基于SFLA優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)入侵檢測(cè)算法

晁萍瑤+王小敏

摘 要：為了解決目前入侵檢測(cè)技術(shù)準(zhǔn)確率低、誤報(bào)率高和無(wú)法檢測(cè)新攻擊類(lèi)型等問(wèn)題，研究了基于人工神經(jīng)網(wǎng)絡(luò)（ANN）的入侵檢測(cè)技術(shù)，將徑向基函數(shù)（RBF）網(wǎng)絡(luò)應(yīng)用于入侵檢測(cè)研究中，并利用蛙跳算法（SFLA）對(duì)其參數(shù)進(jìn)行優(yōu)化，提高了入侵檢測(cè)性能。

關(guān)鍵詞：入侵檢測(cè)技術(shù)；RBF神經(jīng)網(wǎng)絡(luò)；蛙跳算法；網(wǎng)絡(luò)安全

DOIDOI：10.11907/rjdk.171313

中圖分類(lèi)號(hào)：TP312

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)文章編號(hào)：1672-7800（2017）008-0050-03

0 引言

入侵檢測(cè)即檢測(cè)入侵，是指把網(wǎng)絡(luò)流量中入侵的記錄從正常記錄中檢測(cè)出來(lái)。研究證明RBF神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近連續(xù)函數(shù)，特別適合解決分類(lèi)問(wèn)題。然而構(gòu)建基于RBF神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型，雖然可以提高入侵檢測(cè)的準(zhǔn)確率和誤報(bào)率，但在參數(shù)選擇中存在問(wèn)題。因?yàn)镽BF神經(jīng)網(wǎng)絡(luò)的隱層基函數(shù)一般是在輸入樣本集中選取，難以反映真正的輸入輸出關(guān)系，隱含層到輸出層的權(quán)值采用最小二乘法計(jì)算而得，訓(xùn)練過(guò)于簡(jiǎn)單。基于此，解男男[1]用粒子群（PSO）算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)技術(shù)，并通過(guò)實(shí)驗(yàn)證明該算法的有效性和可行性，但其漏報(bào)率較高；單曉虹[2]利用遺傳算法（GA）對(duì)傳統(tǒng)RBF網(wǎng)絡(luò)的初始權(quán)重進(jìn)行優(yōu)化并用于系統(tǒng)辨識(shí)。實(shí)驗(yàn)證明該神經(jīng)網(wǎng)絡(luò)具有良好的泛化能力；蛙跳算法結(jié)合了基于模因遺傳的模因演算法 （MA）和基于群體覓食行為的粒子群算法特點(diǎn)，具有概念簡(jiǎn)單、調(diào)整參數(shù)少、計(jì)算速度快、全局搜索尋優(yōu)能力強(qiáng)、易于實(shí)現(xiàn)等優(yōu)點(diǎn)，已應(yīng)用于離散優(yōu)化問(wèn)題、連續(xù)優(yōu)化問(wèn)題和聚類(lèi)問(wèn)題[7]等多個(gè)領(lǐng)域。本文在解男男[1]研究的基礎(chǔ)上，用SFLA算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)隱含層到輸出層的權(quán)值參數(shù)并用于入侵檢測(cè)模型中，通過(guò)實(shí)驗(yàn)證明其性能優(yōu)于基于PSO優(yōu)化的RBF入侵檢測(cè)模型。

1 SFLA算法

SFLA是Eusuff和Lansey等為解決組合優(yōu)化問(wèn)題于2003年提出的一種基于群體的亞啟發(fā)式協(xié)同搜索群智能算法。該算法建立在群中個(gè)體具有模因進(jìn)化和利用模因?qū)崿F(xiàn)全局信息交換基礎(chǔ)上。

SFLA是通過(guò)使用一個(gè)啟發(fā)式函數(shù)來(lái)搜索問(wèn)題的全局最優(yōu)解，該算法主要應(yīng)用于模式識(shí)別、函數(shù)優(yōu)化等領(lǐng)域。SFLA算法圖解見(jiàn)圖1，它模擬了一群青蛙（解）在一片濕地（解空間）上跳動(dòng)覓食的過(guò)程[3]。

SFLA算法涉及到的參數(shù)為：F：蛙群的數(shù)量；m：子群的數(shù)量；n：子群中青蛙的數(shù)量；Dmax：允許更新的最大跳動(dòng)步長(zhǎng)；Dmin：允許更新的最小跳動(dòng)步長(zhǎng)；Px：全局最優(yōu)個(gè)體；Pb：子群中的最優(yōu)個(gè)體；Pw：子群中的最差個(gè)體；LS：局部元進(jìn)化次數(shù)；SF：全局思想交流次數(shù)等[3]。

每個(gè)子群分別進(jìn)行局部深度搜索，更新蛙跳步長(zhǎng)和青蛙個(gè)體位置。

蛙跳步長(zhǎng)更新公式：

Di=rand（）*（Pb-Pw）（1）

青蛙個(gè)體的位置更新公式：

Pw ′ = Pw + Di （||-Dmin ||≤||Di ||≤||Dmax ||）（2）

式（1）中，Di表示青蛙的更新步長(zhǎng)，rand（）表示0-1之間進(jìn)行取值的隨機(jī)數(shù)；式（2）中，Pw′表示更新后的局部最差個(gè)體；如果Pw′所對(duì)應(yīng)的適應(yīng)值次于Pw所對(duì)應(yīng)的適應(yīng)值，則采用全局最優(yōu)解Px代替式（1）中的Pb，并更新Pw。

蛙跳步長(zhǎng)更新公式：

Di=rand（）*（Px-Pw）（3）

青蛙個(gè)體的位置更新公式：

Pw ′ = Pw + Di （||-Dmin ||≤||Di ||≤||Dmax ||）（4）

如果Pw仍然沒(méi)有改進(jìn)，則隨即產(chǎn)生一個(gè)新的蛙代替Pw[6]。

2 SFLA-RBF神經(jīng)網(wǎng)絡(luò)算法

2.1 算法分析

針對(duì)傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)算法中的權(quán)值優(yōu)化問(wèn)題，本文提出一種基于SFLA優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)算法，即 SFLA-RBF算法，算法流程見(jiàn)圖2。

圖2中的算法流程由初始化、SFLA算法優(yōu)化、分類(lèi)輸出結(jié)果和計(jì)算準(zhǔn)確率階段組成。

（1）RBF神經(jīng)網(wǎng)絡(luò)初始化階段。首先，將準(zhǔn)備好的數(shù)據(jù)集進(jìn)行數(shù)值化和歸一化并導(dǎo)入到神經(jīng)網(wǎng)絡(luò)中，作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，并導(dǎo)入神經(jīng)網(wǎng)絡(luò)的目標(biāo)輸出數(shù)據(jù)；再通過(guò)函數(shù)初步構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)net，并從構(gòu)建好的網(wǎng)絡(luò)中提取出需要優(yōu)化的隱含層參數(shù)。

（2）SFLA算法優(yōu)化階段。首先將階段（1）中得到的隱含層權(quán)值參數(shù)表示成要優(yōu)化的問(wèn)題，并求出最大權(quán)值和最小權(quán)值，確定種群青蛙的數(shù)量以及子群數(shù)量等算法參數(shù)，每一只青蛙代表解空間中的一個(gè)候選解，并初始化種群；再將所有青蛙按照性能好壞依次排列，分別放在不同的子群中。不同子群的青蛙分別進(jìn)行局部搜索，不斷跳躍，接近目標(biāo)位置并重新匯合，排序構(gòu)建下一代新種群；滿(mǎn)足停止條件則輸出全局最優(yōu)解。

（3）RBF神經(jīng)網(wǎng)絡(luò)分類(lèi)階段。將階段（2）所得的全局最優(yōu)解作為新的RBF網(wǎng)絡(luò)隱含層到輸出層的權(quán)值，重新帶入RBF神經(jīng)網(wǎng)絡(luò)中，并輸出分類(lèi)。

2.2 算法描述

對(duì)SFLA-RBF神經(jīng)網(wǎng)絡(luò)算法描述如下：

輸入：樣本數(shù)據(jù)

輸出：分類(lèi)結(jié)果

（1）構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)，將歸一化后的訓(xùn)練樣本數(shù)據(jù)導(dǎo)入到RBF神經(jīng)網(wǎng)絡(luò)中，得到輸出結(jié)果后，從中提取出隱含層權(quán)值等參數(shù)。

center=net.iw{1，1} ；

b1=net.b{1}；

w2=net.lw{2，1}；

b2=net.b{2}；

（2）初始化青蛙種群，隨機(jī)產(chǎn)生青蛙的總個(gè)數(shù)為F，青蛙子群數(shù)為m，每組青蛙的個(gè)數(shù)為n，那么F =m×n；種群迭代次數(shù)為SF，允許更新的最大蛙跳步長(zhǎng)為Dmax，允許更新的最小蛙跳步長(zhǎng)為Dmin。endprint

（3）計(jì)算適應(yīng)度值，根據(jù)適應(yīng)度值對(duì)所有青蛙進(jìn)行排序[4]。這一階段，第一只青蛙進(jìn)入第一個(gè)子群，第二只青蛙進(jìn)入第二個(gè)子群，第m只青蛙進(jìn)入第m個(gè)子群，依此類(lèi)推[5-6]。

（4）對(duì)每一個(gè)青蛙子群進(jìn)行局部深度搜索，根據(jù)更新策略對(duì)青蛙個(gè)體位置不斷更新。

（5）判斷是否滿(mǎn)足全局迭代次數(shù)，若滿(mǎn)足，則輸出全局最優(yōu)值，進(jìn)化結(jié)束；若不滿(mǎn)足，則將全部青蛙個(gè)體重新混合，轉(zhuǎn)至步驟（3）。

（6）（1）-（5）步得到的全局最優(yōu)值即為通過(guò)SFLA算法優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)權(quán)值向量w，根據(jù)優(yōu)化后的權(quán)值重新構(gòu)造RBF神經(jīng)網(wǎng)絡(luò)。

（7）輸入入侵攻擊測(cè)試數(shù)據(jù)，執(zhí)行RBF神經(jīng)網(wǎng)絡(luò)算法，輸出分類(lèi)結(jié)果。

（8）分別計(jì)算準(zhǔn)確率、誤報(bào)率和漏報(bào)率。

上述步驟中，步驟（1）為RBF神經(jīng)網(wǎng)絡(luò)的初始化階段，步驟（2）-（5）為SFLA算法的優(yōu)化階段，步驟（6）-（8）為RBF神經(jīng)網(wǎng)絡(luò)的重新構(gòu)建并輸出分類(lèi)結(jié)果階段。

2.3 實(shí)驗(yàn)結(jié)果分析

采用兩組樣本來(lái)檢測(cè)SFLA-RBF神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)性能。訓(xùn)練數(shù)據(jù)采用KDD99中抽樣的train1和train2，測(cè)試數(shù)據(jù)采用test1和test2，見(jiàn)表1。

圖3、圖5所示為輸入test1的輸出結(jié)果，由于測(cè)試樣本數(shù)據(jù)較多，不能清晰反映實(shí)際輸出結(jié)果和期望輸出結(jié)果的關(guān)系。圖4、圖6為test1輸出結(jié)果的局部放大圖。紅色圓圈表示實(shí)際輸出，藍(lán)色線條表示期望的輸出結(jié)果。

當(dāng)期望輸出結(jié)果為異常樣本時(shí)，藍(lán)色線條顯示；當(dāng)期望輸出結(jié)果為正常時(shí)，藍(lán)色線條不顯示；當(dāng)實(shí)際輸出結(jié)果為異常時(shí)，紅色圓圈位于縱坐標(biāo)1的位置；當(dāng)實(shí)際輸出結(jié)果為正常時(shí)，紅色圓圈位于縱坐標(biāo)0的位置。實(shí)驗(yàn)結(jié)果見(jiàn)表2。

觀察圖3、圖5和表1、表2可以看出：采用SFLA算法優(yōu)化RBF網(wǎng)絡(luò)，準(zhǔn)確率都在90%以上，誤差率在10%左右，漏報(bào)率低于2%。

3 算法比較

RBF神經(jīng)網(wǎng)絡(luò)算法具有較高的精確度，并且訓(xùn)練速度快，但其參數(shù)需要根據(jù)不同學(xué)習(xí)算法求解，且應(yīng)用于入侵檢測(cè)中誤報(bào)率偏高。PSO-RBF神經(jīng)網(wǎng)絡(luò)算法是一種用來(lái)改進(jìn)RBF隱含層權(quán)值的優(yōu)化算法。經(jīng)過(guò)PSO改進(jìn)后的RBF網(wǎng)絡(luò)用于入侵檢測(cè)性能有所提高。

如表3、表4、表5所示，使用train1、train2、test1和test2分別作為神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本和測(cè)試樣本，通過(guò)實(shí)驗(yàn)，對(duì)SFLA-RBF算法、傳統(tǒng)RBF算法和PSO-RBF算法的準(zhǔn)確率、誤報(bào)率和漏報(bào)率進(jìn)行分析對(duì)比并計(jì)算均值。圖7表示這3個(gè)指標(biāo)平均值的對(duì)比情況，其中橫坐標(biāo)表示不同算法，縱坐標(biāo)表示對(duì)應(yīng)的準(zhǔn)確率、誤報(bào)率和漏報(bào)率。

從3個(gè)不同指標(biāo)分析，SFLA-RBF算法較傳統(tǒng)的RBF算法和PSO_RBF算法性能更優(yōu)。

4 結(jié)語(yǔ)

針對(duì)RBF網(wǎng)絡(luò)的參數(shù)優(yōu)化問(wèn)題，給出了一種基于SFLA-RBF神經(jīng)網(wǎng)絡(luò)算法，并將其應(yīng)用于入侵檢測(cè)中，將SFLA算法應(yīng)用到神經(jīng)網(wǎng)絡(luò)權(quán)值優(yōu)化上。對(duì)兩組子集進(jìn)行試驗(yàn)表明：SFLA-RBF算法與RBF算法相比準(zhǔn)確率基本一致，約為94%，但誤報(bào)率和漏報(bào)率都明顯降低。與解男男[1]的PSO-RBF算法相比，準(zhǔn)確率和誤報(bào)率基本一致，但漏報(bào)率明顯降低。

參考文獻(xiàn)：

[1] 解男男.機(jī)器學(xué)習(xí)方法在入侵檢測(cè)中的應(yīng)用研究[D].長(zhǎng)春：吉林大學(xué)，2015.

[2] 單曉虹.基于遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)及其在系統(tǒng)辨識(shí)中的應(yīng)用[D].青島：青島大學(xué)，2006.

[3] 韓毅，蔡建湖，周根貴，等.隨機(jī)蛙跳算法的研究進(jìn)展[J].計(jì)算機(jī)科學(xué)，2010，37（7）：16-19.

[4] 張瀟丹，包永強(qiáng)，奚吉，等.基于MD-CM-SFLA神經(jīng)網(wǎng)絡(luò)的耳語(yǔ)音情感識(shí)別[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，42（5）：848-853.

[5] PAN G，PAN F，LIU G.Path planning for mobile robots based on improved shuffled frog leaping algorithm[J].Journal of Computer Applications，2014，34（10）：2850-2853.

[6] 王茜，張粒子，舒雋，等.基于閾值選擇策略的改進(jìn)混合蛙跳算法在電網(wǎng)規(guī)劃中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制，2011，39（3）：34-39.

[7] TIAN J，GAO M，ZHANG F.Network intrusion detection method based on radial basic function neural network[C].International Conference on E-Business and Information System Security， IEEE，2009：1-4.

[8] AMIRI B，F(xiàn)ATHIAN M，MAROOSI A.Application of shuffled frog-leaping algorithm on clustering[J].International Journal ofAdvanced Manufacturing Technology，2009（5）：152-158.endprint