群智能算法優(yōu)化神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)安全的應(yīng)用

摘 要： 研究了一種群智能優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)流量檢測(cè)模型。使用QAPSO算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)中心、基函數(shù)的寬度以及輸出層與隱含層的連接權(quán)值進(jìn)行優(yōu)化。通過(guò)實(shí)例對(duì)該文研究的檢測(cè)模型進(jìn)行分析，使用采集的數(shù)據(jù)對(duì)網(wǎng)絡(luò)流量識(shí)別系統(tǒng)進(jìn)行訓(xùn)練和性能測(cè)試。將該文的研究方法和基于常規(guī)PSO算法、基于HPSO算法進(jìn)行對(duì)比，結(jié)果表明，該文研究的檢測(cè)方法具有更快的識(shí)別速度以及更好的識(shí)別準(zhǔn)確率，避免了出現(xiàn)陷入局部最優(yōu)解的情況發(fā)生。

關(guān)鍵詞： 網(wǎng)絡(luò)流量檢測(cè)； 群智能算法； RBF神經(jīng)網(wǎng)絡(luò)； 網(wǎng)絡(luò)安全

中圖分類號(hào)： TN926?34； TP393 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）20?0012?03

Abstract： The application of swarm intelligence optimizing neural network in network security and a network traffic detection model based on neural network algorithm are studied in this paper. QAPSO algorithm is used to optimize the basis function center and base function width of RBF neural network， and the connection weights of the output layer and the hidden layer as well. The detection model studied in this paper is analyzed by means of an example. The collected data is used to train the network traffic identification system and test its performance. The method researched in this paper is compared with the algorithms based on the conventional PSO and HPSO. The results show that the detection method has a faster recognition speed and better recognition accuracy， and can avoid the occurrence of local optimal solutions.

Keywords： network traffic detection； swarm intelligence algorithm； RBF neural network； network security

0 引 言

隨著互聯(lián)網(wǎng)技術(shù)不斷發(fā)展和普及，互聯(lián)網(wǎng)絡(luò)中的應(yīng)用和服務(wù)類型不斷增加，為了提高網(wǎng)絡(luò)安全，保護(hù)網(wǎng)民、公司企業(yè)以及政府部門(mén)等的財(cái)產(chǎn)與利益，需要對(duì)網(wǎng)絡(luò)流量進(jìn)行高效的監(jiān)測(cè)[1?2]。

RBF神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性擬合能力，即非線性映射能力，以及自學(xué)能力，同時(shí)便于計(jì)算機(jī)實(shí)現(xiàn)，因而在網(wǎng)絡(luò)流量檢測(cè)等網(wǎng)絡(luò)安全領(lǐng)域得到了廣泛應(yīng)用。但是RBF神經(jīng)網(wǎng)絡(luò)的性能特別依賴網(wǎng)絡(luò)參數(shù)選取的好壞，而傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)參數(shù)通常由人為按經(jīng)驗(yàn)或隨機(jī)選取，因此網(wǎng)絡(luò)的性能具有較強(qiáng)的隨機(jī)性[3?4]。

近年來(lái)，群智能優(yōu)化算法逐漸發(fā)展并得到較為廣泛的應(yīng)用，其中粒子群優(yōu)化算法是一種能夠全局優(yōu)化，具有建模速度快、收斂效率高的群智能優(yōu)化算法，然而使用常規(guī)PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)仍然存在收斂速度和全局優(yōu)化能力不能夠達(dá)到平衡等問(wèn)題[5?7]。因此本文研究一種基于量子自適應(yīng)粒子群優(yōu)化算法（QAPSO），對(duì)RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)中心[Ci]、基函數(shù)的寬度[σi]以及輸出層與隱含層的連接權(quán)值[wi]進(jìn)行優(yōu)化。

1 基于群智能優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法

本文研究的QAPSO優(yōu)化算法主要分為4部分，分別為初始化種群、估計(jì)進(jìn)化狀態(tài)、控制參數(shù)自適應(yīng)以及處理變異[8]。

1.1 初始化種群

2 實(shí)例分析

為驗(yàn)證本文建立基于QAPSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量檢測(cè)模型的性能，使用基于Libsvm軟件包的C#程序并結(jié)合數(shù)值計(jì)算軟件Matlab R2014對(duì)網(wǎng)絡(luò)流量進(jìn)行采集、計(jì)算以及分類。網(wǎng)絡(luò)流量檢測(cè)類型如表2所示。

表2 網(wǎng)絡(luò)流量檢測(cè)類型

使用常規(guī)PSO優(yōu)化算法及HPSO優(yōu)化算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，并建立同樣的網(wǎng)絡(luò)流量檢測(cè)模型，使用同樣的訓(xùn)練數(shù)據(jù)樣本進(jìn)行訓(xùn)練，使用同樣的測(cè)試數(shù)據(jù)樣本進(jìn)行性能測(cè)試。常規(guī)PSO優(yōu)化算法的參數(shù)為空間維度[D=24]，粒子數(shù)量[N=30]，最大迭代次數(shù)[tmax=200]，連接權(quán)值[w=0.9～0.4]，加速系數(shù)[c1]和[c2]均為2。HPSO優(yōu)化算法的參數(shù)為空間維度[D=24]，粒子數(shù)量[N=30]，最大迭代次數(shù)[tmax=200]，連接權(quán)值[w=0.8～0.2]，加速系數(shù)[c1]和[c2]均為2.5，[Vmaxd=0.5×Range]。QAPSO算法的參數(shù)為空間維度[D=24]，粒子數(shù)量[N=30]，最大迭代次數(shù)[tmax=200]，連接權(quán)值[w=0.8～0.2]，加速系數(shù)[c1]和[c2]為1.5～2.5，[Vmaxd=Range]，[r1d]和[r2d]為0～1之間的隨機(jī)數(shù)。

從圖1可以看出，常規(guī)PSO優(yōu)化算法使得適應(yīng)度函數(shù)收斂到穩(wěn)定值時(shí)的迭代次數(shù)為171次，HPSO優(yōu)化算法使用了112次，而本文研究的QAPSO優(yōu)化算法只使用了76次。同時(shí)，本文研究的QAPSO優(yōu)化算法的收斂值更低，適應(yīng)度函數(shù)的值即為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差，因此適應(yīng)度函數(shù)越小，RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差越小，性能越好。因此，本文研究的QAPSO優(yōu)化算法相比另外兩種PSO優(yōu)化算法具有更快的收斂速度和更高的收斂精度，極大地提高了RBF神經(jīng)網(wǎng)絡(luò)的泛化能力。使用本文研究的QAPSO?RBF檢測(cè)模型及常規(guī)PSO和HPSO優(yōu)化RBF算法的檢測(cè)模型對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行識(shí)別。表3為三種檢測(cè)模型的檢測(cè)準(zhǔn)確率與反饋率對(duì)比。圖2為三種模型的平均檢測(cè)率和反饋率對(duì)比。

通過(guò)表3的數(shù)據(jù)可以看出，本文研究的QAPSO?RBF檢測(cè)模型對(duì)12種類型網(wǎng)絡(luò)服務(wù)與應(yīng)用均有較好的識(shí)別準(zhǔn)確率和反饋率，平均識(shí)別準(zhǔn)確率達(dá)到了92.81%，比HPSO?RBF算法的平均識(shí)別準(zhǔn)確率高出3.49%，比PSO?RBF算法的平均識(shí)別準(zhǔn)確率高出6.99%。QAPSO?RBF識(shí)別算法的平均識(shí)別反饋率達(dá)到了94.81%，比HPSO?RBF算法的平均識(shí)別反饋率高出3.51%，比PSO?RBF算法的平均識(shí)別反饋率高出7.28%?？杀砻飨啾绕渌Ｗ尤簝?yōu)化算法，本文研究的QAPSO優(yōu)化算法在進(jìn)行多次迭代后仍然具有較好的活躍性，跳出局部最優(yōu)解，對(duì)最佳值的全局搜索能力具有非常顯著的提高，加快了算法收斂速率，提高了識(shí)別準(zhǔn)確率。

3 結(jié) 論

本文研究一種群智能優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)流量檢測(cè)模型。通過(guò)實(shí)際測(cè)試驗(yàn)證，相比其他粒子群優(yōu)化算法，本文研究的QAPSO優(yōu)化算法在進(jìn)行多次迭代后仍然具有較好的活躍性，跳出局部最優(yōu)解，對(duì)最佳值的全局搜索能力具有非常顯著的提高，加快了算法收斂速率，提高了識(shí)別準(zhǔn)確率。

參考文獻(xiàn)

[1] 盧金娜.基于優(yōu)化算法的徑向基神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)及應(yīng)用[D].太原：中北大學(xué)，2015.

[2] 鐘建坤，周永福.群智能算法優(yōu)化神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)安全的應(yīng)用研究[J].激光雜志，2015，36（4）：143?146.

[3] 李博.粒子群優(yōu)化算法及其在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用[D].大連：大連理工大學(xué)，2005.

[4] 蔣林利.改進(jìn)的PSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用研究[D].廈門(mén)：廈門(mén)大學(xué)，2014.

[5] 陳偉.基于群體智能算法的人工神經(jīng)網(wǎng)絡(luò)優(yōu)化及其應(yīng)用[D].無(wú)錫：江南大學(xué)，2007.

[6] 劉曉剛.群體智能算法在RBF神經(jīng)網(wǎng)絡(luò)中的應(yīng)用[D].青島：青島大學(xué)，2008.

[7] 馬汝輝.基于網(wǎng)絡(luò)流量異常檢測(cè)的網(wǎng)絡(luò)安全技術(shù)研究[D].無(wú)錫：江南大學(xué)，2008.

[8] 郭通，蘭巨龍，李玉峰，等.基于量子自適應(yīng)粒子群優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)[J].電子與信息學(xué)報(bào)，2013，35（9）：2220?2226.

[9] 郭通.基于自適應(yīng)流抽樣測(cè)量的網(wǎng)絡(luò)異常檢測(cè)技術(shù)研究[D].鄭州：解放軍信息工程大學(xué)，2013.