数未达标时，重新进行适应度值计算。该方法不仅可以大大减少无效的冗余特征，而且可以在最大程度上提高网络入侵检测的效率。

【技术实现步骤摘要】
基于属性决策的遗传粒子群入侵检测方法
本专利技术属于计算机网络安全领域，具体涉及一种基于属性决策的遗传粒子群入侵检测方法。
技术介绍
近年来网络的开放性和虚拟性给网络入侵带来了极大便利，针对日益严重的网络入侵活动，入侵检测系统(IDS)作为一种积极主动的安全防护技术得到了迅猛的发展。遗传算法(GeneticAlgorithm,GA)是模拟生物进化的计算模型，是一种依据模拟自然生物进化过程搜索近似解的算法。它是参照优胜劣汰的原理，利用遗传算子进行变异和组合交叉等相关操作来产生出最新解集的种群，逐步演化得出最优解。粒子群(ParticleSwarmOptimization,PSO)算法是一种进化优化算法，它是依据随机解，通过不断的迭代操作来寻找最优解。相对于遗传算法，它的操作更为简单。虽然它也是按照适应度来评价目标解，但它没有遗传算法的一些相关操作，诸如交叉与变异，它是根据当前搜索到的最优解来搜寻全局最优解。该算法具有收敛速度快、精度高等优点，在实际应用中优越性不断凸显。
技术实现思路
本专利技术的目的就在于为了解决上述问题而提出一种基于属性决策的遗传粒子群入侵检测方法。遗传算法与粒子群算法虽然都有各自的优点，但同时也都存在一些缺陷，它们都是一种基于群体的演化计算技术。遗传算法具有很强的全局搜索能力，但局部的搜索能力较差，很难得到全局最优解；而粒子群算法求解问题的速度是比较快，但很容易陷入局部最优。正是由于这两种算法有着优势互补的特性，本文将它们结合起来，以此来获得全局最优解。本专利技术通过以下技术方案来实现上述目的：一种基于属性决策的遗传粒子群入侵检测方法，包括信息提取、系统初始化、粒子交叉变异进化、粒子群更新、综合训练、入侵检测模型建立。所述信息提取，具体包括网络状态信息采集、网络属性信息提取。所述系统初始化，包括信息参数初始化、种群初始化。所述粒子交叉变异进化，具体为，在种群初始化后，挑选部分较优个体，进行交叉变异操作，并进行适应度值计算，在没有达到最大进化代数时，重新进入挑选部分较优个体的步骤。所述粒子群更新具体为，先对粒子群进行初始化操作，然后对粒子群进行适应度计算，更新速度和位置，进行网络状态信息采集，在最大迭代次数未达标时，重新进行适应度值计算。所述综合训练包括选出最优入侵属性子集与训练学习。所述适应度的函数定义为：其中ta代表入侵属性数量的权重值，Uf表示入侵属性的总数，L代表入侵检测正确率，tf代表入侵状态权重，fi代表入侵属性状态选择，并且有：本专利技术有益效果在于，使用IACO算法，采用属性决策的遗传粒子群入侵检测方法，比传统ACO算法具有更好的检测效果。具体地，拥有更高的检测正确率，和更低的漏报率。附图说明图1是本专利技术实施例总步骤图；图2是本专利技术实施例检测率比较；图3是本专利技术实施例漏报率比较；图4是本专利技术实施例误报率比较。具体实施方式下面结合附图对本申请作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本申请进行进一步的说明，不能理解为对本申请保护范围的限制，该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。实施例1一种基于属性决策的遗传粒子群入侵检测方法，包括信息提取、系统初始化、粒子交叉变异进化、粒子群更新、综合训练、入侵检测模型建立。本专利技术重点指出遗传粒子群融合算法的优势。对比GA(遗传算法)、PSO(粒子群算法)。所述信息提取，具体包括网络状态信息采集、网络属性信息提取。对网络数据进行截包，并对数据包的类型和内容进行分类提取。对系统初始化，包括信息参数初始化、种群初始化。进行粒子交叉变异进化，具体为，在种群初始化后，挑选部分较优个体，进行交叉变异操作，并进行适应度值计算，在没有达到最大进化代数时，重新进入挑选部分较优个体的步骤。进行粒子群更新，具体为，先对粒子群进行初始化操作，然后对粒子群进行适应度计算，更新速度和位置，进行网络状态信息采集，在最大迭代次数未达标时，重新进行适应度值计算。进行综合训练包括选出最优入侵属性子集与训练学习。所述适应度的函数定义为：其中ta代表入侵属性数量的权重值，Uf表示入侵属性的总数，L代表入侵检测正确率，tf代表入侵状态权重，fi代表入侵属性状态选择，并且有：在搭建模型时，入侵属性是否选中用0和1这两个二进制码元来表示，如果属性未被选中就用0表示，属性被选中则用1表示.具体的网络入侵属性码数学模型定义如式子所示：根据本实施例的算法，利用WIN7系统及MATLAB编程，选择KDD数据集成进行仿真，该KDD数据集除了包括4种基本的入侵方式，分别为：未授权使用本地超级权限访问攻击(U2L)；扫描攻击(Probe)；远程用户未授权访问攻击(U2R)；拒绝服务攻击(DOS)，还包括未受攻击的数据样本集(Unassailed)。具体的数据样本分布情况如表1所示。表1数据样本分布利用遗传算法(GA)、粒子群算法(PSO)以及遗传粒子群融合算法(GA-PSO)对网络数据属性进行抉择，得到的最优解如表2所示.从表中可以看出，入侵属性库中存在大量冗余的数据，利/用遗传粒子群融合算法对其中的属性进行最优抉择，可以大大减少这些冗余属性；属性数据的维数也大幅度减少，进一步提高了入侵检测的效率。表2三种算法选择的网络属性维数三种算法的入侵检测结果如图2、图3、图4所示，经过对比分析可以得出以下结论：相对于遗传算法和粒子群算法来说，遗传粒子群融合算法的检测时间大幅度减少，主要是因为遗传粒子群融合算法的属性子集的维数少于前两种算法，也就使得它的训练时间大幅度减少，提高了网络入侵检测的速度.遗传算法和粒子群算法就其本身来说，很难在全局范围内找到最优解.然而遗传粒子群融合算法能较好提高网络入侵检测的正确率，漏报率、误报率则相应的大幅降低，该算法较好融合了遗传算法和粒子群算法各自的优点。以上所述实施例仅表达了本专利技术的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本专利技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变形和改进，这些都属于本专利技术的保护范围。本文档来自技高网...

【技术保护点】
1.一种基于属性决策的遗传粒子群入侵检测方法，其特征在于，包括信息提取、系统初始化、粒子交叉变异进化、粒子群更新、综合训练、入侵检测模型建立。

【技术特征摘要】
1.一种基于属性决策的遗传粒子群入侵检测方法，其特征在于，包括信息提取、系统初始化、粒子交叉变异进化、粒子群更新、综合训练、入侵检测模型建立。2.根据权利要求1所述的一种基于属性决策的遗传粒子群入侵检测方法，其特征在于，所述信息提取，具体包括网络状态信息采集、网络属性信息提取。3.根据权利要求1所述的一种基于属性决策的遗传粒子群入侵检测方法，其特征在于，所述系统初始化，包括信息参数初始化、种群初始化。4.根据权利要求1所述的一种基于属性决策的遗传粒子群入侵检测方法，其特征在于，所述粒子交叉变异进化，具体为，在种群初始化后，挑选部分较优个体，进行交叉变异操作，并进行适应度值计算，在没有达到最大进化代数时，重新进入挑选部分...

【专利技术属性】
技术研发人员：潘晓君，
申请(专利权)人：潘晓君，
类型：发明
国别省市：安徽,34