基于SVM主動(dòng)學(xué)習(xí)算法的網(wǎng)絡(luò)入侵檢測

　　異常檢測方法在網(wǎng)絡(luò)入侵檢測過程中可以檢測出那些未知的攻擊,它大多數(shù)采用的建模方式都是基于機(jī)器學(xué)習(xí)之上的。在機(jī)器學(xué)習(xí)階段,理論上為了達(dá)到比較理想的檢測效果,需要對大量和合適的訓(xùn)練樣本集進(jìn)行訓(xùn)練。但是,在實(shí)際的網(wǎng)絡(luò)中,大量和合適的訓(xùn)練樣本集的截獲是相當(dāng)困難的。這樣就要求能夠?qū)崿F(xiàn)在少量樣本的情況下獲得比較理想的檢測效果。

　　《現(xiàn)代計(jì)算機(jī)》雜志(專業(yè)版)致力于營造一個(gè)融洽的學(xué)術(shù)交流平臺(tái)，助您在學(xué)業(yè)、事業(yè)上更上一層樓。本刊已被以下數(shù)據(jù)庫全文收錄：中國學(xué)術(shù)期刊綜合評價(jià)數(shù)據(jù)庫、中國期刊全文數(shù)據(jù)庫、方數(shù)據(jù)庫、中文科技期刊數(shù)據(jù)庫、中國核心期刊(遴選)數(shù)據(jù)庫。

　　1基于向量機(jī)(SVM)主動(dòng)學(xué)習(xí)算法的網(wǎng)絡(luò)入侵檢測過程

　　下面本論題將研究一種基于SVM主動(dòng)學(xué)習(xí)算法的網(wǎng)絡(luò)入侵檢測的具體過程。通關(guān)過分析可知基于SVM主動(dòng)學(xué)習(xí)算法的網(wǎng)絡(luò)入侵檢測系統(tǒng)的功能模塊應(yīng)該包含數(shù)據(jù)采集模塊、特征提取模塊、向量化處理模塊、支持向量庫模塊、SVM訓(xùn)練模塊、SVM檢測模塊和系統(tǒng)響應(yīng)模塊等。具體的過程為數(shù)據(jù)采集模塊從網(wǎng)絡(luò)中采集網(wǎng)絡(luò)數(shù)據(jù)流,然后將這些數(shù)據(jù)流傳送給特征提取模塊,特征提取模塊進(jìn)行特征提取處理,發(fā)送給向量化處理,向量化后的樣本可以作為分類樣本和預(yù)分類樣本分別傳給支持向量庫和SVM檢測模塊,接下來分類樣本中的正確樣本就可以進(jìn)行SVM訓(xùn)練,不正確的樣本收到SVM檢測,做出系統(tǒng)響應(yīng)等響應(yīng)。

　　網(wǎng)絡(luò)論文：《網(wǎng)絡(luò)科技時(shí)代》本刊堅(jiān)持為社會(huì)主義服務(wù)的方向，堅(jiān)持以馬克思列寧主義、毛澤東思想和鄧小平理論為指導(dǎo)，貫徹“百花齊放、百家爭鳴”和“古為今用、洋為中用”的方針，堅(jiān)持實(shí)事求是、理論與實(shí)際相結(jié)合的嚴(yán)謹(jǐn)學(xué)風(fēng)，傳播先進(jìn)的科學(xué)文化知識(shí)，弘揚(yáng)民族優(yōu)秀科學(xué)文化，促進(jìn)國際科學(xué)文化交流，探索防災(zāi)科技教育、教學(xué)及管理諸方面的規(guī)律，活躍教學(xué)與科研的學(xué)術(shù)風(fēng)氣，為教學(xué)與科研服務(wù)。

　　2支持向量機(jī)(SVM)主動(dòng)學(xué)習(xí)的入侵檢測算法優(yōu)化設(shè)計(jì)

　　2.1核函數(shù)的選擇雖然多種因素都能影響到SVM的分類性能,但是有已存在的研究表明:在SVM分類中,所選取的SVM核函數(shù)的類型對SVM的分類性能影響不大,但是,SVM核函數(shù)選取的參數(shù)卻與分類性能相關(guān),在本論題的優(yōu)化設(shè)計(jì)中選取的SVM核函數(shù)為,影響SVM的分類性能即分類正確率的主要因素是參數(shù)以及相對應(yīng)的錯(cuò)誤判決因子C。錯(cuò)誤判決因子C是在已知的特征空間中用來調(diào)整學(xué)習(xí)機(jī)的經(jīng)驗(yàn)風(fēng)險(xiǎn)與置信范圍的比例,這樣就可以優(yōu)化學(xué)習(xí)機(jī)器的推廣能力,對于不同的數(shù)據(jù)子空間C的最優(yōu)值也不盡相同,C值的不穩(wěn)定會(huì)使系統(tǒng)的泛化性能降低;核函數(shù)中的參數(shù)的變化可以間接的改變最優(yōu)超平面與實(shí)踐超平面之間的映射函數(shù),這樣就增加了在較高維特征空間中樣本數(shù)據(jù)集的分布復(fù)雜度,參數(shù)也在一定程度上影響著系統(tǒng)的泛化性能。但是目前這兩個(gè)參數(shù)的選擇方法卻只是靠試湊法來計(jì)算,這樣就造成了很多人為的不恰當(dāng)、隨機(jī)和盲目選擇性。

　　2.2支持向量機(jī)主動(dòng)學(xué)習(xí)的入侵檢測算法的優(yōu)化設(shè)計(jì)下面本文將提出一種優(yōu)化算法來對上面提到的參數(shù)以及相對應(yīng)的懲罰系數(shù)C進(jìn)行優(yōu)化計(jì)算。這種算法得到在較高維空間中最優(yōu)解的方法是通過利用個(gè)體相互之間的合作與競爭關(guān)系來實(shí)現(xiàn)的。算法的第一步實(shí)現(xiàn)了在可解空間中對一群粒子進(jìn)行初始化,同時(shí)得到粒子的初始狀態(tài)(位置和速度等),假設(shè)每個(gè)粒子都是對參數(shù)以及相對應(yīng)的懲罰系數(shù)C進(jìn)行優(yōu)化計(jì)算的可行解,粒子的特征可以由它的位置和速度以及適應(yīng)度的值來表現(xiàn),適應(yīng)度的值決定了對應(yīng)解的優(yōu)化程度,是由目標(biāo)函數(shù)確定的。這樣就形成了迭代關(guān)系,進(jìn)行的每一次迭代,每個(gè)粒子的位置更新都是根據(jù)本身的位置極值和所有粒子的速度極值來實(shí)現(xiàn)的,這樣每一次更新都可以得到一組位置和速度以及適應(yīng)度,即一組最優(yōu)解。在上述的算法中,假若有一顆粒子已經(jīng)搜索到了當(dāng)前的一個(gè)最優(yōu)解,其他粒子就會(huì)因?yàn)檫@個(gè)最優(yōu)解的吸引而快速的聚集到其附近,這種收斂方法雖然速度很快,但是有很大的概率是這個(gè)最優(yōu)解不是一個(gè)全局最優(yōu)解,而僅僅是一個(gè)局部最優(yōu)解,這樣就會(huì)造成粒子群無法再在解空間內(nèi)對其他方向搜索最優(yōu)解,很容易陷入早早收斂的局部最優(yōu)狀態(tài)。為此本文將再對上述算法進(jìn)行優(yōu)化。

　　算法的具體實(shí)現(xiàn)如下:

　　(1)給定算法的最初參數(shù),對粒子種群進(jìn)行初始化,產(chǎn)生粒子的初始狀態(tài)(位置和速度等)。

　　(2)通過對目標(biāo)函數(shù)的確定,計(jì)算出每個(gè)體粒子的適應(yīng)度的值,并且得出位置極值以計(jì)算出位置極值情況下的適應(yīng)度的值,把兩個(gè)適應(yīng)度的值相比較,若通過對目標(biāo)函數(shù)的確定計(jì)算得出的粒子適應(yīng)度的值更好,則要在解空間中更新粒子的位置極值。

　　(3)把每個(gè)粒子的位置極值與全局速度極值適應(yīng)度的值進(jìn)行比較,若得到更好的結(jié)果,則要在解空間中更新粒子的速度極值。