改進的人工蜂群優(yōu)化支持向量機算法在入侵檢測中的應(yīng)用

劉 銘 黃凡玲 傅彥銘 楊曉玲

1(安陽工學院計算機科學與信息工程學院 河南 安陽 455000)2(清華大學軟件學院 北京 100084)3(廣西大學計算機與電子信息學院 廣西 南寧 530004)

改進的人工蜂群優(yōu)化支持向量機算法在入侵檢測中的應(yīng)用

劉 銘1黃凡玲2傅彥銘3楊曉玲3

1(安陽工學院計算機科學與信息工程學院 河南 安陽 455000)2(清華大學軟件學院 北京 100084)3(廣西大學計算機與電子信息學院 廣西 南寧 530004)

針對基于傳統(tǒng)的參數(shù)優(yōu)化算法在優(yōu)化過程中會不同程度地陷入局部最優(yōu)解的問題，在人工蜂群ABC(Artificial Bee Colony)算法的基礎(chǔ)上提出基于交叉突變?nèi)斯し淙篊MABC(Crossover Mutation ABC)算法的支持向量機SVM參數(shù)優(yōu)化方法，并將其應(yīng)用于入侵檢測。通過引入交叉突變算子對人工蜂群算法進行改進，根據(jù)適應(yīng)度值的優(yōu)劣將蜂群進行劃分，有效地避免了陷入局部最優(yōu)，提高了收斂速度。利用標準測試函數(shù)驗證了算法的有效性，并采用NSL-KDD入侵檢測數(shù)據(jù)集進行仿真實驗，驗證了該方法的有效性。實驗結(jié)果表明，該方法能有效提高入侵檢測的分類性能。

入侵檢測 支持向量機 人工蜂群算法 交叉突變算子

0 引 言

隨著網(wǎng)絡(luò)規(guī)模的日益擴大，計算機網(wǎng)絡(luò)為人們生活和工作帶來便利的同時，網(wǎng)絡(luò)入侵技術(shù)和攻擊手段也更加復(fù)雜，各類破壞性的網(wǎng)絡(luò)攻擊所造成的損失日益嚴重，網(wǎng)絡(luò)安全威脅也日益增長。傳統(tǒng)單一的安全防御方法和策略雖然在一定程度上對網(wǎng)絡(luò)安全起到了保護作用，但已經(jīng)無法防范復(fù)雜多變、日益猖獗的入侵行為。于是產(chǎn)生了網(wǎng)絡(luò)安全的第二道防線——入侵檢測系統(tǒng)IDS(Intrusion Detection System)。

入侵檢測技術(shù)通過在計算機網(wǎng)絡(luò)系統(tǒng)的關(guān)鍵節(jié)點上收集信息并進行分析，對系統(tǒng)中違反安全策略的行為及時作出響應(yīng)。網(wǎng)絡(luò)入侵檢測中的數(shù)據(jù)非常龐大復(fù)雜，具有高維、小樣本、線性不可分的特性[1]。支持向量機SVM作為一種在小樣本機器學習的基礎(chǔ)上發(fā)展起來的方法，通過風險最小化原理來解決小樣本、非線性、高維度等問題，并且能夠在先驗知識不足的情況下仍然保持較高的分類準確率，非常適合應(yīng)用于網(wǎng)絡(luò)入侵檢測系統(tǒng)。

SVM分類算法中懲罰因子和核參數(shù)的選取直接影響到支持向量機的分類精度及它的推廣性能。傳統(tǒng)的用于SVM參數(shù)優(yōu)化的算法有經(jīng)驗法[2]、遺傳算法[3]、梯度下降法等，這些傳統(tǒng)的參數(shù)優(yōu)化算法在優(yōu)化過程中會不同程度陷入局部最優(yōu)解，不能建立有效的SVM最優(yōu)分類模型。

人工蜂群ABC算法是Karaboga在2005年提出的一種新的群智能優(yōu)化算法[4]。它具有參數(shù)少、實現(xiàn)簡單等優(yōu)點。多項實驗結(jié)果表明，該算法通過模擬蜂群采蜜的過程，在解決參數(shù)優(yōu)化問題時表現(xiàn)出一定的優(yōu)勢，但存在對單峰問題收斂過慢，對于多峰問題易于陷入局部最優(yōu)解的問題。針對這些問題不少學者也提出了一些改進方法，劉俊芳等提出PSO和ABC的混合優(yōu)化算法[5]，Zhu等通過引入全局最優(yōu)解提出GABC算法[6]，以期提高收斂速度。這些優(yōu)化算法改進了算法的收斂速度，但仍舊會不同程度的陷入最優(yōu)解，特別是對多峰優(yōu)化問題。而研究表明，SVM的正確分類率與懲罰因子、核函數(shù)參數(shù)之間存在多峰函數(shù)關(guān)系[7]。為了獲得更好的參數(shù)來提高SVM的分類性能，本文采用交叉突變的思想對ABC算法做進一步的優(yōu)化，將交叉突變算子引入到不同的子種群之間，改進了ABC算法在優(yōu)化多峰問題時過早陷入局部最優(yōu)的缺點。將改進后的ABC算法和ABC算法、GABC算法和受鳥覓食的行為啟發(fā)的粒子群優(yōu)化算法PSO(Particle swarm optimization)[8]進行收斂性分析，并將幾種算法分別應(yīng)用于基于SVM的入侵檢測中進行實驗對比，采用NSL-KDD網(wǎng)絡(luò)入侵檢測數(shù)據(jù)集對改進的ABC算法的有效性進行檢驗。

1 支持向量機

1.1 SVM原理

SVM的基本原理是將輸入向量通過預(yù)先選取的非線性關(guān)系映射到一個高維的特征空間，并在此空間尋找一個最優(yōu)分類超平面，使兩類的分類間隔最大。假設(shè)有訓(xùn)練數(shù)據(jù)：

(x1,y1),(x2,y2),…,(xn,yn)x∈Rny∈(+1,-1)

超平面記為 (w·x+b)=0

(1)

為了構(gòu)造最優(yōu)分類超平面，求分離間隔最大可轉(zhuǎn)換為如下的優(yōu)化問題：

s.tyi[(w·xi+b)]-1+ξi≥0i=1,…,n

(2)

松弛變量ξi≥0，C為大于零的常數(shù)，它決定了對錯分樣本的懲罰力度[9]。引入Lagrnage乘子αi將其轉(zhuǎn)換為對偶問題：

(3)

求解上述二次規(guī)劃問題可得到最終的決策函數(shù)：

(4)

1.2SVM參數(shù)影響分析

結(jié)合RBF徑向基核函數(shù)具有收斂域較寬，有較好的非線性映射能力等優(yōu)點，本文將其作為支持向量機分類器的核函數(shù)，以懲罰因子C和核參數(shù)g為對象建立SVM模型參數(shù)優(yōu)化方法。這兩個參數(shù)的選取直接影響到支持向量機的分類精度及其推廣性能。懲罰因子C用來平衡特征子空間中SVM的置信范圍與經(jīng)驗風險之間的比例[10]，在確定的特征子空間中，C的值越小代表對經(jīng)驗誤差的懲罰力度越小，造成模型的訓(xùn)練誤差越大，經(jīng)驗風險值也越大，這時得到的模型預(yù)測結(jié)果分類錯誤率也就較高，出現(xiàn)“欠學習”的現(xiàn)象。同理，當C的值過大時就會出現(xiàn)“過學習”的現(xiàn)象。

核參數(shù)與核函數(shù)密切相關(guān)，當核函數(shù)確定時，相應(yīng)的映射函數(shù)和特征空間也就確定。核參數(shù)g的選取將直接影響到核函數(shù)的特性，致使樣本數(shù)據(jù)在高維特征空間中的分布復(fù)雜程度發(fā)生變化，即高維特征空間的維數(shù)，過大過小都不能保證結(jié)構(gòu)風險最小化。

因此，在每個特征子空間中，都有一個合適的懲罰因子C和相應(yīng)的核參數(shù)g使SVM的推廣性能最好。

2 基于改進的人工蜂群算法的支持向量機參數(shù)優(yōu)化模型

2.1 人工蜂群算法

ABC算法尋找最優(yōu)解的過程是通過模擬自然界的蜜蜂采蜜過程實現(xiàn)的，算法將蜜蜂分成三種類型：采蜜蜂、觀察蜂、偵查蜂，它們根據(jù)不同的分工完成不同的任務(wù)[11]。采蜜蜂和觀察蜂各占整個蜂群的一半，每個食物源只允許對應(yīng)一個采蜜蜂采蜜，當食物源的花蜜被采完時，則其對應(yīng)的采蜜蜂轉(zhuǎn)換為偵查蜂。偵查蜂通過觀察各個食物源的情況重新選擇新的食物源，重復(fù)此過程，直到找到最優(yōu)的食物源。

在該算法中，食物源的優(yōu)劣與其花蜜量和距蜂巢的距離大小等因素有關(guān)，食物源所在的位置就代表優(yōu)化問題的一個可能解，擁有的花蜜量對應(yīng)著每個解的適應(yīng)度。執(zhí)行ABC算法，首先要進行初始化，隨機產(chǎn)生SN個初始解，即采蜜蜂和食物源的數(shù)量，每一個解都是一個D維向量，D表示需要優(yōu)化的參數(shù)個數(shù)，采用下式均勻的產(chǎn)生初始食物源：

xij=xjmin+rand(0,1)(xjmax-xjmin)i=1,2,…,SNj=1,2,…,D

(5)

初始化之后，就要開始進行對食物源(解)的尋優(yōu)，人工蜂群算法尋優(yōu)的過程概括起來由以下三個階段組成：采蜜蜂階段、觀察蜂階段、偵查蜂階段[12]。

采蜜蜂階段：采蜜蜂對食物源進行開采，對其所在的食物源xij(原始解)附近產(chǎn)生一定的擾動，從而產(chǎn)生候選食物源位置(候選解)，產(chǎn)生過程由下式確定：

vij=xij+φij(xij-xkj)k∈{1,2,…,SN}j∈{1,2,…,D}k≠i

(6)

其中，xi表示搜索空間中第i個食物源，在其附近隨機選取一個食物源(候選解)xk，j表示分量，φij為[-1,1]范圍內(nèi)的隨機數(shù)。從式(6)可以看出，當xij與xkj的差值減小，即兩個食物源的距離減小，對當前食物源的擾動減小，蜜蜂的搜索步長就相應(yīng)的減小，直到收斂于最優(yōu)解。

觀察蜂階段：對由式(6)產(chǎn)生的各個食物源的候選解進行評估，評估每個新的食物源的花蜜量，即計算解的適應(yīng)度。從而根據(jù)適應(yīng)度計算出觀察蜂選擇每個食物源的概率Pi，公式如下：

糖尿病對患者的身體以及心理的影響是十分巨大的[1]。本次研究為了分析研究在老年糖尿病患者中，實施心理護理干預(yù)對患者的焦慮抑郁情緒的影響，特選取我院80例患者進行研究，報道如下。

(7)

其中，fitnessi為第i個食物源的適應(yīng)度，Pi越大，就代表此食物源花蜜量越多，能吸引更多的觀察蜂去采蜜。

偵查蜂階段，對食物源xi進行多次循環(huán)開采，當對該食物源的開采次數(shù)超過事先設(shè)定好的閾值limit，仍然得不到改進，則其對應(yīng)的解就要被拋棄，采蜜峰變?yōu)閭刹榉?，重新開始尋找食物源。

2.2 基于交叉突變的ABC算法CMABC

基本的ABC算法在尋優(yōu)的過程中每次只能選取一個食物源，并且在更新時只能在其中一個方向上進行，這明顯限制了算法的優(yōu)化性能。為了提高ABC算法的整體尋優(yōu)能力，本文借鑒差分進化算法的交叉突變及選擇算子增強算法尋優(yōu)能力和應(yīng)用范圍的思想[13-14]，將交叉突變算子引入到ABC算法中。

CMABC算法與ABC算法相似，首先進行初始化，設(shè)置參數(shù)，并對所有的食物源按照十進制編碼方式進行編碼。然后執(zhí)行采蜜峰階段、觀察蜂階段，之后根據(jù)以下步驟引入交叉突變算子對種群進行劃分，進一步尋找最優(yōu)解。

1) 根據(jù)預(yù)先設(shè)定的種群劃分參數(shù)M，對整個種群進行劃分，適應(yīng)度值高的劃分為杰出種群P，其余的相對較低適應(yīng)度值的個體組成子種群Q。

(8)

(9)

最后的偵查蜂階段，舍棄沒有開采價值的食物源，繼續(xù)尋找新的食物源。

ABC算法中引入交叉算子，通過父代種群P個體與適應(yīng)度較差的種群Q中個體進行交叉，可以解決在優(yōu)化多峰問題時出現(xiàn)的算法過早停滯的問題。在種群Q中引入適應(yīng)度較優(yōu)的種群P中的個體進行交叉，可以擴大種群的多樣性，改進了ABC算法對單峰優(yōu)化函數(shù)收斂過慢的問題。

2.3 基于CMABC算法的SVM入侵檢測參數(shù)選擇

SVM算法的參數(shù)選擇需要在較大范圍內(nèi)進行，優(yōu)化過程中很容易陷入局部最優(yōu)，CMABC算法引入交叉突變算子，將父代種群與適應(yīng)度較差的種群進行交叉，能有效地解決這個問題。本文采用CMABC算法對SVM的兩個重要參數(shù)，懲罰因子C和核參數(shù)g進行優(yōu)化。

步驟一 首先對相關(guān)參數(shù)進行設(shè)置，食物源即采蜜蜂的數(shù)量SN，食物源最大循環(huán)次數(shù)limit，終止循環(huán)次數(shù)Nmc。設(shè)定C和g的搜索范圍，提高搜索效率。

步驟二 采用實數(shù)對參數(shù)SVM的參數(shù)C和g進行編碼，每個解的編碼由一個實數(shù)向量組成，它與C和g是一種可能的優(yōu)化個體。在編碼空間中，隨機生成一個具有SN個個體的初始群體。

步驟三 根據(jù)SVM的特性設(shè)定適應(yīng)度函數(shù)，優(yōu)化SVM并應(yīng)用于入侵檢測中的最終目的是提高分類的準確率。適應(yīng)度函數(shù)為：

V=Vacc

(10)

其中，Vacc為SVM的分類準確率。

步驟四 執(zhí)行采蜜蜂、觀察蜂階段。

步驟五 根據(jù)適應(yīng)度值和預(yù)先設(shè)定的種群大小進行種群劃分，適應(yīng)度值較高的劃分為杰出種群P，其余的為種群Q。P和Q種群中的食物源根據(jù)式(8)、式(9)進行突變運算，若vi的適應(yīng)度值優(yōu)于xi，則用vi更新xi。

步驟六 偵查蜂階段，淘汰掉無價值的食物源并隨機生成新的食物源。

步驟七 根據(jù)選出來的最優(yōu)食物源的位置，即最優(yōu)解(C,g)，依據(jù)SVM算法對入侵檢測數(shù)據(jù)進行分類，得到較高的分類正確率，有效地提高入侵檢測的性能。

3 仿真實驗及分析

本文用四個標準測試函數(shù)[15]來評估算法CMABC算法的優(yōu)化性能，并與ABC算法、GABC算法和PSO算法進行對比。

PSO算法中，實體被抽象為粒子，粒子的位置為所求問題的解，根據(jù)粒子本身歷史最優(yōu)位置和整個種群的全優(yōu)位置，在一定的隨機擾動下決定每一步的移動方向。在眾多的歷史位置中記憶并搜索最優(yōu)解導(dǎo)致早熟收斂，易陷入局部最優(yōu)，存在進化后期收斂速度慢、精度差等問題。ABC算法是基于蜂群智能搜索行為的優(yōu)化算法，結(jié)合了全局搜索和局部搜索的方法，在函數(shù)優(yōu)化方面優(yōu)于PSO算法。但ABC算法在模擬蜜蜂采蜜的過程并沒有考慮在尋優(yōu)過程中各種解的特點，與其他進化算法相似，也存在一定的“早熟現(xiàn)象”。

GABC算法的思想是在當前最優(yōu)值的引導(dǎo)下進行尋優(yōu)，理論上可以加快單峰函數(shù)的收斂速度，但對多峰函數(shù)而言，最優(yōu)值有可能是局部最優(yōu)的，這就限制了尋優(yōu)過程。CMABC算法引入種群劃分，利用與杰出種群的劃分對單峰函數(shù)進行優(yōu)化，提高快速發(fā)現(xiàn)最優(yōu)解的能力，提高了收斂速度；對多峰函數(shù)，通過引入交叉算子使已經(jīng)陷入局部最優(yōu)的個體脫離局部束縛，提高種群優(yōu)化能力。

通過兩部分實驗來對幾種算法進行對比分析，第一部分證明了CMABC算法的有效性；第二部分將CMABC算法用于基于SVM的入侵檢測參數(shù)優(yōu)化中，并利用入侵檢測常用的評價指標對CMABC-SVM進行性能評估。

實驗平臺選用CPU2.1 GHz，2 GB內(nèi)存，Windows 7操作系統(tǒng)，采用Java語言結(jié)合Libsvm 3.18軟件包和Weka軟件進行測試分析。Libsvm是臺灣大學林智仁副教授等人開發(fā)設(shè)計的支持向量機軟件，Weka為一個公開的數(shù)據(jù)挖掘工作平臺。

3.1 CMABC算法性能分析

四個標準測試函數(shù)如下：

(1) Sphere單峰函數(shù)

(11)

(2) Rosenbrock單峰函數(shù)

(12)

(3)Rastrigin多峰函數(shù)

(13)

(4)Griewank多峰函數(shù)

(14)

實驗中種群參數(shù)M設(shè)為0.5，種群大小為80，limit=FoodNumber×D，最大迭代次數(shù)Nmc=2000，性能評價分為兩部分：(1)固定維度和迭代次數(shù)，評估算法的收斂精度；(2)評估算法達到收斂精度的迭代次數(shù)。

3.1.1 固定迭代次數(shù)的收斂精度

實驗獨立運行30次后取平均最優(yōu)值和標準偏差，理想結(jié)果值為0。候選解的維數(shù)D為20維和40維時的實驗結(jié)果如表 1和表 2所示。

表1 20維優(yōu)化測試結(jié)果

續(xù)表1

表2 40維優(yōu)化測試結(jié)果

可以看出改進的CMABC算法在優(yōu)化性能上優(yōu)于ABC算法、GABC算法和PSO算法。只有Rosenbrock函數(shù)在20維和40維的時候效果不是很好，經(jīng)過多次觀察該函數(shù)在維數(shù)較小的時候收斂效果較好，在D=2時，最終收斂到1e-5。當維數(shù)增加，搜索范圍隨之擴大，多峰函數(shù)會出現(xiàn)較多的局部極值點，算法對多峰函數(shù)的優(yōu)化效果更好。

3.1.2 固定迭代次數(shù)的收速度

設(shè)定種群大小和循環(huán)次數(shù)都不變，在D=20維時ABC算法、CMABC算法、GABC算法和PSO算法的收斂趨勢如圖1-圖3所示。

圖1 Sphere函數(shù)平均最優(yōu)值曲線

圖2 Griewank函數(shù)平均最優(yōu)值曲線

圖3 Rastrigin函數(shù)平均最優(yōu)值曲線

從圖1-圖3中可以看出，CMABC算法收斂速度上明顯優(yōu)于ABC算法、GABC算法和PSO算法。ABC算法與PSO算法相比也有較明顯的優(yōu)勢，實驗驗證了前面對幾種算法所做的理論分析對比CMABC算法優(yōu)化后，Sphere函數(shù)和Griewank函數(shù)最終趨于1e-16，對Rastrigin函數(shù)CMABC算法在迭代次數(shù)800次后收斂到0。GABC算法在迭代次數(shù)1000時收斂于0，而ABC算法和PSO算法分別在1600和1800次迭代后收斂于0。CMABC算法通過對父代種群和剩余種群之間的交叉，增強了種群的多樣性，有效地提高了算法的收斂速度。

3.2 CMABC算法在入侵檢測中的應(yīng)用

實驗采用入侵檢測的標準數(shù)據(jù)集NSL-KDD，數(shù)據(jù)集包含訓(xùn)練集和測試集，分為正常數(shù)據(jù)和入侵數(shù)據(jù)，首先對數(shù)據(jù)進行標準化預(yù)處理并按照各類型數(shù)據(jù)的比例從中選取一部分數(shù)據(jù)來進行實驗，實驗數(shù)據(jù)類型分布如表 3所示。

表3 實驗樣本集構(gòu)成

本文將數(shù)據(jù)集分成5組進行實驗：第一組，正常數(shù)據(jù)和所有異常數(shù)據(jù)；第二組，正常數(shù)據(jù)和Dos類；第三組，正常數(shù)據(jù)和Probe類；第四組，正常數(shù)據(jù)和R2L類；第五組正常數(shù)據(jù)和U2R類。

目前國內(nèi)外關(guān)于入侵檢測技術(shù)的評價標準，主要有這樣幾個指標：檢測率、誤報率、檢測精度等[16]，它們的定義分別如下：

檢測率TP(True Positive rate)=被發(fā)現(xiàn)的攻擊樣本數(shù)/攻擊樣本的總數(shù)

誤報率FP(False Positive rate)=被誤判的正確樣本數(shù)/正確樣本的總數(shù)

檢測精度(Precision)=被正確分類的數(shù)據(jù)樣本數(shù)/總的樣本數(shù)

分別將ABC、CMABC、GABC、PSO算法應(yīng)用于基于SVM的入侵檢測中，經(jīng)過多次對比實驗，最終將種群大小SN的值設(shè)為20，limit設(shè)為50，終止循環(huán)次數(shù)Nmc為100，這里需要優(yōu)化SVM的兩個參數(shù)，所以D為2，將參數(shù)的搜索范圍定為[0.01,1000]。并在相同條件下，采用相同的數(shù)據(jù)集將ABC算法、CMABC算法、GABC算法和PSO算法進行優(yōu)化對比，得到的實驗結(jié)果如表 4所示。

表4 各組數(shù)據(jù)集的檢測性能

從表4可以看出，通過ABC-SVM算法和CMABC-SVM算法優(yōu)化SVM參數(shù)，對五組數(shù)據(jù)進行對比，可以看出CMABC算法比其他的幾種算法相比都表現(xiàn)出來較好的性能，只有第五組數(shù)據(jù)由于樣本數(shù)據(jù)較少誤報率較高。CMABC-SVM算法在種群的個體之間引入交叉突變算子，平衡了種群的局部開采和全局搜索的能力，使可能已陷入局部最優(yōu)的個體脫離束縛，跳出局部最優(yōu)解，通過優(yōu)化SVM兩個重要的參數(shù)，提高了基于SVM的入侵檢測器的分類性能。

基于SVM入侵檢測的實驗也驗證了3.1節(jié)CMABC算法和其他幾種優(yōu)化算法的性能對比實驗結(jié)果。說明CMABC算法具有實際應(yīng)用價值，CMABC-SVM算法也進一步提高了入侵檢測模型的性能。

4 結(jié) 語

基于SVM參數(shù)對SVM入侵檢測性能的重要性，克服傳統(tǒng)優(yōu)化算法的缺點，本文改進ABC算法，并通過四個標準測試函數(shù)驗證了CMABC算法的優(yōu)化有效性。在此基礎(chǔ)上本文提出基于CMABC算法的SVM的入侵檢測，對SVM的參數(shù)懲罰因子C和核參數(shù)g進行優(yōu)化。采用NSL-KDD數(shù)據(jù)集進行仿真實驗，實驗表明，CMABC-SVM算法克服了局部最優(yōu)值的缺陷，使檢測器獲得更高的檢測率、檢測精度，較低的誤報率，使入侵檢測系統(tǒng)可以更好地防御網(wǎng)絡(luò)入侵。

[1] 苗碧舟．基于數(shù)據(jù)融合技術(shù)的網(wǎng)絡(luò)異常檢測模型的研究[D]．合肥：合肥工業(yè)大學, 2013．

[2] Mao Y, Zhou X, Pi D, et al．Parameters selection in gene selection using Gaussian kernel support vector machines by genetic algorithm[J]．Journal of Zhejiang University SCIENCE, 2005, 6B(10):961-973.

[3] 田翔．支持向量機參數(shù)選擇及訓(xùn)練算法研究[D]．廣州：華南理工大學, 2006．

[4] Karaboga D．An idea based on Honey Bee Swarm for numerical optimization[R]．Technical Report-TR06, Erciyes University, 2005.

[5] 劉俊芳，張雪英，寧愛平．PSO和ABC的混合優(yōu)化算法[J]．計算機工程與應(yīng)用, 2011, 47(35): 32-34,44．

[6] Zhu G, Kwong S．Gbest-guided artificial bee colony algorithm for numerical function optimization[J]．Applied Mathematics and Computation, 2010, 217(7): 3166-3173.

[7] Unler A, Murat A, Chinnam R B．mr2 PSO: a maximum relevance minimum redundancy feature selection method based on swarm intelligence for support vector machine classification[J]．Information Sciences, 2011, 181(20): 4625-4641.

[8] Engelbrecht A P．Particle swarm optimization[C]//Proceedings of the Companion Publication of the 2015 on Genetic and Evolutionary Computation Conference. ACM, 2015: 65-91.

[9] 馬蕾，汪西莉．基于支持向量機協(xié)同訓(xùn)練的半監(jiān)督回歸[J]．計算機工程與應(yīng)用, 2011, 47(3): 177-180．

[10] 劉鯖潔，陳桂明，劉小方，等．基于遺傳算法的SVM參數(shù)組合優(yōu)化[J]．計算機應(yīng)用與軟件,2012,29(4):94-96,100．

[11] 張新明，李曉安，何文濤，等．基于排名映射概率的混沌人工蜂群算法[J]．計算機科學, 2013, 40(12): 98-103．

[12] 邱劍鋒．人工蜂群算法的改進方法與收斂性理論的研究[D]．合肥：安徽大學, 2014．

[13] Qin A K, Suganthan P N. Self-adaptive differential evolution algorithm for numerical optimization[C]//Proceedings of the 2005 IEEE Congress on Evolutionary Computation, 2005:1785-1791.

[14] Tinoco J C V, Coello C A C．hypDE: A hyper-heuristic based on differential evolution for solving constrained optimization problems[M]．EVOLVE-A Bridge between Probability, Set Oriented Numerics, and Evolutionary Computation II．Berlin: Springer，2013: 267-282．

[15] 紀震，廖惠連，吳青華．粒子群算法及應(yīng)用[M]．北京：科學出版社, 2009：72-79．

[16] 賈偉峰．網(wǎng)絡(luò)入侵檢測中機器學習方法的應(yīng)用研究[D]．成都：電子科技大學, 2009．

APPLICATION OF IMPROVED SUPPORT VECTOR MACHINE ALGORITHM OPTIMIZED BY ARTIFICIAL BEE COLONY ALGORITHM IN INTRUSION DETECTION

Liu Ming1Huang Fanling2Fu Yanming3Yang Xiaoling3

1(CollegeofComputerScienceandInformationEngineering,AnyangInstituteofTechnology,Anyang455000,Henan,China)2(SchoolofSoftware,TsinghuaUniversity,Beijing100084,China)3(SchoolofComputer,ElectronicsandInformation,GuangxiUniversity,Nanning530004,Guangxi,China)

Aiming at the problem that the traditional parameters optimization algorithm may fall into locally optimal solution, a optimization method of parameter of Support Vector Machine(SVM) which applied Crossover Mutation Artificial Bee Colony(CMABC) is proposed to solve this problem and applied to intrusion detection, which is based on Artificial Bee Colony(ABC) algorithm. By introducing Crossover Mutation operator to improve ABC algorithm and dividing bee colony according to different fitness value, the locally optimal solution is effectively avoided and the convergence speed is improved. The standard test function is used to verify the effectiveness of the algorithm, what’s more, the performance of the proposed algorithm is simulated by adopting NSL-KDD datasets of intrusion detection. Finally, the experimental results show that the proposed method is an efficient way to improve the classification performance of intrusion detection.

Intrusion detection Support vector machine Artificial bee colony Crossover mutation

2015-07-01。國家自然科學基金項目(61262072)；廣西大學博士基金項目(DD060074)。劉銘，碩士生，主研領(lǐng)域：入侵檢測，信息安全。黃凡玲，碩士生。傅彥銘，副教授。楊曉玲，碩士生。

TP309

A

10.3969/j.issn.1000-386x.2017.01.042