基于文化算法的入侵檢測(cè)算法研究.pdf

1、如今由于互聯(lián)網(wǎng)技術(shù)發(fā)展所帶來(lái)的網(wǎng)絡(luò)安全問(wèn)題日益增加，這些問(wèn)題的出現(xiàn)使得入侵檢測(cè)技術(shù)成為學(xué)者們研究的熱點(diǎn)，而其中基于免疫的入侵檢測(cè)因具有很強(qiáng)的自適應(yīng)性、魯棒性，以及自我修復(fù)性被大量學(xué)者所關(guān)注。
　　在整個(gè)免疫入侵檢測(cè)過(guò)程中主要包括否定選擇算法和克隆選擇算法，利用否定選擇算法來(lái)生成成熟檢測(cè)器，利用克隆選擇算法來(lái)訓(xùn)練成熟檢測(cè)器，所以克隆選擇算法對(duì)檢測(cè)器性能的提升起到至關(guān)重要的作用。
　　針對(duì)傳統(tǒng)的免疫克隆選擇算法中使用的是單一的變

2、異，難以在進(jìn)化過(guò)程中兼顧全局搜索和局部搜索，造成算法出現(xiàn)陷入局部最優(yōu)或收斂速度慢等問(wèn)題。本文通過(guò)引入文化算法，實(shí)現(xiàn)種群空間和信仰空間雙層進(jìn)化，在變異時(shí)將全局搜索能力強(qiáng)的柯西變異和局部搜索能力強(qiáng)的混沌變異相結(jié)合，提出了自適應(yīng)混合變異克隆選擇算法，利用信仰空間的知識(shí)來(lái)自適應(yīng)地確定兩種變異的作用時(shí)間和作用比例。通過(guò)KDDCUP99數(shù)據(jù)集進(jìn)行測(cè)試，結(jié)果顯示該算法有較好的收斂性和魯棒性。
　　鑒于文化算法特有的雙層進(jìn)化的特點(diǎn)，同時(shí)針對(duì)目前尚

3、未有對(duì)支持向量機(jī)(Support Vector Machine，SVM)參數(shù)進(jìn)行優(yōu)化選擇的統(tǒng)一方法，本文提出了基于文化算法的SVM參數(shù)優(yōu)化，在核主元分析(Kenel Principle Component Analysis，KPAC)的基礎(chǔ)上，先使用KPCA對(duì)數(shù)據(jù)進(jìn)行降維，再引入文化算法，優(yōu)化SVM的懲罰參數(shù)C和高斯核參數(shù)σ，得到最優(yōu)的參數(shù)組合，最后使用降維之后的數(shù)據(jù)集訓(xùn)練SVM分類器。通過(guò)KDDCUP99數(shù)據(jù)集進(jìn)行測(cè)試，結(jié)果顯示該算法