改进蚁群算法优化SVM参数的网络入侵检测模型研究收

基于支持向量机（support vector machine, SVM)的网络入侵检测模型泛化能力与其参数选取密切相关,因此 SVM参数优化是一个难题。为进一步提高网络入侵检测率,提出一种改进蚁群优化SVM参数算法（modified ant colony optimization algorithm-support vector machine, MACO-SVM)的网络入侵检测模型。首先采用蚁群搜索路径节点代表支持向量机参数,将网络入侵检测率做为目标函数,然后通过蚁群算法的全局寻优能力和反馈机制寻找最优 参数,并对蚂蚁进行高斯变异,克服蚁群陷入局部极值,最后将最优路径上的节点连接起来得到SVM的最优参数, 建立最优网络入侵检测模型。采用KDD99数据集对模型进行仿真实验,仿真结果表明,MACO-SVM不仅提高了网络入侵的检测效率,而且获得了更高的检测率。     

基于改进蚁群算法与遗传算法组合的网络入侵检测

为提高网络入侵检测的检测效果,提出一种基于改进蚁群算法与遗传算法组合的网络入侵检测方法.该方法采用遗传算法(genetic algorithm,GA)对网络入侵的特征集进行快速选取,为后续特征提取打下基础;对传统蚁群算法(ant colony optimization,ACO)的节点选择策略和信息素更新策略进行改进,提出一种改进的蚁群算法,提高对最优特征的选择效果,采用改进的蚁群算法对特征进一步选择;采用支持向量机(support vector machine,SVM)统计机器学习方法建立各类网络入侵的检测分类器.仿真实验结果表明,新的网络入侵检测方法综合GA和改进蚁群算法的优势,能够获得更好的入侵特征,从检测正确率、误报率和漏报率3个方面综合比较,新的网络入侵检测方法具有更好的网络入侵检测效果,且提高了检测速率.     

改进粒子群算法优化支持向量机的入侵检测方法

针对传统支持向量机(support vector machine,SVM)算法应用于入侵检测中存在参数选取的问题,文章提出了一种改进粒子群算法(improved particle swarm optimization,IPSO)和SVM相融合的网络入侵检测方法,即IPSO-SVM。将SVM的惩罚参数C和核函数参数σ作为粒子群的粒子,以K倍交叉验证的准确率作为目标函数,通过粒子间的相互协作得到最优的SVM参数,利用KDD Cup 99数据集进行仿真测试。仿真结果表明,与其他算法相比,IPSO-SVM算法的检测时间更短,检测准确率更高,是一种有效的入侵检测算法。     

基于蝙蝠算法的支持向量机参数优化

目的针对支持向量机(support vector machine,SVM)的参数选择的重要性,研究一种新的参数优化方法。方法介于蝙蝠算法的模型简单、全局搜索能力强等特点。本文提出基于蝙蝠算法(BA)的SVM参数优化方法,对SVM的惩罚参数和核参数进行优化。结果通过8个UCI标准数据库集的Matlab仿真实验,验证了算法的有效性和可靠性。结论本文方法搜索的最优参数较大地提高了SVM的分类精度,加强了SVM的学习和泛化能力,是一种有效及稳定的支持向量机参数优化方法。     

相关性分析和自适应遗传算法的入侵特征选择

为了获得理想的网络入侵检测率,保证网络的正常运行,文章提出了一种相关性分析和自适应遗传算法(correlation analysis and adaptive genetic algorithm,CA-AGA)的网络入侵特征选择方法。首先采用相关性分析对网络入侵原始特征进行降维,删除其中的冗余特征,然后采用自适应遗传算法找到最优特征子集,最后采用支持向量机(support vector machine,SVM)作为分类器,并采用KDD 1999数据进行验证性实验。结果表明,文章提出的方法可快速选择入侵检测的最优特征子集,能够提高网络入侵检测率和速度。     

基于特征选择和SVM参数同步优化的网络入侵检测

为了提高网络入侵检测正确率,利用特征选择和支持向量机(SVM)参数间的相互联系,提出一种特征选择和SVM参数联同步优化的网络入侵检测算法.该算法首先将网络入侵检测正确率作为问题优化的目标函数,网络特征和SVM参数作为约束条件建立数学模型,然后通过遗传算法对数学模型进行求解,找到最优特征子集和SVM参数,最后利用KDD 1999数据集对算法性能进行测试.结果表明,相对于其他入侵检测算法,同步优化算法能够较快选择最优特征与SVM参数,有效提高了网络入侵检测正确率,加快了网络入侵检测速度.     

基于SCSO-SVM算法的光伏组件故障识别

光伏阵列通常被安装在恶劣的室外环境中,因此在运行过程中易发生故障。为了准确识别光伏阵列的故障类型,提出沙猫群优化支持向量机(sand cat swarm optimization support vector machine, SCSO-SVM)用于光伏组件故障识别,且对比支持向量机(support vector machine, SVM)、粒子群优化支持向量机(particle swarm optimized support vector machine, PSO-SVM)、遗传优化支持向量机(genetic optimized support vector machine, GA-SVM)、麻雀优化支持向量机(sparrow optimized support vector machine, SSA-SVM)、灰狼优化支持向量机(gray wolf optimized support vector machine, GWO-SVM)和鲸鱼优化支持向量机(whale optimized support vector machine, WOA-SVM)算法。首先,六种SVM混合算法都克...     

基于改进粒子群优化SVM的多分类入侵检测研究

针对工控网络数据的高维特性以及攻击方式多样性而导致传统入侵检测算法检测准确率低等问题,采用改进粒子群(PSO)算法优化支持向量机的参数,提出改进的PSO-SVM多分类入侵检测方法。该方法将SVM参数作为改进PSO的粒子,将SVM分类准确率作为PSO的目标函数进行全局搜索以确定SVM的最优参数,建立基于改进PSO-SVM的"一对一"多分类工控入侵检测模型。最后采用密西西比州立大学关键基础设施保护中心提出的工控标准数据集进行仿真实验,结果表明,该算法针对不同的攻击方式的平均检测准确率均能达到90%以上,能够准确识别攻击类型,可为工控系统入侵检测提供有效方法。     

基于人为误差的支持向量机——4E-SVM

传统的支持向量机是将分类问题转化成二次规划问题来解决的。针对传统的支持向量机算法及其变形算法忽略了训练集数据含有较大人为误差参与时其算法精度所存在的保障问题,提出了基于人为误差的支持向量机（artificial error-support vector machine以下称AE—SVM）的基本理论,并建立了AE—SVM的理论模型。该模型是C—SVM模型的改进和推广。     

基于遗传优化支持向量机的软件缺陷预测模型

有效的软件缺陷预测能够显著提高软件安全测试的效率,确保软件质量,支持向量机(support vector machine,SVM)具有非线性运算能力,是建立软件缺陷预测模型的较好方法,但其缺少统一有效的参数寻优方法。本文针对该问题提出一种基于遗传优化支持向量机的软件缺陷预测模型,将支持向量机作为软件缺陷预测的分类器,利用遗传算法进行最优度量属性的选择和支持向量机最优参数的计算。实验结果表明,基于遗传优化支持向量机的软件缺陷预测模型具有较高的预测准确度。     

基于相空间重构的光纤周界信号识别算法研究

文章将相空间重构和复小波包变换引入入侵信号类型的识别,对原始信号进行相空间重构,以便更深地反映光纤入侵振动数据混沌特性的内在动力性属性。以相空间重构嵌入维数作为复小波包变换数据输入长度,避免输入信号长度的随意性。采用复小波包提取重构信号的能量分布特征构成入侵信号识别的特征集,以主成分分析对原始特征集降维,通过网格参数寻优算法得到支持向量机(support vector machine,SVM)回归模型的最优参数,以最优参数进行SVM入侵类型识别。实验结果表明,该方法能正确监测入侵事件且误报率与漏报率低。     

基于蚁群优化算法的支持向量机参数选择及仿真

基于支持向量回归机（SVR）模型的拟合精度和泛化能力取决于其相关参数的选取,以蚁群优化算法为基础,给出支持向量回归机参数优化的一种新方法。该方法以最小化k-fold交叉验证误差为目标,对支持向量回归机中的核参数σ和惩罚系数C由蚁群系统中的节点值体现,数值的优选通过蚂蚁对最优路径的选择进行确定。计算机仿真结果表明：与正交法、遗传算法等相比,该方法在参数优化方面有良好的鲁棒性能和较强的全局搜索能力;该方法用于青霉素发酵过程的建模研究,建模精度较高。     

混合粒子群优化算法选择特征的网络入侵检测

针对网络入侵特征优化问题, 提出一种混合粒子群优化算法选择特征的网络入侵检测模型, 以提高网络入侵检测率. 首先将网络入侵检测率作为特征选择的目标函数, 网络状态特征作为约束条件建立相应的数学模型, 然后采用混合粒子群算法找到最优特征子集, 最后采用支持向量机作为分类器建立入侵检测模型, 并在MATLAB2012平台上采用KDD1999数据进行验证. 实验结果表明, 该模型可高效地查询到最优特征子集, 入侵检测率和效率均优于经典入侵检测模型.     

基于改进蝙蝠算法的工业控制系统入侵检测

针对蝙蝠算法(BA)易陷入局部极小的缺点,提出了两点改进:(1)在蝙蝠位置更新时考虑了当前局部最优解分布对算法的影响;(2)将差分进化算法(DE)中的变异操作迁移到蝙蝠算法中,采用随机性变异的方式增加了种群多样性,提升了算法局部搜索能力,并通过典型测试函数验证了本文算法的优越性。将该算法用于工业控制系统(ICS)入侵检测中支持向量机(SVM)分类器的参数优化,使用工控入侵检测标准数据集进行仿真研究。结果表明,与DE、粒子群算法(PSO)和遗传算法(GA)等优化算法相比,其优化的SVM入侵检测模型在检测率、漏报率和误报率等指标上都有显著提升。     

基于蚁群算法的支持向量机参数优化

针对支持向量机的参数对分类性能的影响,探讨了基于蚁群算法的支持向量机参数优化方法,建立了支持向量机参数优化模型,给出了基于网格划分策略的连续蚁群算法,并将其用于优化模型求解,通过对支持向量机的惩罚因子和径向基核函数进行优化,使支持向量机的分类性能最优.通过仿真和应用实例,验证了方法的有效性,得到了95%以上的分类正确率.     

基于云模型和支持向量机的入侵检测特征选择方法

针对目前特征选择算法均存在容易陷入局部最优、迭代后期收敛速度慢的缺陷,提出一种基于云模型和支持向量机(Support Vector Machine,SVM)的入侵检测特征选择方法,该方法采用逆向云发生器从真实训练数据中得到云的数字特征,形成实际判断规则,实现正常数据建模,把网络入侵检测正确率作为SVM参数优化目标函数,以提高入侵检测的正确率.在KDDCUP1999数据集上进行仿真实验,结果表明该方法能更有效地精简网络数据特征,能够有效地解决入侵检测中存在的特征选择问题,并在保证较高检测率的基础上,对不同类型的攻击检测具有良好的均衡性.     

基于支持向量机和遗传算法融合的入侵检测

为了研究网络异常入侵检测问题,将支持向量机（SVM）和遗传（GA）算法融合并应用于入侵检测领域,区分正常和异常的用户行为,实现对网络系统的入侵检测.传统SVM算法易产生训练参数选择不当,难以获得较高的检测效率和分类精度等问题.针对此问题,提出了一种优化的基于SVM-GA融合的入侵检测方法,首先对网络入侵数据进行归一化处理简化输入,然后通过遗传算法对SVM训练参数进行同步优化,最后采用SVM算法对网络数据进行检测,分类识别得到网络入侵结果.仿真实验结果表明,该融合算法训练时间短、检测精度高、误报率和漏报率低,是一种有效可行的入侵检测方法.     

基于AGSO-LSSVM的热点话题预测模型

针对网络热点话题的时变性、混沌性,为了进一步提高网络热点话题的预测精度,提出一种人工萤火虫算 法(artificial glowworm swarm optimization,AGSO)优匕最小、二乘支持向量机(least squares support vector machine, LSS-VM)的网络热点话题预测模型（AGSO-LSSVM)。模型收集网络热点话题数据,采用互信息法和CAO法选择最优延迟时间和嵌入维数,采用优延迟时间和嵌入维数重构网络热点话题数据学习样,并输入到最小二乘支持向量机 中训练,进而采用人工萤火虫算法优化最小二乘支持向量机参数建立网络热点话题预测模型,采用仿真实验测试其性能。实验结果表明,相对于其他网络热点话题预测模型,该模型可以对网络热点话题的变化特点进行拟合,进一步提高网络热点话题的预测准确性。     

一种基于烟花算法优化SVM的入侵检测模型

为了提高网络安全水平,及时对网络攻击进行检测,该文提出了一种基于烟火算法优化支持向量机(SVM)的入侵检测模型。该模型选用SVM作为入侵检测算法的核心分类器对网络数据进行判别,但是由于存在SVM中最优核函数参数和惩罚因子确定较慢的问题,该文利用烟花算法加快SVM最优核函数参数和惩罚因子的确定。为了验证该模型在实际应用中的效果,通过KDD CUP 99数据集进行实验测试,与SVM、KNN和DNN算法相比,该模型能更好地对入侵检测数据进行分类和判别。     

一种基于凸包稀疏化与遗传算法优化的SVM算法

SVM(support vector machine)算法求解支持向量的过程涉及到N阶矩阵的计算,N为样本的个数,当样本数量很大时,高阶矩阵的计算将需要消耗大量运算时间;同时,SVM模型性能依赖于惩罚参数与核参数的优化,传统的循环验证参数优化法,时间复杂度高.为了解决上面两方面的问题,笔者采用凸包算法对训练样本进行稀疏化,同时通过遗传算法优化选择惩罚参数与核参数,提出了一种高性能的SVM模型训练算法.