模糊網絡入侵中多層序列特征自動提取方法研究

朱聞亞

摘 要： 模糊網絡中入侵特征較為多樣化，無法通過固定的閾值進行合理判斷。為了解決模糊網絡入侵檢測方法存在檢測率低、誤報率高和檢測速度慢等問題，提出一種基于量子神經網絡的層序列特征自動提取方法。在該算法中，通過對模糊網絡進行層次劃分，運用量子BP神經網絡模型以量子形式形態(tài)的空間思維結構來提取信息，通過量子空間結構中量子門的移位與旋轉變化對神經網絡量子形態(tài)相位進行操作，完成多層序列特征自動提取。仿真實驗表明，該算法具有較好高的檢測率和檢測效率，并且誤報率較低。

關鍵詞： 模糊網絡； 入侵檢測； 分層操作； 特征自動提取

中圖分類號： TN711?34； TP393.08 文獻標識碼： A 文章編號： 1004?373X（2017）10?0114?04

Abstract： The intrusion features in fuzzy network are diverse， so the intrusion features can not be reasonably judged with the fixed threshold. A kind of layer sequence characteristics′ automatic extraction method based on quantum neural network is put forward to solve the problems of low detection rate and high false rate and slow detection speed in the fuzzy network intrusion detection methods. In this algorithm， the quantum BP neural network model is used to extract information in the space thinking structure of quantum form by means of hierarchical division of fuzzy network， and the phase in quantum form of neural network is operated by means of quantum gate displacement and rotation changes in quantum space structure to complete automatic extraction of multilayered sequence features. The experimental simulation result show that the algorithm has better detection rate， detection efficiency and low false alarm rate.

Keywords： fuzzy network； intrusion detection； hierarchical operation； characteristic automatic extraction

0 引 言

入侵檢測為保證網絡安全的重要技術，通過學習能力、適應能力較高的智能學習算法完成檢測，不但可以提高檢測精度，還可以大大降低錯誤率。因此，在智能學習算法的基礎之上，研究入侵檢測方法是很有意義的[1]。在模糊網絡的入侵特征提取中，出現了很多較好的方法，支持向量機是一種依據核函數的學習算法，將非線性訓練集投影至高維空間中，使非線性訓練集達到線性可分的目的，將最大優(yōu)化間隔面看作分類面，識別樣本數據并對其進行分類整理[2]。文獻[3]提出一種基于[K]近鄰算法的入侵檢測方法，依據待測樣本與相鄰樣本之間的距離確定權重，從而實現樣本數據集的分類，達到入侵檢測的目的。該方法實現過程簡單，然而在計算相鄰樣本權重時，容易造成局部出現最優(yōu)的問題。文獻[4]在信息熵的基礎上，提出一種[K]鄰近算法，將其應用于入侵檢測中，利用樣本信息熵完成分類，從而實現入侵檢測。該方法檢測效率高，然而其信息熵的求解方法不可靠，導致入侵檢測結果不可靠。文獻[5]在提出一種基于支持多種向量機的檢測方法，通過分散方法實現對集合的訓練，構建分類器，通過分類器實現入侵檢測。該方法檢測精度高，但其中聚類處理對初始值的要求較高，且該方法計算量非常大。

依據上述分析，本文提出了一種基于量子神經網絡的層序列特征自動提取方法。在該算法中，通過對模糊網絡進行層次劃分，運用量子BP神經網絡模型以量子形式形態(tài)的空間思維結構來提取信息，通過量子空間結構中的量子門的移位與旋轉變化對神經網絡量子形態(tài)相位進行操作，完成多層序列特征自動提取。仿真實驗證明，該算法具有較高的檢測率和檢測效率，并且誤報率較低。

1 模糊網絡入侵中多層序列劃分步驟

Step1：如果由[α]代表模糊網絡入侵特征的約簡閾值，在有限樣本集存放在臨界值[N]的狀態(tài)下，滿足于[α≥N]的條件，假如在樣本中不含有簡約樣本，那么樣本的簡約程度不會受到[α]值的影響，可通過不斷簡約調整其[α]的取值。

Step2：假設由[xi]代表模糊網絡中訓練集[L]的樣本，則需要計算出[Ci]代表的相對應的最近領鏈[6?7]。

Step3：相對于[Ci]代表的最近領鏈的距離序列，需要滿足于：

Step4：假如對[xij]代表的模糊網絡訓練集[L]中標記的入侵特征進行初始化操作，會獲取[L′]代表的簡約特征。

Step5：當模糊網絡的入侵特征變換為多類分類問題時，對于[L]可形成多層次分類的局面，其任意的入侵數據都可以進行約簡。針對[c]分類問題，對入侵的特征進行[c-1]次約簡，從而得到[c-1]的層次集合，則會將相同類型的層次結果歸納為相同類別的最終分層內容。

Step6：假如由[xt]代表模糊網絡的入侵特征，[L′]代表初始化的集合，則在[L′]中查詢和其最近鄰的數量為[k]的入侵特征，且需要滿足[xt1，xt2，…，xtk]的條件；在求取相關值時，將歐氏距離用度量單位表示，由[dt1，dt2，…，dtk]代表樣本[xt]的最大距離序列。

2 模糊網絡入侵中多層序列特征提取

量子BP神經網絡模型是在傳統(tǒng)人工BP神經網絡基礎上融合量子計算的神經網絡模型，量子BP神經網絡模型實質為量子門神經網絡結構模型。量子BP神經網絡模型不同于傳統(tǒng)神經網絡的形式，主要在于量子BP神經網絡模型以量子形態(tài)的空間思維結構來傳遞信息，通過量子空間結構中量子門的移位與旋轉變化操作神經網絡量子形態(tài)相位，詳細描述量子BP神經網絡模型的計算運行原則為：量子門作為量子BP神經網絡模型進行量子計算的前提，通過通用量子門取代神經網絡的激勵函數對輸入向量進行運算操作。并在模糊網絡入侵中多層序列特征提取中進行應用。

由式（8）和式（9）可以看出，量子BP神經網絡模型入侵特征提取的作用是使輸入的量子BP神經網絡模型量子態(tài)發(fā)生相位的移動變化；而量子BP神經網絡模型兩位特征提取層中[γ]代表模型控制參數。當滿足[γ=1]時，模型量子態(tài)出現翻轉變化；當滿足[γ=0]時，雖然量子BP神經網絡模型量子態(tài)相位發(fā)生了變化，但是通過觀測量子態(tài)的概率幅并無變化。將這種情況視為量子態(tài)沒有發(fā)生變化，當[γ]為其他值時可以任意調整量子BP神經網絡模型量子態(tài)的變化。

圖1中：[X=x1，x2，…，xn]代表將模糊網絡入侵中多層序列特征提取的問題轉變?yōu)榱孔覤P神經網絡模型量子態(tài)相應的角度輸入；[λ]代表閾值；[δ]代表量子態(tài)角度控制因子；arg（u）代表u的相位也被稱為權值，[argu=arctanImuReu]；z表示量子BP神經網絡模型量子神經元的輸出；[gx]代表sigmoid函數。

假設由[Ii]代表量子BP神經網絡模型量子神經元的第i個輸入，則圖1所示的量子BP神經網絡模型量子神經元的特征提取輸出表示為：

式中：該量子BP神經網絡模型的輸出模糊網絡入侵中多層序列特征提取結果主要根據[θi，λ，δ]這三個控制參數進行調節(jié)。首先對量子BP神經網絡模型輸入量子態(tài)進行相位轉移，通過對量子態(tài)相位轉移的結果引入相位角度偏置進行修正處理，在此基礎上將相位角度修正結果通過量子BP神經網絡模型可控非門獲得該模型量子神經元的輸出，由此完成對模糊網絡入侵中多層序列特征提取的操作。

3 實驗仿真與分析

將樣本數據集[8]內的2個不相關子集當成測試數據集，在對樣本集進行預操作以及訓練過程中，任意劃分訓練樣本集，獲取1組訓練樣本、2組常量數據集，具體的數據集如表1所示。

實驗采用Matlab 7.1及l(fā)ibsvmmat 2.911工具實現算法，將徑向基函數[RBF]當成[SVM]的核函數，通過交叉驗證參數方法設置核參數和限制系數的值，聚類數是[k=n2]，[n]用于描述樣本總數。實驗對本文算法和[B-ISVM]算法的檢測率、誤報率和訓練時間進行比較，詳細結果如圖2～圖5所示。

4 結 語

本文提出了一種基于量子神經網絡的層序列特征自動提取方法。在該算法中，通過對模糊網絡進行層次劃分，運用量子BP神經網絡模型以量子形式形態(tài)的空間思維結構來提取信息，通過量子空間結構中的量子門的移位與旋轉變化對神經網絡量子形態(tài)相位進行操作，完成多層序列特征自動提取。實驗仿真證明，該算法具有較高的檢測率和檢測效率，并且誤報率低。

參考文獻

[1] 李駿驍.多層差異網絡深度入侵數據挖掘方法研究[J].計算機仿真，2015，32（4）：235?238.

[2] 陳利軍，郭紅艷.基于粒子濾波的網絡入侵相頻特征提取算法[J].科技通報，2016，32（3）：101?104.

[3] 康松林，劉樂，劉楚楚，等.多層極限學習機在入侵檢測中的應用[J].計算機應用，2015，35（9）：2513?2518.

[4] 隆忠華，王祥.基于模糊時間序列的車輛檢測器數據修補方法研究[J].物聯網技術，2016，6（6）：21?24.

[5] 胡向東，熊文韜.面向智能家居的入侵檢測方法研究[J].廣東通信技術，2016，36（5）：10?16.

[6] 趙龍才，李強子，黃慧萍.基于高分辨率影像的平原地區(qū)農村居民點自動化提取方法研究[J].遙感技術與應用，2016，36（4）：784?792.

[7] 張凱.大數據網絡入侵過程的痕跡數據監(jiān)測方法研究[J].科學技術與工程，2016，16（14）：254?258.

[8] 吳華，王海順.基于雙向聯想記憶網絡的航空雷達在線入侵診斷方法研究[J].計算機測量與控制，2015，23（1）：57?59.