改進(jìn)蜉蝣算法及其在防火墻策略配置中的應(yīng)用

高智強(qiáng)， 張亞加， 邱啟蒙， 邵建龍

(昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院， 云南 昆明 650500)

全球互聯(lián)網(wǎng)通信的增加，在給人們的學(xué)習(xí)和生活帶來(lái)眾多便利的同時(shí)，也使得網(wǎng)絡(luò)安全在科學(xué)研究和工業(yè)生產(chǎn)中備受關(guān)注?，F(xiàn)在網(wǎng)絡(luò)攻擊造成的不良影響越來(lái)越大，防火墻的重要性也越來(lái)越高[1]。作為控制計(jì)算機(jī)網(wǎng)絡(luò)安全重要的一環(huán)，防火墻的正確配置至關(guān)重要。由于在防火墻中不允許冗余策略的存在，然而根據(jù)網(wǎng)絡(luò)的規(guī)模而定，網(wǎng)絡(luò)中用戶產(chǎn)生的信息數(shù)據(jù)量極大，人工進(jìn)行這些訪問(wèn)策略的配置不僅耗費(fèi)大量的時(shí)間和人力，而且容易出錯(cuò)[2]。

目前，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)得到了廣泛應(yīng)用，通過(guò)使用機(jī)器學(xué)習(xí)方法用于發(fā)現(xiàn)和揭示數(shù)據(jù)集中的關(guān)系來(lái)進(jìn)行防火墻的配置無(wú)疑是解決防火墻配置策略冗余這一問(wèn)題的有效方法。在這一方面，Golnabi等[3]使用數(shù)據(jù)挖掘的技術(shù)對(duì)防火墻策略規(guī)則進(jìn)行分析。Breier等[4]試圖基于數(shù)據(jù)挖掘技術(shù)的日志文件提出一個(gè)異常檢測(cè)的方法來(lái)創(chuàng)建防火墻動(dòng)態(tài)規(guī)則。郝欣達(dá)[5]研究基于深度學(xué)習(xí)的異常流量檢測(cè)方法并設(shè)計(jì)和實(shí)現(xiàn)高效的WAF防火墻。但是以上方法存在實(shí)驗(yàn)所要求的樣本數(shù)據(jù)量極大、訓(xùn)練時(shí)間過(guò)長(zhǎng)的缺點(diǎn)。李洪林[6]選取了ID3決策樹(shù)模型并實(shí)現(xiàn)了在防火墻中的應(yīng)用。但是ID3決策樹(shù)模型存在生成效率過(guò)慢且容易過(guò)擬合的問(wèn)題。

支持向量機(jī)(Support Vector Machine，SVM)作為機(jī)器學(xué)習(xí)中的重要算法，具有對(duì)訓(xùn)練數(shù)據(jù)集數(shù)據(jù)量小的優(yōu)點(diǎn)，可以利用較小的訓(xùn)練數(shù)據(jù)得到算法模型，學(xué)習(xí)效率高，實(shí)時(shí)性好，可以用于實(shí)時(shí)檢測(cè)，并且可以有效解決特征維度過(guò)高的問(wèn)題和非線性問(wèn)題[6]?；诖耍疚幕贚ibsvm工具包，利用主成分分析法進(jìn)行特征提取，使用改進(jìn)的新型群體智能優(yōu)化算法蜉蝣算法(Improved Mayfly Algorithm，IMA)優(yōu)化SVM來(lái)進(jìn)行防火墻日志文件的訓(xùn)練和策略配置。

1 相關(guān)理論

1.1 蜉蝣算法

蜉蝣算法(Mayfly Algorithm，MA)是一種新型群體智能優(yōu)化算法，具有尋優(yōu)性能好、收斂速度快等優(yōu)點(diǎn)，研究?jī)r(jià)值較高。其靈感源于蜉蝣的社會(huì)行為，特別是它們的交配過(guò)程。該算法首先隨機(jī)產(chǎn)生兩組蜉蝣，分別代表雄性和雌性種群，將每個(gè)蜉蝣隨機(jī)放置在問(wèn)題解的空間中，由d維向量x=(x1,x2,…,xd)表示，并根據(jù)目標(biāo)函數(shù)f(x)進(jìn)行評(píng)價(jià)，再定義蜉蝣的速度為v=(v1,v2,…,vd)，每個(gè)蜉蝣的飛行方向是個(gè)體和社會(huì)飛行經(jīng)驗(yàn)的動(dòng)態(tài)交互作用。從飛行行為和蜉蝣的交配過(guò)程來(lái)看，該算法結(jié)合了飛行算法和進(jìn)化算法的主要優(yōu)點(diǎn)[7]。

1.1.1 雄性蜉蝣的運(yùn)動(dòng)

適應(yīng)度值較差雄性蜉蝣的速度定義為

(1)

(2)

式中Xi表示pbest或者gbest，Xij表示pbest或者gbest在j維度的取值，xi表示蜉蝣個(gè)體i,xij表示蜉蝣i在j維度的取值，n是蜉蝣維度的上限。

1.1.2 雌性蜉蝣的運(yùn)動(dòng)

(3)

(4)

1.1.3 蜉蝣交配

交叉算子代表兩個(gè)蜉蝣的交配過(guò)程：從雄性種群和雌性種群中各選擇一個(gè)親本。選擇父母的方式與雄性吸引雌性的方式相同。選擇可以是隨機(jī)的，也可以基于它們的適應(yīng)度函數(shù)。在后者中，最好的雌性與最好的雄性繁殖，次好的雌性與次好的雄性繁殖。交叉的結(jié)果產(chǎn)生兩個(gè)后代，其產(chǎn)生方式為

(5)

式中male是父本，female是母本，兩者均為矩陣的形式；L是一個(gè)位于區(qū)間[-1,1]內(nèi)的隨機(jī)數(shù)，為標(biāo)量；·表示矩陣運(yùn)算中的數(shù)乘。

1.1.4 蜉蝣算法的流程

基本蜉蝣算法的流程如下：

步驟1 初始化雌性蜉蝣、雄性蜉蝣，設(shè)定參數(shù)；

步驟2 計(jì)算適應(yīng)度值，并且排序，獲取全局最優(yōu)解和個(gè)體最優(yōu)解；

步驟3 依次更新雄性蜉蝣、雌性蜉蝣位置，并且交配；

步驟4 計(jì)算適應(yīng)度，并更新全局最優(yōu)解和個(gè)體最優(yōu)解；

步驟5 是否滿足停止條件，如果滿足則退出，輸出結(jié)果，否則重復(fù)執(zhí)行步驟3—步驟5。

1.2 改進(jìn)蜉蝣算法(IMA)的實(shí)現(xiàn)

1.2.1 蜉蝣種群改進(jìn)的Tent混沌映射初始化

在分析基本的蜉蝣優(yōu)化算法后，發(fā)現(xiàn)蜉蝣算法在種群初始化階段存在問(wèn)題，基本的蜉蝣算法中初始種群采用隨機(jī)過(guò)程，雖然隨機(jī)過(guò)程可以保證在大多數(shù)情況下初始種群分布均勻，但個(gè)體的質(zhì)量不能保證[8]。若初始化不佳，使得蜉蝣群體多樣性變差，會(huì)使算法迭代增加，可能使算法陷于局部最優(yōu)解，浪費(fèi)計(jì)算資源。因此嘗試采用混沌映射初始化種群的位置，其原理是在不改變蜉蝣群體初始化的隨機(jī)本質(zhì)下，利用混沌映射的分布均勻性、不可重復(fù)性、不可預(yù)測(cè)性、不確定性和遍歷性特點(diǎn)初始化種群位置，提高種群的多樣性和算法搜索的遍歷性，使得算法具有較高的收斂速度和全局搜索能力。目前常用的混沌映射有Logistic混沌映射和Tent混沌映射，相比于Logistic混沌映射，Tent混沌映射產(chǎn)生的混沌序列分布更為均勻，由于采用了貝努利移位變換，迭代速度也更快[9]。針對(duì)Tent混沌映射序列迭代可能會(huì)落入小周期點(diǎn)和不穩(wěn)定周期點(diǎn)，文獻(xiàn)[9]在初始的Tent混沌映射中添加隨機(jī)變量rand(0,1)/NT，優(yōu)化后的Tent混沌映射為

(6)

式中zi表示第i次映射的函數(shù)值，初始的z1取范圍[0,1]之間的隨機(jī)數(shù)，rand(0,1)取區(qū)間[0,1]中的隨機(jī)數(shù)，NT表示序列內(nèi)的種群數(shù)量。

設(shè)所求解的維度為n，則蜉蝣群體的初始化按以下流程進(jìn)行：

步驟1 隨機(jī)生成n維度第一個(gè)蜉蝣個(gè)體；

步驟2 根據(jù)上個(gè)蜉蝣個(gè)體的某個(gè)維度，根據(jù)改進(jìn)的Tent映射生成下個(gè)蜉蝣個(gè)體該維度的值，重復(fù)進(jìn)行，直到達(dá)到種群上限；

步驟3 對(duì)所有的蜉蝣群體根據(jù)各個(gè)維度的上下限生成具體的位置，設(shè)某個(gè)維度的上限為ub，下限為lb，某個(gè)蜉蝣個(gè)體該維度的值為zi，則具體位置為

xi=lb+(ub-lb)×zi。

(7)

1.2.2 變異策略

遺傳算法是一種汲取自然進(jìn)化思想尋求最優(yōu)解的方法[10]。通過(guò)選擇、交叉、變異等遺傳算子來(lái)交換種群的信息，最終得到符合優(yōu)化目標(biāo)的參數(shù)。而基本的蜉蝣算法結(jié)合了粒子群優(yōu)化算法粒子不斷更新速度和遺傳算法選擇、交叉的特性，并沒(méi)有引入變異策略。因此，嘗試引入遺傳算法中的變異算子來(lái)改進(jìn)基本的蜉蝣算法，使其有更多的種群多樣性可以跳出局部最優(yōu)。本文引入的高斯變異因子為[11]

mutation(x)=x(1+N(0,1))，

(8)

式中x為原始的參數(shù)值，N(0,1)表示期望為0、標(biāo)準(zhǔn)差為1的正態(tài)分布隨機(jī)數(shù)，mutation(x)為高斯變異后的數(shù)值。

由正態(tài)分布特性可知，高斯變異的重點(diǎn)搜索區(qū)域?yàn)樵瓊€(gè)體附近的某個(gè)局部區(qū)域。高斯分布有較好的局部搜索能力，對(duì)于大量局部極小值的優(yōu)化問(wèn)題，使得算法能夠高精度地找到全局極小值點(diǎn)，并且也提高了算法的魯棒性[12]。

1.2.3 引入縮小系數(shù)

在基本的粒子群改進(jìn)算法中，最常見(jiàn)的莫過(guò)于對(duì)粒子速度權(quán)重g的改變。由此得到啟發(fā)，對(duì)基本蜉蝣算法中蜉蝣群體的速度權(quán)重進(jìn)行迭代遞減，在程序的調(diào)試過(guò)程中發(fā)現(xiàn)，類似的變量還有隨機(jī)舞蹈系數(shù)和隨機(jī)游走系數(shù)，對(duì)這些變量引入一個(gè)縮小系數(shù)，使變量的取值隨迭代次數(shù)的變化而穩(wěn)定遞減。引入縮小系數(shù)后，前期蜉蝣群體的慣性速度、舞蹈系數(shù)和隨機(jī)游走系數(shù)較大，有利于算法的全局搜索；后期蜉蝣群體的慣性速度、舞蹈系數(shù)和隨機(jī)游走系數(shù)較小，有利于算法的局部搜索，且有利于引入高斯變異后的收斂。在本次實(shí)驗(yàn)中，所做的改進(jìn)是使變量呈指數(shù)遞減，縮小系數(shù)用下面的公式求?。?/p>

(9)

式中n取最大迭代次數(shù)的80%。因此在測(cè)試函數(shù)時(shí)，rf取值0.995；在防火墻應(yīng)用中，rf取值0.95。

2 IMA性能測(cè)試分析

為全面評(píng)估IMA的性能，本文選取4個(gè)經(jīng)典測(cè)試函數(shù)，包括單峰測(cè)試函數(shù)和多峰測(cè)試函數(shù)，其中f1、f2為單峰函數(shù)，用來(lái)評(píng)估算法的局部搜索能力；f3、f4為多峰函數(shù)，用來(lái)評(píng)估算法的全局能力和算法跳出局部極小值的能力。函數(shù)表達(dá)式見(jiàn)表1。

表1 測(cè)試函數(shù)

為了保證實(shí)驗(yàn)的合理性，引入飛行行為算法的粒子群算法(PSO)和進(jìn)化算法的遺傳算法(GA)，將IMA與MA、PSO、GA等算法進(jìn)行比較分析，種群規(guī)模設(shè)置為40，變量維度為5，最大迭代次數(shù)為500，分別獨(dú)立運(yùn)行30次，以實(shí)驗(yàn)得到的曲線繪制各算法的平均收斂曲線，如圖1所示。

圖1 測(cè)試函數(shù)收斂曲線

由圖1(a)、(b)、(d)可知，相比于PSO和GA，MA算法的收斂曲線具有較高斜率，但在圖(c)中可以明顯看出MA全局搜索性能較差且陷入局部最優(yōu)。而IMA在各個(gè)測(cè)試函數(shù)上表現(xiàn)最佳，達(dá)到收斂的迭代次數(shù)最少且求得的解比PSO、GA和MA更接近于最優(yōu)解，說(shuō)明IMA的收斂速度和跳出局部最優(yōu)解的能力明顯優(yōu)于PSO、GA和MA。4個(gè)基準(zhǔn)測(cè)試函數(shù)結(jié)果表明，IMA使算法以較大的斜率收斂到全局最優(yōu)解附近，克服了算法早熟的問(wèn)題，并使算法具有較快的收斂速度。同時(shí)引入的高斯變異有效地幫助算法跳出了局部最優(yōu)解，IMA算法中蜉蝣群體的速度權(quán)重g和隨機(jī)游走系數(shù)fl、隨機(jī)舞蹈系數(shù)d等以指數(shù)形式隨迭代次數(shù)遞減有效地克服了高斯變異帶來(lái)的不穩(wěn)定性，使算法的全局搜索和局部搜索能力達(dá)到有效平衡，實(shí)現(xiàn)了算法的穩(wěn)定性。但是，由于IMA單步迭代中引入了多余操作，使得復(fù)雜度和計(jì)算量略有所增加，單步迭代運(yùn)行時(shí)間小許增加，這是目前IMA算法存在的最大問(wèn)題。

3 PCA-IMA-SVM的防火墻策略配置模型

SVM是人工智能機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)郵件的學(xué)習(xí)方法，通常用來(lái)進(jìn)行模式識(shí)別、分類預(yù)計(jì)回歸分析[13]。其核心目標(biāo)在于尋找一個(gè)最優(yōu)分類超平面，處于超平面兩邊的數(shù)據(jù)各為一類，從而完成樣本分類[14]。影響SVM性能的主要參數(shù)為核函數(shù)參數(shù)g和懲罰參數(shù)c[15]。在本實(shí)驗(yàn)中，IMA通過(guò)適應(yīng)度函數(shù)對(duì)SVM這兩個(gè)參數(shù)進(jìn)行動(dòng)態(tài)調(diào)整，并將優(yōu)化后的SVM用于建立防火墻配置策略模型。由于防火墻日志文件具有較多的維度，為了提高SVM的分類效率，首先通過(guò)主成分分析方法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，減少數(shù)據(jù)集的維度，之后對(duì)處理后的數(shù)據(jù)進(jìn)行SVM分類和測(cè)試，建立分類模型。建立PCA-IMA-SVM防火墻配置策略的流程如圖2所示。

圖2 PCA-IMA-SVM防火墻數(shù)據(jù)處理流程

對(duì)圖2流程圖的詳細(xì)說(shuō)明如下：

(1)選取訓(xùn)練集和測(cè)試集。首先從原始數(shù)據(jù)中選取一部分樣本數(shù)據(jù)，并按照一定比例劃分訓(xùn)練集和測(cè)試集。

(2)數(shù)據(jù)的規(guī)范化。在進(jìn)行主成分分析之前，首先對(duì)數(shù)據(jù)集進(jìn)行規(guī)范化，以m表示樣本的維數(shù)，n表示數(shù)據(jù)樣本的數(shù)量，對(duì)樣本矩陣作變換[16]：

(10)

(3)PCA數(shù)據(jù)降維。由于原始防火墻配置數(shù)據(jù)的各個(gè)維度不一定完全相互獨(dú)立，因此在進(jìn)行參數(shù)尋優(yōu)和模型訓(xùn)練之前需要對(duì)原始數(shù)據(jù)進(jìn)行降維，以便于在提取主成分消除樣本數(shù)據(jù)之間相關(guān)性的同時(shí)，減少模型的訓(xùn)練時(shí)間，提高模型的分類準(zhǔn)確率。其基本原理為盡可能代表原始數(shù)據(jù)信息的條件下，將高維特征空間的數(shù)據(jù)通過(guò)線性變換映射到低維樣本空間[17]。本文對(duì)原始數(shù)據(jù)進(jìn)行主成分分析，將原始的11維數(shù)據(jù)轉(zhuǎn)化為4維數(shù)據(jù)，主成分分析對(duì)原始數(shù)據(jù)的解釋度為90.5%。

(4)蜉蝣算法參數(shù)設(shè)定及其種群初始化。對(duì)蜉蝣算法中的隨機(jī)游走系數(shù)、變異概率、迭代次數(shù)等參數(shù)進(jìn)行設(shè)定，對(duì)蜉蝣群體進(jìn)行改進(jìn)的Tent混沌映射初始化。

(5)計(jì)算種群適應(yīng)度并排序，確定個(gè)體最優(yōu)及種群最優(yōu)。訓(xùn)練過(guò)程中的種群適應(yīng)度值以十折交叉驗(yàn)證下的SVM模型準(zhǔn)確率取值。

(6)蜉蝣群體位置更新并更新個(gè)體和種群最優(yōu)。根據(jù)個(gè)體最優(yōu)和種群最優(yōu)來(lái)確定雄性蜉蝣的速度取值，并根據(jù)雄性的適應(yīng)度來(lái)確定雌性的速度取值。以速度取值進(jìn)行蜉蝣群體的位置更新，重新確定個(gè)體最優(yōu)和種群最優(yōu)。

(7)蜉蝣群體交配，確定子代最優(yōu)，更新群體最優(yōu)。雌雄個(gè)體交配，子代為雌雄個(gè)體線性組合，更新子代最優(yōu)和群體最優(yōu)。

(8)子代變異，確定變異個(gè)體最優(yōu)，更新種群最優(yōu)。對(duì)子代以一定概率進(jìn)行高斯變異，確定變異個(gè)體的個(gè)體最優(yōu)，更新種群最優(yōu)。

(9)群體適應(yīng)度排序，根據(jù)種群數(shù)量選擇新一代群體。若設(shè)定的蜉蝣群體種群數(shù)量為n，則根據(jù)個(gè)體適應(yīng)度的優(yōu)劣程度進(jìn)行排序，選取適應(yīng)度值最優(yōu)的n個(gè)個(gè)體為新一代種群，剔除適應(yīng)度差的個(gè)體。選擇后的種群重新按照適應(yīng)度取值分為雌雄個(gè)體。

(10)根據(jù)求得的參數(shù)確定SVM模型，對(duì)測(cè)試集分類并輸出結(jié)果。根據(jù)訓(xùn)練集結(jié)合IMA算法求得c和g確定SVM并對(duì)測(cè)試集進(jìn)行數(shù)據(jù)處理并輸出。以IMA算法求得的c和g帶入SVM模型中，對(duì)測(cè)試集樣本數(shù)據(jù)預(yù)測(cè)，并與其標(biāo)簽值進(jìn)行對(duì)比，求得準(zhǔn)確率、誤報(bào)率和漏報(bào)率等指標(biāo)。

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集

本文的實(shí)驗(yàn)操作平臺(tái)為Window 10，應(yīng)用軟件為MATLAB 2019b，基于AMD 3600處理器。實(shí)驗(yàn)所用數(shù)據(jù)來(lái)自于UCI，該數(shù)據(jù)是土耳其Firat大學(xué)防火墻設(shè)備一部分日志文件，數(shù)據(jù)集選取源端口、目標(biāo)端口、NAT源端口、NAT目標(biāo)端口、運(yùn)行時(shí)間、字節(jié)數(shù)、發(fā)送字節(jié)數(shù)、接受字節(jié)數(shù)、包數(shù)、發(fā)送包數(shù)和接受包數(shù)11個(gè)影響因素作為防火墻日志文件分類指標(biāo)，以防火墻的配置為分類結(jié)果，一共有允許(allow)、否定(deny)、放棄(drop)和重置(reset-both)4類。數(shù)據(jù)集共有65 532個(gè)樣本，本文選取前3類部分?jǐn)?shù)據(jù)進(jìn)行操作，其中選取3類樣本各100個(gè)，選取各類樣本數(shù)據(jù)的75%為訓(xùn)練集，剩余25%為測(cè)試集。

4.2 結(jié)果分析

為評(píng)估IMA-SVM在防火墻配置上的應(yīng)用性能，本文將該算法與基于MA算法、粒子群算法(PSO)和遺傳算法(GA)構(gòu)造的防火墻配置模型進(jìn)行比較分析。實(shí)驗(yàn)中SVM模型中c和g的取值范圍分別為區(qū)間[0.01，100]和區(qū)間[0.001，1000]，PSO、MA和IMA的個(gè)體維度速度取各維度上限的10%，速度下限取上限的相反數(shù)。實(shí)驗(yàn)過(guò)程中各算法基本參數(shù)的詳細(xì)設(shè)置見(jiàn)表2。

表2 各算法的詳細(xì)參數(shù)設(shè)置

本文對(duì)各類算法進(jìn)行50次迭代，每種模型獨(dú)立運(yùn)行30次，取結(jié)果的平均值。本文使用分類準(zhǔn)確率(AC)、誤報(bào)率(FA)和漏報(bào)率(MA)指標(biāo)評(píng)估算法性能：

(11)

(12)

(13)

其中TP表示正確分類的正例，TN表示正確分類的反例，F(xiàn)P表示錯(cuò)誤分類的正例，F(xiàn)N表示錯(cuò)誤分類的反例。在實(shí)驗(yàn)中，以各類分別為正例求取各個(gè)指標(biāo)參數(shù)并去平均，得到IMA算法與其他算法實(shí)驗(yàn)結(jié)果，見(jiàn)表3。

表3 IMA算法與其他算法實(shí)驗(yàn)結(jié)果比較

由表3可知，IMA尋優(yōu)的參數(shù)能更好地優(yōu)化SVM模型，防火墻策略正確配置的準(zhǔn)確率高達(dá)97.33%，誤報(bào)率最低，僅2.67%，在保證高準(zhǔn)確率的同時(shí)也保證了低的漏報(bào)率，且算法運(yùn)行時(shí)間較其他算法較快。遺傳算法在準(zhǔn)確率和漏報(bào)率方面表現(xiàn)最差，而且算法運(yùn)行的時(shí)間開(kāi)銷比較大。原始的MA算法具有較好的性能，運(yùn)行時(shí)間最短，但準(zhǔn)確率略微欠佳。

圖3 各算法的最佳適應(yīng)度曲線圖

從迭代過(guò)程各算法訓(xùn)練過(guò)程中的最佳適應(yīng)度的收斂曲線(圖3)來(lái)看，IMA多次迭代時(shí)跳出局部最優(yōu)區(qū)域，第13次迭代時(shí)收斂精度近99%，而原始的MA算法卻陷入局部最優(yōu)解中，在迭代前期，IMA算法曲線的斜率較高，表明算法具有更好的搜索能力和收斂速度，在訓(xùn)練集的訓(xùn)練過(guò)程中求得的SVM的模型參數(shù)最佳。而遺傳算法在第24次迭代后陷入了局部最優(yōu)，后期的多次迭代依舊無(wú)法跳出，表明遺傳算法模型不適用于防火墻配置策略數(shù)據(jù)。而粒子群算法達(dá)到收斂的迭代次數(shù)較MA和IMA較多。綜上，改進(jìn)策略有效地提高了蜉蝣算法的尋優(yōu)性能。

5 結(jié)束語(yǔ)

本文基于IMA優(yōu)化SVM的懲罰參數(shù)和內(nèi)核參數(shù)，將優(yōu)化后的SVM用于防火墻配置策略。IMA引入了改進(jìn)的Tent混沌映射初始化蜉蝣群體，引入了遺傳算法中的概率高斯變異策略，并依據(jù)迭代次數(shù)動(dòng)態(tài)調(diào)整蜉蝣群體的速度權(quán)重、隨機(jī)游走系數(shù)和舞蹈系數(shù)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的蜉蝣算法提高了SVM模型的參數(shù)優(yōu)化結(jié)果，在保證較高的準(zhǔn)確的同時(shí)，運(yùn)行時(shí)間也得到了減少，保證了防火墻配置策略模型的快速生成。