改进天牛群算法优化正则化极限学习机的入侵检测方法技术

本发明专利技术实施例公开了改进天牛群算法优化正则化极限学习机的入侵检测方法，引入LU分解法通过迭代求解输出权值，降低计算的复杂度，提高入侵检测的准确率；引入改进天牛群算法用于RELM神经网络参数寻优以提高其检测精度和训练速度，改进天牛群算法使用Tent映射反向学习初始化种群、莱维飞行的群体策略以及动态变异策略，使得个体在移动的过程中动态学习群体的经验，提高算法的收敛速度、增强后期的探索能力，避免算法陷入局部最优。

【技术实现步骤摘要】
改进天牛群算法优化正则化极限学习机的入侵检测方法
本专利技术实施例涉及入侵检测方法
，具体涉及改进天牛群算法优化正则化极限学习机的入侵检测方法。
技术介绍
随着网络技术的快速发展，网络结构越趋复杂，由此发生网络入侵的风险也越来越大，如何辨识各种网络入侵成为人们高度关注的问题。入侵检测(IntrusionDetection,ID)技术是一种能够动态监控、预防和抵御入侵行为的一种新型安全机制，并逐渐发展为保障网络系统安全的关键技术。该技术的核心是通过分析采集的网络数据，检测网络中的各类行为是否安全。异常检测与误用检测是入侵检测系统采用的两种不同检测类型。误用检测通过对已知的入侵行为和企图进行特征提取编写进规则库，将监测到的网络行为与规则库进行模式匹配，进而判断入侵行为或者入侵企图，该方法误报率较低；异常检测则是从大量正常用户行为模型中检测出攻击行为，可以对未知攻击进行检测。截至目前，研究人员提出了包括基于数据挖掘、机器学习、神经网络以及统计学在内的多种入侵检测方法。极限学习机是南一种单隐层前馈神经网络SLFN(Single-hidde本文档来自技高网...

【技术保护点】
1.改进天牛群算法优化正则化极限学习机的入侵检测方法，其特征是：包括以下步骤：/nS1：初始化正则化极限学习机模型参数，获取输入层节点、隐藏层节点和输出层节点以及网络初始权值和阈值；/nS2：利用改进天牛群算法获取全局最优位置，所述最优位置即为最优初始权值和阈值；/n所述改进天牛算法具体包括以下步骤/nS101：使用Tent映射反向学习方法初始化天牛群体，获取输入层节点、隐藏层节点和输出层节点以及网络初始权值和阈值；/nS102：根据训练样本和适应度函数计算天牛群适应度函数值，对适应度函数值升序排序并寻找天牛群的最优解位置和最优适应度函数值；/nS103：更新天牛群位置，对天牛群进行越界处理和...

【技术特征摘要】
1.改进天牛群算法优化正则化极限学习机的入侵检测方法，其特征是：包括以下步骤：
S1：初始化正则化极限学习机模型参数，获取输入层节点、隐藏层节点和输出层节点以及网络初始权值和阈值；
S2：利用改进天牛群算法获取全局最优位置，所述最优位置即为最优初始权值和阈值；
所述改进天牛算法具体包括以下步骤
S101：使用Tent映射反向学习方法初始化天牛群体，获取输入层节点、隐藏层节点和输出层节点以及网络初始权值和阈值；
S102：根据训练样本和适应度函数计算天牛群适应度函数值，对适应度函数值升序排序并寻找天牛群的最优解位置和最优适应度函数值；
S103：更新天牛群位置，对天牛群进行越界处理和变异操作，判断当前迭代次数是否到达最大迭代次数，若判断结果为是，则继续执行下一步骤，否则返回上一步骤；
S104：输出天牛群算法全局最优位置。


2.根据权利要求1所述的改进天牛群算法优化正则化极限学习机的入侵检测方法，其特征是：所述使用Tent映射反向学习方法初始化天牛群体具体包括以下步骤：
S201：在搜索空间中使用Tent映射产生个N天牛种群的位置作为初始种群OB；
S202：根据反向解的定义，产生初始种群OB中的每个天牛群体的反向群体作为反向种群FB；
S203：合并种群OB和FB，使用升序将这2N个天牛群体的适应度值排序，选取其中适...

【专利技术属性】
技术研发人员：王振东，
申请(专利权)人：江西理工大学，
类型：发明
国别省市：江西;36